Geri Dön

Meme kanserli hastalarda neoadjuvan tedaviye yanıtın, tedavi öncesi ve sonrası dinamik meme manyetik rezonans görüntüleme (MRG) kullanılarak derin öğrenme modeli yapay zeka desteği ile değerlendirilmesi ve radyolog bakısı ile kıyaslanması

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 950008
  2. Yazar: SERHAT DEGER
  3. Danışmanlar: PROF. DR. ZEHRA HİLAL ADIBELLİ, UZMAN AHMET BOZER
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bakanlığı
  10. Enstitü: İzmir Şehir Hastanesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

ÖZET Giriş: Meme kanserli hastalarda neoadjuvan kemoterapi (NAK) hastanın klinik evrelemesine göre yapılan tedavi seçeneklerinden biridir. NAK alan hastada tedaviye yanıtı değerlendirme hastanın gelecek tedavi planlamaları açısından oldukça önemlidir. Manyetik rezonans (MR) görüntülemeleri ile elde ettiğimiz yanıtla patolojik yanıt arasındaki uyumu artırmak alternatif tedavi seçeneklerini değerlendirmede oldukça etkili olabilir. Amaç: Meme kanserli hastaların tedavi öncesi ve sonrası MR görüntülemeleri ile patolojik yanıtı öngörmede derin öğrenme bazlı yapay zeka modelinin etkinliğini araştırmayı ve radyolog bakısı ile kıyaslamayı amaçlamaktayız. Gereç ve yöntem: Hastanemizde 2018-2022 yılları arasında NAK alan ve opere olan hastalar çalışmaya dahil edildi. Tedavi öncesi ve sonrası MR görüntülerinde T2 ağırlıklı görüntüleme (T2AG), difüzyon ağırlıklı görüntüleme (DAG) ve 3. dk post kontrast T1 ağırlıklı görüntüleme (T1AG) sekansları kullanıldı. Derin öğrenme modelli yapay zeka algoritması ile eğitim, doğrulama ve test aşamaları ile patolojik yanıtı ön görme analizleri yapıldı. 2 radyolog (gözlemci A ve B) tarafından kör bir şekilde MR görüntülemeleri ışığında patolojik yanıt tahmini yapıldı. Hastaların tedaviye yanıtları ile östrojen reseptörü (ER), progesteron reseptörü (PR), c-erb-B2, Ki-67 ve metastatik lenf nodu varlığı arasındaki ilişkileri analiz edildi. Verilerin analizi SPSS Statistics 26 programı ile yapıldı. Tam yanıt değerlendirmesi, radyolojik ve patolojik (altın standart) olarak çaprazlandı. Tanısal test değerleri (sensitivite, spesifite vb.) %95 güven aralığı (CI) ile hesaplandı. Bağımlı kategorik değişkenlerde McNemar testi uygulandı, Cohen Kappa uyum katsayıları hesaplandı. Bulgular: Yapay zeka algoritmasının patolojik tam yanıtı değerlendirdiği test verilerinde, AUC (eğri altında kalan alan) 0.854 (0.661-0.961), doğruluk %85 (65-96) ve negatif prediktif değer %94 (70-99) olarak hesaplandı. Gözlemci A'da AUC 0.660 (0.449-0.832), doğruluk %77 (56-91) ve negatif prediktif değer %77 (66-86); gözlemci B'de AUC 0.569 (0.362-0.760), doğruluk 69% (48-86) ve negatif prediktif değer %73 (63-80) olarak hesaplandı. ER negatifliği, PR negatifliği, c-erb-B2 pozitifliği, yüksek Ki-67 değerleri (%50) ile patolojik tam yanıt görülme olasılığının arttığı saptanmıştır(p değerleri sırasıyla

Özet (Çeviri)

