Serviks kanserli hastalarda tanı anındaki mrg radyomiks analizinin patolojik subtipleri öngörü değeri
Pathological subtypes predictive value of mri radiomic analysis at the time of diagnosis in cervical cancer patients
- Tez No: 920189
- Danışmanlar: DOÇ. DR. ŞADAN TUTUŞ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Serviks kanseri, radyomiks, makine öğrenimi, Manyetik rezonans görüntüleme, SMOTE, Cervical cancer, radiomix, machine learning, Magnetic resonance imaging, SMOTE
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Kayseri Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Çalışmamızın amacıserviks kanserli hastalarda MRG üzerinden yapılan radiomiks analizi ile elde edilen değişkenler ve makine öğrenmesi yöntemleri kullanılarak histopatolojik subtiplerin öngörülebilmesidir. Yöntem ve Gereçler: Ocak 2019 – Haziran 2024 tarihleri arasında serviks kanseri ön tanısı ile tedavi öncesi lokal evreleme amaçlı yönlendirilen ve kliniğimizde pelvik MRG çekilen 55 hastadan çalışmaya alınma ölçütlerini karşılayan 47 hasta dahil edildi. Hastalarımızın 40'ı SCC 7'si adenokarsinom tanısı almıştı. Yapılan MR görüntülemelerden aksiyel T2A, aksiyel postkontrast FS T1A ve ADC serilerde lezyonlar LIFE x programı ile üç boyutlu segmente edildi ve radiomiks değişkenleri hesaplandı. Ortalama radyomiks özellikler yapılan histopatolojik subtip tahmininde; support vector machines (SVM),“naive bayes”(NB) ve“random forest”(RF) ve Synthetic Minority Oversampling Technique (SMOTE) olmak üzere dört farklı makine öğrenim yöntemi kullanıldı. Bulgular: Çalışmaya dahil edilen 47 hastanın yaş ortalaması 52 olup yaş aralığı 33-80 arasındaydı. 47 hastanın 40 (%85) tanesi SCC, 7 (%15) tanesi adenokarsinom tanısı almıştı. Makine öğrenme modellerinden her bir sekans için 130 texture parametresi elde edildi. Histopatolojik subtip tahmininde elde edilen parametlerden ADC için Random Forest modelinde RFE değişken seçim yöntemi ile 22 değişkenle %84, T1+C için SVM modelinde RFE değişken seçim yöntemiyle 7 değişkenle %90 doğruluk , T2A için random forest modelinde RFE değişken seçim yöntemi ile 20 değişkenle %90 doğruluk elde edildi. T1+C sekansı histopatolojik subtip öngörmede ADC ve T2A sekanstan daha başarılı bulunmuştur. Sonuç: Serviks kanserlerinde MR radyomiks analizi ile elde edilen texture parametrelerinin makine öğrenme yöntemleri ile histopatolojik subtipleri öngörebildiği gösterilmiştir. Makine öğrenme algoritmaları ile %90 ların üzerine çıkabilen bir tanı performansı elde ettik. Bu teknikler texture parametlerinden elde edilen bilgiler ışığında hekimlere karar destek sistemi olarak katkı sunabilir.
Özet (Çeviri)
Objective: The aim of our study is to predict histopathological subtypes using variables obtained from radiomix analysis performed on MRI in patients with cervical cancer and machine learning methods. Methods and Materials: 47 patients who met the inclusion criteria among 55 patients who were referred for local staging purposes before treatment with a preliminary diagnosis of cervical cancer and underwent pelvic MRI in our clinic between January 2019 and June 2024 were included in the study. 40 of our patients were diagnosed with SCC and 7 with adenocarcinoma. Lesions were segmented three-dimensionally with the LIFE x program in axial T2A, axial postcontrast FS T1A and ADC series from the MRI images and radiomix variables were calculated. In histopathological subtype prediction using average radiomix features, four different machine learning methods were used: support vector machines (SVM), naive bayes (NB), random forest (RF) and Synthetic Minority Oversampling Technique (SMOTE). Results: The average age of the 47 patients included in the study was 52 and the age range was between 33-80. 40 (85%) of the 47 patients were diagnosed with SCC and 7 (15%) with adenocarcinoma. 130 texture parameters were obtained for each sequence from the machine learning models. Among the parameters obtained in histopathological subtype prediction, 84% accuracy was obtained with 22 variables in the Random Forest model for ADC with the RFE variable selection method, 90% accuracy was obtained with 7 variables in the SVM model for T1+C with the RFE variable selection method, and 90% accuracy was obtained with 20 variables in the random forest model for T2A with the RFE variable selection method. The T1+C sequence was found to be more successful than the ADC and T2A sequences in predicting histopathological subtypes. Conclusion: It was shown that the texture parameters obtained by MR radiomix analysis in cervical cancers can predict histopathological subtypes with machine learning methods. We have achieved a diagnostic performance that can exceed 90% with machine learning algorithms. These techniques can contribute to physicians as a decision support system in the light of the information obtained from texture parameters.
Benzer Tezler
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- A Decision support system for planning standby garbage collection trucks
Yedek çöp toplama kamyonlarının planlanması için bir karar destek sistemi
GÜLSER HACISALİHOĞLU
Yüksek Lisans
İngilizce
1987
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. HALİM DOĞRUSÖZ
- 1985 yılında acil yardım ve trafik hastanesine kaza nedeniyle başvuranların incelenmesi
Başlık çevirisi yok
GÜLAY BALCI
Yüksek Lisans
Türkçe
1987
UlaşımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MEHMET ALİ BUMİN
- Kaza sonucu meydana gelen akut zehirlenmeler ve ilaç zehirlenmeleri
Başlık çevirisi yok
SELMA YURTDAŞ
Yüksek Lisans
Türkçe
1987
Eczacılık ve FarmakolojiGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ORHAN ASLANOĞLU
- Hastanelerde acil servis hizmetleri
Başlık çevirisi yok
CİHAN SEVİM
Yüksek Lisans
Türkçe
1986
HastanelerGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MEHMET ALİ BUMİN