Multipl myelom litik kemik lezyonları ile diğer osteolitik metastazların ayrımında F-18 FDG PET tekstür özellikleri ve radiomics tabanlı makine öğrenmesi modellerinin karşılaştırılması
Differentiating multiple myeloma lytic bone lesions and other osteolytic metastases using F-18 FDG PET texture features and radiomics-based machine learning models
- Tez No: 925643
- Danışmanlar: DOÇ. DR. ENGİN ALAGÖZ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Makine öğrenmesi, metastaz, multipl myelom, pozitron emisyon tomografisi-bilgisayarlı tomografi, radiomics, Machine learning, metastasis, multiple myeloma, positron emission tomography-computed tomography, radiomics
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Gülhane Tıp Fakültesi
- Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
Amaç: Çalışmamızda 18F-FDG PET/BT'de litik kemik lezyonu saptanan olgularda radiomics tabanlı makine öğrenmesi modellerini kullanarak, multipl myelom ile metastaz ayrımı yapmayı ve oluşturduğumuz farklı modellerin performansını karşılaştırmayı amaçladık. Gereç ve Yöntem: Retrospektif olarak Kasım 2016-Ocak 2022 tarihleri arasında 18 yaşından büyük, multipl myelom veya başka bir primer malignite tanısı almış, evreleme amacıyla 18F-FDG PET/BT incelemesi yapılan ve multipl litik kemik lezyonları saptanan toplam 59 hastanın 171 litik kemik lezyonu çalışmaya dâhil edildi. Discovery PET/BT 690 (General Electric Medical Systems, Wisconsin, ABD) cihazından elde edilen atenüasyon düzeltmeli PET görüntüleri açık kaynak kodlu Local Feature Extraction (LIFEx) v.7.1.0 uygulamasına DICOM formatıyla yüklendi. Litik kemik lezyonlarının segmentasyon işlemi; PET görüntülerinden SUVmax %40 tresholdu seçilerek, üç boyutlu ve yarı-otomatik olarak yapıldı. Çizilen ilgi alanlarının her birinden 6 adet konvansiyonel, 7 adet birinci düzey histogram-şekil bazlı, 7 adet ikinci düzey, 25 adet yüksek düzey olmak üzere toplam 45 öznitelik elde edildi. 45 özellik üzerinden Korelasyon Tabanlı, Gain Ratio ve Information Gain değişken önemi testleri yapıldı. Değişkenlerin veri setine kattığı değere bakılarak en önemli 10 bağımsız değişken sıralandı. Seçilen 10 değişken ile makine öğrenmesi analizi yapıldı. Makine öğrenmesi analizleri yapılırken R programlama dili içindeki RWeka ve e1071 paketlerinden faydalanıldı. Makine Öğrenmesi sınıflama yöntemlerinden Lojistik Regresyon, Naive Bayes, Çok Katmanlı Algılayıcı, Destek Vektör Makinesi, Random Forest ve Hibrit Model kullanıldı. Veri seti 10 katlı çapraz doğrulama kullanılarak test edildi. Tanısal performans kriteri olarak Doğru Sınıflama Oranı, F-ölçütü, Matthews Korelasyon Katsayısı, ROC Eğrisi alanı ve Precision Recall Eğrisi alanı kullanıldı. Bulgular: Değişken önemi testi sonucuna göre değişkenler en önemliden en önemsize olacak şekilde GLCM Homogeneity, GLRLM RP, GLCM Entropy log10, GLRLM SRE, Histogram Entropy log10, GLCM Dissimilarity, SUVstd, GLRLM LRE, GLCM Contrast ve GLZLM LZLGE şeklinde sıralandı. Literatürde en sık kullanılan performans ölçütlerinden doğru sınıflama oranı, F-ölçütü ve MCC'ye göre en iyi sonuçları, oluşturulan Hibrit Model vermekteydi (sırasıyla 0.844, 0.857, 0.681). Bu yöntemi sırasıyla Naive Bayes (0.813, 0.772, 0.449), Random Forest (0,760, 0.756, 0.441) Destek Vektör Makinesi (0.823, 0.767, 0.424), Lojistik Regresyon (0.781, 0.754, 0.414) ve Çok Katmanlı Algılayıcı (0.677, 0.722, 0.421) yöntemleri izlemekteydi. Sonuç: Oluşturduğumuz makine öğrenmesi modelleri iyi bir tanısal performans gösterdi. En yüksek doğru sınıflama oranı Çok Katmanlı Algılayıcı, Destek Vektör Makinesi ve J48 algoritmalarının birleşiminden oluşan Hibrit Model ile elde edildi. Ayrıca iki grubun ayrımında en iyi performans gösteren özellikler için eşik değerler belirlendi. Bu iki lezyonun yalnızca PET görüntüleri kullanılarak girişimsel olmayan yöntemlerle sınıflandırılabilmesi, seçili vakalarda klinisyene yol gösterme potansiyeline sahiptir. Sonuç olarak PET tekstür özellikleri osteolitik lezyonların multipl myelom/metastaz durumunu öngörebilmektedir. Bu sonuçların prospektif, çok sayıda hastayla ve BT, MRG gibi diğer görüntüleme teknikleri ile yapılacak çalışmalarla doğrulanması, gelecekte hassas tıp uygulamalarına daha fazla katkı sağlayacaktır.