ABSTRACT Introduction: Neoadjuvant chemotherapy (NAC) is one of the treatment options available for patients with breast cancer, determined according to the clinical staging of the disease. Assessing the response to NAC is crucial for future treatment planning. The alignment between the response evaluated through Magnetic Resonance Imaging (MRI) and the pathological response can significantly aid in the assessment of alternative treatment options. Objective: This study aims to investigate the efficacy of a deep learning-based artificial intelligence model in predicting the pathological response of breast cancer patients based on pre- and post-treatment MRI and to compare these predictions with radiologist assessments. Materials and Methods: Patients who underwent NAC and subsequent surgery at our hospital between 2018 and 2022 were included in the study. Pre- and post-treatment MRI images were obtained using T2-weighted imaging, diffusion-weighted images and post-contrast T1-weighted imaging at 3 minutes. The deep learning-based artificial intelligence algorithm was employed for training, validation, and testing phases to analyze the prediction of pathological response. Two radiologists (observer A and B) performed blinded assessments of the MRI scans to predict the pathological response. The relationship between the patients' treatment responses and factors such as estrogen receptor (ER), progesterone receptor (PR), c-erb-B2, Ki-67, and the presence of metastatic lymph nodes was analyzed. Data analysis was conducted using SPSS Statistics 26. The agreement between radiological and pathological response evaluations was assessed using diagnostic test values (sensitivity, specificity, etc.) with a 95% confidence interval. McNemar's test was applied for dependent categorical variables, and Cohen's Kappa coefficient was calculated. Results: The artificial intelligence algorithm demonstrated an area under the curve (AUC) of 0.854 for predicting pathological complete response in test data, with an accuracy of 85% and a negative predictive value of 94%. Observer A yielded an AUC of 0.660, with an accuracy of 77% and a negative predictive value of 77%, while Observer B yielded an AUC of 0.569, with an accuracy of 69% and a negative predictive value of 73%.It was found that the likelihood of achieving pathological complete response increased with ER negativity, PR negativity, c-erb-B2 positivity, and high Ki-67 values (>50%)(p-values:

Benzer Tezler

  1. Tez No

    833980

    Meme kanseri hastalarında neodjuvan tedaviye yanıtı öngörmede serum adipokinlerinin rolü

    The role of serum adipokines in predicting response to neoadjuvant therapy in breast cancer patients

    İSHAK YILDIZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Genel CerrahiSağlık Bilimleri Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    PROF. DR. MERT MAHSUNİ SEVİNÇ

  2. Tez No

    633134

    Neoadjuvan tedavi almış meme kanserli olguların tedaviye yanıtının radyolojik ve histopatolojik olarak değerlendirilmesi

    Evaluation of radiological and histopathological response after neoadjuvant chemotherapy on breast cancer patients

    AHMET YUSUF SERDAROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Genel Cerrahiİstanbul Medeniyet Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    PROF. DR. ORHAN ALİMOĞLU

  3. Tez No

    883872

    Meme kanserli hastalarda neoadjuvan kemoterapi sonrası mr incelemede radyolojik ve patolojik yanıtın karşılaştırılması ve patolojik yanıtı etkileyen olası parametreler açısından tedavi öncesi MR inceleme ile değerlendirilmesi

    Comparison of radiological and pathological response in breast cancer patients after neoadjuvant chemotherapy on mr imaging and evaluation of pre-treatment MR for potential parameters influencing pathological response

    MUSTAFA ENES MISIR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpAcıbadem Mehmet Ali Aydınlar Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. MUSTAFA ERKİN ARIBAL

  4. Tez No

    369982

    Neoadjuvan kemoterapi uygulanan meme kanserli hastalarda PET/BT ile tedavi yanıtının değerlendirilmesi

    Response assessment with PET/CT in breast cancer patients treated with neoadjuvant chemotherapy

    MEHMET FATİH GEÇER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Onkolojiİstanbul Üniversitesi

    Dahili Tıp Bilimleri Bölümü

    PROF. DR. AYŞE MUDUN

  5. Tez No

    931529

    Neoadjuvan kemoterapi alan meme kanseri hastalarında inflamatuar ve nutrisyonel parametrelerle patolojik tam yanıtın ilişkisi

    Relationship between inflammatory and nutritional parameters and pathological complete response in breast cancer patients receiving neoadjuvant chemotherapy

    ALİ CAN MEMİŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    OnkolojiSağlık Bilimleri Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. KADEM ARSLAN

Geri Dön