Geri Dön

Lokal ileri rektum kanseri hastalarında bilgisayarlı tomografi tabanlı öğrenme metodu ile metastaz riskinin yapay zeka destekli belirlenmesi

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 941359
  2. Yazar: TAYFUN ÇAĞRI HIDIMOĞLU
  3. Danışmanlar: DOÇ. DR. FATMA SERT
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyasyon Onkolojisi, Radiation Oncology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
  12. Bilim Dalı: Radyasyon Onkolojisi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş: Kolorektal kanserler dünyada en sık görülen 4. kanserdir. Neoadjuvan kemoradyoterapi (KRT), tümör boyutunu küçülterek lokal kontrolü arttırır ve cerrahi morbiditeyi azaltır. Son yıllarda derin öğrenme ve benzeri yapay zekâ (YZ) yaklaşımları, klinik ve patolojik değişkenleri bir arada değerlendirerek daha isabetli öngörüler sunma potansiyeli ile dikkat çekmektedir. Bu çalışma, lokal ileri rektum kanserinde neoadjuvan KRT sonrasında yapay zeka modelleri ile hastalığın metastaz yapma ve yapmama riskini tanımlamaktadır. Bu sayede sistemik hastalık riski yüksek olgularda tedavi kararına yardımcı olmaktır. Amaç: Bu çalışmanın birincil amacı, lokal ileri rektum kanserli hastalarda neoadjuvan KRT'yi takiben metastaz öngörüsünü değerlendirmek üzere geliştirilen iki derin öğrenme modelinden (Sigmoid tabanlı ve ReLU tabanlı) yararlanılarak sistemik hastalık riskini öngörmektir. İkincil amaç ise retrospektif olarak bağımlı ve bağımsız prognostik faktörlerin değerlendirilmesidir. Yöntemler: Tek merkezde retrospektif tasarımla yürütülen bu araştırmaya, klinik evresi T3–T4 veya nod-pozitif rektum kanseri tanısı konan ve neoadjuvan KRT sonrasında cerrahi rezeksiyon uygulanan hastalar dâhil edilmiştir. Hastalara ait klinik, radyolojik ve patolojik veriler (PNI ve pCR dâhil) kaydedilmiştir. Sigmoid aktivasyon fonksiyonuna sahip bir derin öğrenme ağı ile ReLU tabanlı bir model, metastaz riski öngörüsü için eğitilmiştir. Alıcı İşletim Karakteristiği (ROC) analizi ile modellerin performansı değerlendirildikten sonra en iyi kesim noktası Youden indeksiyle belirlenmiş, duyarlılık, özgüllük ve doğruluk oranları hesaplanmıştır. İstatistiksel anlamlılık düzeyi p<0,05 kabul edilmiştir. Bulgular: Çalışmaya alınan toplam hasta sayısı (n=XXX) üzerinden yapılan analizde, Sigmoid modelinin AUC değeri 0,81 olarak tespit edilmiş ve bu modelin metastatik olayları saptamada daha yüksek duyarlılığa sahip olduğu gözlenmiştir. ReLU tabanlı modelin AUC değeri 0,79 olup, özgüllük açısından bir miktar daha iyi performans sergilemiştir. PNI pozitif hastalarda uzak metastaz oranı belirgin şekilde artarken, pCR elde eden olgularda hem metastaz hem de lokal nüks oranları anlamlı ölçüde düşüktür. PNI ve pCR gibi parametrelerin dahil edilmesi, her iki modelin risk sınıflandırmasını daha isabetli kıldığı gözlemlenmiştir. Sonuç: Neoadjuvan KRT uygulanan lokal ileri rektum kanseri hastalarında derin öğrenme temelli modeller, metastaz gelişimi ve patolojik yanıt hakkında değerli öngörüler sunmaktadır. Sigmoid model, yüksek riskli hastaları kaçırmama açısından avantaj sağlarken, ReLU modeli yalancı pozitif oranını azaltma potansiyeline sahiptir. PNI ve pCR verilerinin bu modellere entegre edilmesi, prognostik tahmin gücünü belirgin biçimde artırmaktadır. Bulguların daha geniş hasta popülasyonlarında tekrarlanması için çok merkezli ve prospektif çalışmalara ihtiyaç duyulmaktadır. Anahtar Kelimeler (MeSH): Rektum Neoplazmları, Neoadjuvan Tedavi, Makine Öğrenimi, Prognoz, Perinöral İnvazyon

