Timik rebound ve timoma tiplerinin ayırıcı tanısında radyomiks özelliklerinin derin öğrenme ile analizi
Distinction of thymoma types and thymic rebound using deep learning analysis of radiomics features
- Tez No: 919517
- Danışmanlar: PROF. DR. ŞÜKRÜ MEHMET ERTÜRK
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Timoma, timik rebound, radyomiks, makine öğrenmesi, Thymoma, thymic rebound, radiomics, machine learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 54
Özet
GİRİŞ VE AMAÇ: Timomalar erişkinlerde anterior mediastenin en sık tümörleridir. Timomaların histolojik alt gruplarının klinik davranışları ve seyri farklılıklar gösterdiği için alt grupları karakterize etmek, prognozun tahmini ve tedavi stratejisini belirleme açısından oldukça önemlidir. Histopatolojik değerlendirme timomaların derecelendirilmesi için standart yöntem olmasına rağmen çeşitli sınırlamalar içermektedir. Timik rebound genellikle stress ve kemoterapi sonrası timus bezinin büyümesidir. Timik rebound, görüntülemelerde timoma ile karışabilir ve bu durum gereksiz tedavi ve invaziv işlemler yapılmasına neden olabilir. Bu nedenle invazif olmayan değerlendirme yöntemi geliştirilmesi önemlidir. Çalışmamızda timoma histolojik alt tiplerinin ve timik rebound tanılı hastalarda preoperatif BT görüntülerinden elde edilen radyomik özellikleriyle oluşturulan makine öğrenmesi algoritmalarının timoma ile timik rebound ayırmadaki ve timoma alt tiplerini öngörmedeki başarısını saptamak amaçlanmaktadır. MATERYAL VE METOD: İstanbul Üniversitesi İstanbul Tıp Fakültesi Göğüs Cerrahisi Ana Bilim Dalı'nda opere edilen 39 düşük riskli timoma ve 48 yüksek riskli timoma ve 26 timik hiperplazi tanılı hastaya ait preoperatif BT görüntülemeleri retrospektif olarak değerlendirildi. Görüntüler, ITK-SNAP programı vasıtasıyla segmente edildikten sonra LIFEx programı ile radyomik özellikler çıkarıldı. Veri ön işleme aşamalarında verilerin rastgele karıştırılması ve StandardScaler ile ölçeklendirme (Scaling) metodları kullanıldı. Daha sonra sınıflandırma işlemi için üç farklı makine öğrenmesi modeli kullanılmıştır. Bu modeller, düşük riskli (L) ve yüksek riskli (H) timoma gruplarını ve timoma ile timik hiperplaziyi ayırt etmek için eğitilmiştir. Çalışmada, farklı algoritmaların performansını karşılaştırmak için üç popüler makine öğrenmesi modeli seçilmiştir: XGBoost, Random Forest ve CatBoost Veri seti, modelin performansını değerlendirmek için eğitim (train) ve test (test) verileri olarak ikiye ayrılmıştır. BULGULAR XGBoost: En iyi performansı göstermiştir. Timik rebound ve timoma ayrımı için test doğruluğu %95,65, F1 skoru %95,47 olarak hesaplanmıştır. Düşük riskli (L) ve yüksek riskli (H) timoma gruplarının ayrımı için ise test doğruluğu %94,44, F1 skoru %94,54 olarak hesaplanmıştır. Bu model, timoma ile timik rebound ayrımı ve düşük ile yüksek riskli timoma gruplarını ayırt etmede en başarılı model olmuştur. Random Forest: Timik rebound ve timoma ayrımı için test doğruluğu %91,30, F1 skoru %91,30 olarak hesaplanmıştır. Düşük riskli (L) ve yüksek riskli (H) timoma gruplarının ayrımı için ise test doğruluğu %83,33, F1 skoru %82,91 olarak hesaplanmıştır. XGBoost modeline kıyasla daha düşük bir performans göstermiştir. CatBoost: Timik rebound ve timoma ayrımı için test doğruluğu %86,96, F1 skoru %86,41 olarak hesaplanmıştır. Düşük riskli (L) ve yüksek riskli (H) timoma gruplarının ayrımı için ise test doğruluğu %77,78, F1 skoru %78,35 olarak hesaplanmıştır. Diğer iki modele kıyasla en düşük performansı göstermiştir. SONUÇ: XGBoost modeli, test doğruluğu ve F1 skoru açısından en iyi performansı göstermiştir.
