Klinik anlamlı prostat kanseri tanısında prostat MR'da makine öğrenme algoritmalarının etkinliği
Effectiveness of machine learning algorithms in prostate MRI for the diagnosis of clinically significant prostate cancer
- Tez No: 934066
- Danışmanlar: PROF. DR. ELİF HOCAOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Prostat kanseri, Multiparametrik MRG, Radyomiks, Makine Öğrenmesi, PI-RAD v2.1, Prostate cancer, Multiparametric MRI, Radiomics, Machine Learning, PI-RADS v2.1
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Bakırköy Dr. Sadi Konuk Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Klinik Anlamlı Prostat Kanseri Tanısında Prostat MR'da Makine Öğrenme Algoritmalarının Etkinliği Giriş ve Amaç: Prostat kanseri tanısında ve agresifliğinin değerlendirilmesinde radyomiks temelli yapay zeka çalışmalarına son yıllarda ilgi giderek artmaktadır. Bu tez çalışmasında, MpMRG'de T2A sekansta ve ADC haritasında elde edilen radyomiks özellikleri ile klinik anlamlı PKa ile klinik anlamlı olmayan PKa hastalarının ayrımında makine öğrenme algoritmatlarının etkinliğininin araştılması amaçlanmıştır. Gereç ve Yöntem: Ocak 2016-Aralık 2023 tarihleri arasında, radikal prostatektomi olmuş ve opereasyon öncesi son 3 ay içerisinde çekilmiş kritirelere uygun multiparametrik prostat MRG bulunan 287 çalışmaya dahil edildi. Hastalar patoloji sonucuna göre Gleason skoru 3+3 olanlar klinik anlamlı olmayan prostat kanseri grubuna(n=123), Gleason skoru 3+4 ve üzeri olanlar klinik anlamlı PKa grubuna(n=164) dahil edilmiştir. Çalışmaya dahil edilen hastaların multiparametrik prostat MR'da PI-RADS 3,4 ve 5 lezyonlarının manuel segmentasyonu 3D Slicer Programı ile yapılmıştır. Segmentasyon işlemi T2A sekanslarda ve ADC haritasında iki radyolog tarafından yapılmış olup segmentasyon korelasyonu SorensenDice benzerlik formülü ile karşılaştırılıp %75'den az benzeşen ölçümler tekrarlanmıştır. Tüm hastaların T2A sekansta ve ADC haritası daha önceden belirlenmiş, aynı kesitten geçen imajları, segmentasyonun yapılacağı 3D Slicer yazılımının 5.6.0 versiyonuna yüklendi. Daha sonra, lezyonların lokalizasyon bilgisine sahip ancak histopatolojik sonucundan habersiz iki farklı iki radyolog tarafından her bir sekans için ayrı ayrı olacak şekilde manuel olarak iki boyutlu segmentasyon işlemleri gerçekleştirildi. Bulgular: ADC haritasında ve T2A sekansta 107 adet radiomiks verisi toplanmış ve aralarında istatistiksel olarak anlamlı bulununlar makine öğrenmesi algoritmalarında kullanılmak üzere ayrılmıştır. Klinik anlamlı prostat kanseri ayrımında ADC haritasında Neural network modeli %80 duyarlılık %87 özgüllük ve %90 doğruluk en başarılı makine öğrenmesi modeli olmuştur(AUC=0,91). T2A sekanstan elde edilen özellikler ile oluşturulan makine öğrenme modellerinde SVM modeli %81 duyarlılık %80 özgüllük ve %80.7 doğruluk doğruluk ile en başaraılı model olmuştur(AUC=0,83). Sonuç: Çalışmamız klinik anlamlı PKa tanısında radiomiks verileri kullanılarak makine öğrenmesi algoritmalarının kullanımının noninvaziv bir yöntem olarak yüksek doğruluk ve özgüllük oranları ile tahmin edebileceğini göstermiştir.