Özet (Çeviri)

Introduction: Colorectal cancer is the fourth most common cancer worldwide. Neoadjuvant chemoradiotherapy (CRT) enhances local control by reducing tumor size and decreases surgical morbidity. In recent years, deep learning and similar artificial intelligence (AI) approaches have gained attention for their potential to provide more accurate predictions by evaluating clinical and pathological variables together. This study aims to identify the risk of metastasis in locally advanced rectal cancer patients following neoadjuvant CRT using AI models, thereby assisting in treatment decisions for cases with a high risk of systemic disease. Objective: The primary objective of this study is to predict the risk of systemic disease using two deep learning models (Sigmoid-based and ReLU-based) developed to assess metastasis prediction in patients with locally advanced rectal cancer following neoadjuvant CRT. The secondary objective is to retrospectively evaluate dependent and independent prognostic factors. Methods: This retrospective, single-center study included patients diagnosed with T3–T4 or node-positive rectal cancer who underwent surgical resection following neoadjuvant CRT. Clinical, radiological, and pathological data (including PNI and pCR) were recorded. A deep learning network with a Sigmoid activation function and a ReLU-based model were trained to predict the risk of metastasis. The performance of the models was evaluated using Receiver Operating Characteristic (ROC) analysis, and the optimal cutoff point was determined using the Youden index. Sensitivity, specificity, and accuracy rates were calculated, with statistical significance set at p<0.05. Results: Analysis of the total patient cohort (n=XXX) showed that the Sigmoid model had an AUC value of 0.81 and exhibited higher sensitivity in detecting metastatic events. The ReLU-based model had an AUC value of 0.79 and performed slightly better in terms of specificity. Patients with positive PNI had significantly higher rates of distant metastasis, whereas cases achieving pCR showed markedly lower rates of both metastasis and local recurrence. The inclusion of parameters such as PNI and pCR improved the accuracy of risk stratification in both models. Conclusion: Deep learning-based models provide valuable insights into metastasis development and pathological response in patients with locally advanced rectal cancer treated with neoadjuvant CRT. The Sigmoid model is advantageous in minimizing the risk of missing high-risk patients, whereas the ReLU model has the potential to reduce false-positive rates. Integrating PNI and pCR data into these models significantly enhances prognostic predictive power. Further multicenter and prospective studies are needed to validate these findings in larger patient populations. Keywords (MeSH): Rectal Neoplasms, Neoadjuvant Therapy, Deep Learning, Prognosis, Perineural Invasion

Benzer Tezler

  1. Tez No

    8

    Eksternal etmoidektomiler

    Başlık çevirisi yok

    ERCÜMENT AKMAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1987

    Kulak Burun ve BoğazGazi Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    PROF.DR. NECMETTİN AKYILDIZ

  2. Tez No

    9

    İlkokul çağı erkek çocuklarında inmemiş testis anomalisi ve insidansı

    The anomaly and incidence of cryptorchidism in primary school boys

    SERDAR SEZGİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1986

    ÜrolojiGazi Üniversitesi

    Üroloji Ana Bilim Dalı

  3. Tez No

    319

    Sanayi politikaları ve planlı dönemde imalat sanayine etkileri

    Başlık çevirisi yok

    AHMET CAFOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    EkonomiGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YALÇIN EROL

  4. Tez No

    236

    Adana ili, turunçgil toptan fiyatlarının analizi

    Başlık çevirisi yok

    USULET ÖZTUNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    1987

    ZiraatÇukurova Üniversitesi

    Tarım Ekonomisi Ana Bilim Dalı

    DOÇ. DR. OĞUZ YURDAKUL

  5. Tez No

    299

    Bornova ekolojik koşullarında bazı haşhaş çeşitlerinin verim ve kaliteleri üzerinde araştırmalar

    The Investigations on the yield and qualities of some popy vasied Bornova ecological conditions

    HAMDİ AYGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    ZiraatEge Üniversitesi

    Tarla Bitkileri Ana Bilim Dalı

    PROF. DR. ŞÜKRÜ HAZIM EMİROĞLU

Geri Dön