Moleküler patoloji tetkiklerinde tümör yüzdesi belirlemede yapay zekâ tabanlı dijital patoloji algoritması geliştirilmesi
Development of an artificial intelligence-based digital pathology algorithm for determining tumor percentage in molecular pathology examinations
- Tez No: 937239
- Danışmanlar: PROF. DR. ASİYE IŞIN DOĞAN EKİCİ
- Tez Türü: Tıpta Uzmanlık
- Konular: Mühendislik Bilimleri, Patoloji, Engineering Sciences, Pathology
- Anahtar Kelimeler: Dijital patoloji, Makine öğrenmesi, Moleküler Patoloji, Rassal orman, Tüm lam görüntü, Tümör hücre yüzdesi, Yapay zekâ, Digital pathology, Machine learning, Molecular pathology, Random forest, Whole slide image, Tumor cell percentage, Artificial intelligence
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Acıbadem Mehmet Ali Aydınlar Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Tıbbi Patoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Amaç: Moleküler patolojideki birçok test için önemli bir preanalitik bileşen olan tümör hücre yüzdesinin hesaplanması, genellikle patoloğun tümör dokusu içeren lamları gözden geçirerek yaklaşık bir oran vermesi ile yapılır. Bu semikantitatif yaklaşım, hem patologlar içerisinde gözlemciler arası uyumsuzluğa sebep olabilmekte hem de hatalı değerlendirmelere açık olması sebebiyle test sonuçlarının yorumlanmasında hastanın tanı ve tedavisini önemli yönde etkileyecek düzeyde olumsuzluklara sebep olabilmektedir. Patolojide dijitalizasyonun ve yapay zekâ uygulamalarının gittikçe daha fazla benimsendiği günümüzde, nükleer tespit, bölütleme ve sınıflama yöntemleri, bu problem de dahil olmak üzere çok sayıda amaçla kullanılmaktadır. Bu çalışma söz konusu sürece katkı sağlamak için, tümör hücre yüzdesinin otomatize hesaplanmasına yönelik bir model geliştirme çalışmasıdır. Yöntem: Çalışmada malign tümör olarak uterin seröz karsinom ve ekstrauterin pelvik yüksek dereceli seröz karsinom seçilmiştir. Bu tanının verildiği olgulara ait tümörlü dokular (n=100); eğitim (n=40), validasyon (n=40) ve test (n=20) gruplarına bölünmüştür. Hastalara ait seçili lamlar Aperio-Leica GT 450 DX cihazı ile dijitalize edildikten sonra, QuPath uygulama platformunda eğitim ve validasyon setlerini oluşturmak için görüntü örnekleri seçilerek, bu setleri oluşturmak üzere birleştirilmiştir. Sonrasında StarDist yazılımı kullanılarak nükleer tespit ve bölütleme yapılmış, tümör ve tümör dışı hücre nükleusları anotasyonlar ile sınıflandırılmıştır. Sınıflamanın öğretildiği rassal orman (random forest) algoritmasının hiperparametreleri ayarlanarak, çapraz validasyon eşliğinde ve hata matrisi ilişkili metrikler doğrultusunda en uygun bulunan model test örneklerindeki tüm lam görüntülerde denenmiştir. Referans standart, p53 ve PAX8 immünohistokimya çalışmaları yapılmış tümörlü dokularda, kahverengi çekirdek sayısının oranı olarak belirlenmiş ve modelin tahminleri referans standart ile kıyaslanarak, ortalama mutlak hata (MAE), ortalama mutlak yüzde hatası (MAPE) gibi metriklerle başarısı ölçülmüştür. Sonuçlar: Bu çalışma, seröz karsinomlarda WSI düzeyinde bir nükleer sınıflamanın yapıldığı ilk yapay zekâ çalışmasıdır. Seçilen model eğitim setinde %87, validasyon setinde %83 doğruluğa sahiptir. Test lamlarındaki başarı metrikleri ise MAE=%11 (%0,36 - %35) ve MAPE=%41,8 (%1,32 - %175) olarak hesaplanmıştır. Öncelikli hata kaynakları arasında eğitim ve validasyon setlerinin görece küçüklüğü, doku takip prosedüründeki farklılıklar ve dijital artefaktlar gözlenmiştir. Çıkarımlar: Mevcut modelin test lamlarındaki başarısında gözlenen farklılıklar, güvenilir bir yöntem olarak kullanmak için, konu üzerindeki çalışmaların artırılması gerektiğini göstermiştir. Ayrıca nükleer ölçümlerin farklı hücre tiplerinde gösterdikleri anlamlı farklılıklar, dijital patolojide hâkim olan ikili sınıflama yaklaşımının güvenilirliğini sorgulatmıştır.