Özet (Çeviri)
Effectiveness of Machine Learning Algorithms in Prostate MRI for the Diagnosis of Clinically Significant Prostate Cancer Background and Purpose: In recent years, there has been a growing interest in radiomics-based artificial intelligence studies for the diagnosis and assessment of prostate cancer aggressiveness. This thesis aims to investigate the effectiveness of machine learning algorithms in distinguishing patients with clinically significant prostate cancer (csPCa) from those with clinically insignificant prostate cancer (ciPCa) using radiomic features obtained from T2-weighted (T2W) sequences and apparent diffusion coefficient (ADC) maps in multiparametric MRI (mpMRI). Materials and Methods: Between January 2016 and December 2023, a total of 287 patients who had undergone radical prostatectomy and had a preoperative multiparametric prostate MRI meeting the study criteria within three months before surgery were included. Based on pathological results, patients with a Gleason score of 3+3 were classified as the clinically insignificant prostate cancer group (n=123), while those with a Gleason score of 3+4 or higher were categorized as the clinically significant prostate cancer group (n=164). Manual segmentation of PI-RADS 3, 4, and 5 lesions in multiparametric prostate MRI was performed using the 3D Slicer software. The segmentation process was carried out independently by two radiologists on T2W sequences and ADC maps, and the segmentation agreement was evaluated using the Sørensen-Dice similarity coefficient. Measurements with less than 75% agreement were repeated. Predefined images from T2W sequences and ADC maps, acquired at the same slice, were uploaded to version 5.6.0 of the 3D Slicer software for segmentation. Subsequently, two radiologists, blinded to histopathological outcomes but aware of lesion localization, independently performed manual two-dimensional segmentation for each sequence. Results: A total of 107 radiomic features were extracted from the ADC maps and T2W sequences, and statistically significant features were selected for machine learning analysis. In distinguishing csPCa, the neural network model applied to ADC maps achieved the highest performance, with 80% sensitivity, 87% specificity, and 90% accuracy (AUC=0.91). In machine learning models based on T2W sequence features, the SVM model demonstrated the best performance, with 81% sensitivity, 80% specificity, and 80.7% accuracy (AUC=0.83). Conclusion: Our study demonstrates that machine learning algorithms utilizing radiomic data can provide a highly accurate and noninvasive approach for predicting clinically significant prostate cancer.
Benzer Tezler
- Prostat lezyonlarında benign-malign ayrımında ve PIRADS kategorisi belirlemede MR texture analizin ve makine öğrenmesinin rolü
Başlık çevirisi yok
ÖMER KOÇAK
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DR. UĞUR KESİMAL
- Biyopsi sonrası prostat kanseri lokal evrelemesinde Ga-PSMA PET BT ve Multiparametrik prostat MR bulgularının postoperatif histopatolojik sonuçlar ile karşılaştırılması
Comparison of PSMA PET CT and Multiparametric Prostate MRI in regards of local staging for prostate cancer with histopathological results
TAHA UÇAR
Tıpta Uzmanlık
Türkçe
2020
Ürolojiİstanbul Medeniyet ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ASIF YILDIRIM
- Kognitif füzyon prostat biyopsisinin prostat kanseri tanısındaki değeri
The value of cognitive fusion prostate biopsy in the diagnosis of prostate cancer
AHMET GÜRBÜZ
Tıpta Uzmanlık
Türkçe
2020
Ürolojiİstanbul Üniversitesi-CerrahpaşaÜroloji Ana Bilim Dalı
PROF. DR. NUR AHMET ERÖZENCİ
- Prostat kanseri tanısında MR-US füzyon görüntüleme kılavuzluğunda yapılan hedefli prostat biyopsisinin etkinliği
The efficacy of MR-US fusion guided biopsy for detection prostate cancer
ERHAN FIRAT
Tıpta Uzmanlık
Türkçe
2018
Radyoloji ve Nükleer TıpPamukkale ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET BAKİ YAĞCI
- Prostat kanseri tanısında değişen paradigma: Multiparametrik manyetik rezonans görüntüleme kullanımı
Paradigm changing in the diagnosis of prostate cancer: Multiparametric magnetic resonance imaging usage
SÜLEYMAN ÖNER
Tıpta Uzmanlık
Türkçe
2018
ÜrolojiOndokuz Mayıs ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. YAKUP BOSTANCI