Özet (Çeviri)
INTRODUCTION AND AIM: Thymomas are the most common tumors of the anterior mediastinum in adults. Since the clinical behavior and course of the histological subgroups of thymomas show differences, characterizing these subgroups is crucial for predicting prognosis and determining treatment strategies. Although histopathological evaluation is the standard method for grading thymomas, it has various limitations. Thymic rebound is generally the enlargement of the thymus gland after stress and chemotherapy. Thymic rebound can be confused with thymoma in imaging, which may lead to unnecessary treatment and invasive procedures. Therefore, it is important to develop a non-invasive evaluation method. In our study, we aimed to assess the success of machine learning algorithms created with radiomic features derived from preoperative CT images in distinguishing thymoma from thymic rebound and predicting thymoma subtypes in patients with thymic rebound. MATERIAL AND METHODS: Preoperative CT images of 39 patients with low-risk thymoma, 48 patients with high-risk thymoma, and 26 patients with thymic hyperplasia, who underwent surgery at the Department of Thoracic Surgery, Istanbul University Istanbul Faculty of Medicine, were retrospectively evaluated. After the images were segmented using the ITK-SNAP program, radiomic features were extracted using the LIFEx program. During the data preprocessing phase, random shuffling and scaling with the StandardScaler method were applied. Three different machine learning models were used for classification. These models were trained to differentiate between low-risk (L) and high-risk (H) thymoma groups, as well as thymoma and thymic hyperplasia. To compare the performance of different algorithms, three popular machine learning models were selected: XGBoost, Random Forest, and CatBoost. The dataset was divided into training and testing sets for model performance evaluation. RESULTS • XGBoost: Showed the best performance. The test accuracy for distinguishing thymic rebound and thymoma was 95.65%, and the F1 score was 95.47%. For distinguishing low-risk (L) and high-risk (H) thymoma groups, the test accuracy was 94.44%, and the F1 score was 94.54%. This model was the most successful in differentiating thymoma from thymic rebound and distinguishing between low- and high-risk thymoma groups. • Random Forest: The test accuracy for distinguishing thymic rebound and thymoma was 91.30%, and the F1 score was 91.30%. For distinguishing low-risk (L) and high-risk (H) thymoma groups, the test accuracy was 83.33%, and the F1 score was 82.91%. It showed lower performance compared to the XGBoost model. • CatBoost: The test accuracy for distinguishing thymic rebound and thymoma was 86.96%, and the F1 score was 86.41%. For distinguishing low-risk (L) and high-risk (H) thymoma groups, the test accuracy was 77.78%, and the F1 score was 78.35%. It showed the lowest performance compared to the other two models. CONCLUSION: The XGBoost model demonstrated the best performance in terms of test accuracy and F1 score.
Benzer Tezler
- Pediatrik lenfoma grubunda tedaviye yanıtın değerlendirilmesinde F-18 FDG pet-BT'nin rolü: Retrospektif ön sonuçlar
Role of F-18 FDG pet-CT in assessment of therapy response in pediatric lymphoma group- Retrospective first results
NESLİHAN ÇETİN
- Timik epitelyal tümörlerde minimal invaziv cerrahi yaklaşım
Minimally invasive surgical approach in thymic epithelial tumors
ŞEYHMUS ÇUHATUTAR
Tıpta Uzmanlık
Türkçe
2025
Göğüs Cerrahisiİstanbul ÜniversitesiGöğüs Cerrahisi Ana Bilim Dalı
PROF. DR. BERKER ÖZKAN
DR. SALİH DUMAN
- Timik tümörlerde C-erb-B2, CD117 ve EGFR ekspresyonu ve klinikopatolojik yaklaşım
C-erb-B2, CD117 and EGFR expressions and clinicopathological approach in thymic tumors
EYLEM PINAR ESER
- Timik tümörlerde prognostik faktörler ve uzun dönem sağkalım sonuçları
Prognostic factors and long-term survival results in the timic tumors
CEMAL AKER
Tıpta Uzmanlık
Türkçe
2018
Göğüs Kalp ve Damar CerrahisiSağlık Bilimleri ÜniversitesiGöğüs Cerrahisi Ana Bilim Dalı
DOÇ. DR. CELALETTİN KOCATÜRK
- Preoperatif timik epitelyal tümör karakterizasyonunda 18F-FDG PET/BT'nin katkısı
Contribution of preoperative 18F-FDG PET/BT in characterization of thymic epithelial tumor
CANER CİVAN
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiNükleer Tıp Ana Bilim Dalı
DOÇ. DR. ZEYNEP GÖZDE ÖZKAN