Özet (Çeviri)
Objective: The calculation of tumor cell percentage, a critical pre-analytical component for many tests in molecular pathology, is typically performed by pathologists who review slides containing tumor tissue and provide an estimated ratio. This semi-quantitative approach can lead to inter-observer variability among pathologists and is susceptible to misinterpretation, potentially adversely affecting patient diagnosis and treatment outcomes. As digitalization and artificial intelligence applications are increasingly adopted in pathology, nuclear detection, segmentation, and classification methods are being utilized for various purposes, including addressing this issue. This study aims to contribute to this process by developing a model for automated calculation of tumor cell percentage. Method: The study selected uterine serous carcinoma and extrauterine pelvic high-grade serous carcinoma as malignant tumors. Tumor tissues from cases with these diagnoses (n=100) were divided into training (n=40), validation (n=40), and test (n=20) groups. After digitizing selected slides from these patients using the Aperio-Leica GT 450 DX device, image samples were selected on the QuPath application platform to create the training and validation sets. Subsequently, nuclear detection and segmentation were performed using the StarDist software, and tumor and non-tumor cell nuclei were classified using annotations. The hyperparameters of the random forest algorithm, which was trained for classification, were adjusted and the most suitable model was tested on all slide images in the test set, accompanied by cross-validation and evaluated using metrics related to confusion matrix. The reference standard was defined as the ratio of brown nuclei in tumor tissues subjected to p53 and PAX8 immunohistochemistry studies, and the model's predictions were compared to the reference standard, with performance measured using metrics such as mean absolute error (MAE) and mean absolute percentage error (MAPE). Results: This study is the first artificial intelligence study to perform nuclear classification at the whole slide image (WSI) level in serous carcinomas. The selected model achieved an accuracy of 87% in the training set and 83% in the validation set. The success metrics in the test slides were calculated as MAE=7.9% (range 0.36% - 35%) and MAPE=41.8% (range 1.32% - 175%). The primary sources of error included the relatively small size of the training and validation sets, variations in tissue processing procedures, and digital artifacts. Conclusions: The observed variations in the model's performance on test slides indicate the need for further research to establish a reliable method. Additionally, the significant differences in nuclear measurements across different cell types question the reliability of the prevalent binary classification approach in digital pathology.
Benzer Tezler
- Wilms tümörlerinde prognostik öneme sahip yolakların araştırılması
Investigation of pathways of prognostic importance in Wilms tumors
ELİF OCAK GEDİK
Tıpta Uzmanlık
Türkçe
2023
PatolojiAkdeniz ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
DOÇ. DR. HAVVA SERAP TORU
- Metastatik akciğer adenokarsinomu tanısı olan hastalarda sürücü mutasyon varlığı ile metastaz yeri arasındaki ilişkinin incelenmesi
Investigation of the relationship between the presence of a driver mutation and the site of metastasis in patients which had been diagnosed as metastatic LUNG adenocarcinoma
BÜŞRA AKMAN
Tıpta Uzmanlık
Türkçe
2023
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları ve Tüberküloz Ana Bilim Dalı
DOÇ. DR. SELAHATTİN ÖZTAŞ
DR. AKIN ÖZTÜRK
- Meme kanseri tanısı olan ve opere edilen hastalarda lenfovasküler/perinöral invazyon varlığının prognoza etkisinin incelenmesi
Investigation of the effect of the presence of lymphovascular/perineural invasion on prognosis in patients diagnosed with breast cancer and operated on
MAHMUT SAMİ GÜNEY
Tıpta Uzmanlık
Türkçe
2025
Genel CerrahiSağlık Bilimleri ÜniversitesiGenel Cerrahi Ana Bilim Dalı
PROF. DR. HANDE KÖKSAL
- Akciğer adenokanseri tanılı gen mutant (EGFR, ALK, ROS1 GEN MUT) hastaların mutasyonu olmayan hastalarla radyolojik olarak karşılaştırılması
CT features of mutated non-small lung carcinoma of the lung: Comparison with non-mutated non-small lung carcinoma
AGAH BARAN
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. PINAR BALCI
- Mitokondriyal hastalık tanılı hastalarda klinik ve laboratuvar bulguların değerlendirilmesi ile prognozun belirlenmesi
Determination of prognosis by evaluating clinical and laboratory findings in patients diagnosed with mitochondrial disease
FATMA BEYZA KARSLIOĞLU
Tıpta Uzmanlık
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. MELİKE ERSOY