Özet (Çeviri)
Objective: In this study, we compared the performance of the various machine learning models we developed in order to distinguish between multiple myeloma and metastasis in patients with lytic bone lesions on 18F-FDG PET/CT. Materials and Methods: Retrospectively, 171 lytic bone lesions of 59 patients older than 18 years of age, diagnosed with multiple myeloma or another primary malignancy, undergoing 18F-FDG PET/CT examination for staging and multiple lytic bone lesions between November 2016 and January 2022 was included in the study. Attenuation corrected PET images obtained from Discovery PET/BT 690 (General Electric Medical Systems, Wisconsin, USA) were loaded into the open source Local Feature Extraction (LIFEx) v.7.1.0 application with DICOM format. By selecting the SUVmax 40% treshold from PET scans, the segmentation of lytic bone lesions was performed three-dimensionally and semi-automatically. A total of 44 features, 5 conventional, 7 first-level histogram-shape-based, 7 second-level, and 25 high-level features, were obtained from each of the plotted interest areas. Correlation Based, Gain Ratio and Information Gain variable significance tests were performed on 44 features. The 10 most important independent variables were listed by looking at the value added by the variables to the data set. Machine learning analysis was performed with 10 selected variables. While performing machine learning analysis, RWeka and e1071 packages in the R programming language were used. From Machine Learning classification methods, Logistic Regression, Naive Bayes, Multilayer Perceptron, Support Vector Machine, Random Forest and Hybrid Model were used. The dataset was tested using 10-fold cross validation. Accurate Classification Ratio, F-measure, Matthews Correlation Coefficient, ROC Curve field and Precision Recall Curve field were used as diagnostic performance criteria. Results: According to the result of the variable significance test, the variables were ranked as GLCM Homogeneity, GLRLM RP, GLCM Entropy log10, GLRLM SRE, Histogram Entropy log10, GLCM Dissimilarity, SUVstd, GLRLM LRE, GLCM Contrast, and GLZLM LZLGE, from the most important to the least important. The constructed hybrid model yielded the best results according to most commonly used measures of performance in the literature: correct classification rate, F-measure, and MCC (0.844, 0.857, and 0.681, respectively). Using this method, Naive Bayes (0.813, 0.772, 0.449), Random Forest (0.760, 0.756, 0.441), Support Machine (0.823, 0.767, 0.424), Logistic Regression (0.781, 0.754, 0.414) and Multilayer Perceptron (0.677, 0.722, 0.421) followed. Conclusion: The machine learning models we defined showed good diagnostic performance. The highest accurate classification rate was obtained with the Hybrid Model, which is a combination of Multilayer Perceptron, Support Vector Machine and J48 algorithms. In addition, threshold values were determined for the best-performing features in the differential diagnosis of the two groups. Classification of these two lesions by non-invasive methods using only PET images has the potential to guide the clinician in selected cases. Confirmation of these results with prospective studies with large numbers of patients and other imaging techniques such as CT, MRI will contribute more to precision medicine practices in the future.
Benzer Tezler
- IgG myelom olgularında ıgg4 myelomların belirlenmesi, morfolojik, immünhistokimyasal, klinik ve prognostik özelliklerinin analizi
Determination of IgG4 myelomas in igg myeloma cases, analysis of their morphological, immunohistochemical, clinical and prognostic features
ZEYCAN HACIOĞLU
- Multipl myelomlu hastalarda çeşitli tedavi seçeneklerinde kemik spesifik alkalen fosfataz düzeyleri
Bone spesific alkalen phosphatase levels of multiple myeloma diagnosed patients with different teratment options
GÜVEN ÇETİN
Tıpta Uzmanlık
Türkçe
2009
Hematolojiİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. YILDIZ AYDIN
- Metoksi izobütil izonitrilin (MIBI) multipl miyelom ve lösemi dışı çocukluk çağı kanserlerinde kemik iliği tutulumunun belirlenmesindeki yeri
Başlık çevirisi yok
KEZBAN BERBEROĞLU
Tıpta Uzmanlık
Türkçe
2003
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF.DR. SEHER NİLGÜN ÜNAL
- Multiple myelomalı olgularda Tc99m MIBI sintigrafisinin klinik anlamı ve Tc99 MDP kemik sintigrafisi ile karşılaştırılması
Başlık çevirisi yok
RÜYA ERİNÇ
Tıpta Uzmanlık
Türkçe
2000
Radyoloji ve Nükleer TıpEge ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF.DR. KAMİL KUMANLIOĞLU