Geri Dön

Non-sirotik hastalarda BT radiomics ile karaciğer fibrozisinin prediksiyonu: Ishak fibrozis evrelerinin değerlendirilmesi

Prediction of liver fibrosis in non-cirrhotic patients using CT radiomics: Evaluation of Ishak fibrosis stages

PDF İndir

  1. Tez No: 953721
  2. Yazar: ALİ BAHADIR ÖZDEMİR
  3. Danışmanlar: DOÇ. DR. MUTLU GÜLBAY
  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 Bilimleri Üniversitesi
  10. Enstitü: Ankara Bilkent Şehir Hastanesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

AMAÇ: Karaciğer fibrozisinin evrelendirilmesi, hastalığın prognozu ve tedavi planlaması açısından kritik öneme sahiptir. Karaciğer biyopsisi, altın standart yöntem olmasına rağmen invaziv bir işlem olması, örnekleme hataları ve gözlemciye bağlı değişkenlik gibi kısıtlılıklara sahiptir. Transient elastografi ve MR elastografi gibi non-invaziv yöntemler mevcut olsa da, bu tekniklerin cihaz erişimi, maliyet ve hasta konforu açısından bazı zorlukları bulunmaktadır. Kontrastsız abdomen bilgisayarlı tomografisi (BT) yaygın olarak kullanılan, hızlı ve düşük maliyetli bir görüntüleme yöntemi olmasına karşın, fibrozis derecesinin değerlendirilmesi büyük ölçüde nitel ve okuyucuya bağlıdır. Literatürde, özellikle kontrastsız BT görüntülerinden elde edilen kapsamlı radyomiks modellerinin klinik olarak anlamlı fibrozis evrelerini ayırt etmedeki performansı üzerine sınırlı sayıda çalışma bulunmaktadır. Bu tez çalışmasının amacı, karaciğer fibrozisini non-invaziv olarak tahmin etmektir. Bu amaçla, kontrastsız BT görüntülerinden elde edilen radyomiks özellikleri ve laboratuvar değerlerini kullanan makine öğrenmesi modelleri geliştirilmiş, performansları değerlendirilmiş ve farklı algoritmalar karşılaştırılmıştır. GEREÇ VE YÖNTEM: Çalışmaya, 1 Nisan 2019-29 Şubat 2024 tarihleri arasında Ankara Bilkent Şehir Hastanesi Radyoloji Kliniği'nde karaciğer parankim biyopsisi yapılmış ve biyopsi öncesindeki son 3 ay içerisinde kontrastsız abdomen BT tetkiki olan 128 hasta retrospektif olarak dahil edildi. Hastalar, biyopsi sonucu Ishak fibrozis skorları referans alınarak hiç-hafif fibrozis (Ishak 0-1, n=54) ve orta-ileri fibrozis (Ishak 2-5, n=74) olmak üzere iki gruba ayrıldı. Karaciğer parankiminin tamamı, 3D Slicer v.5.6.0 programında Total Segmentator v2.0 aplikasyonu ile tam otomatik olarak segmente edildi ve segmentasyonlar iki ayrı okuyucu (bir radyoloji asistanı ve 21 yıllık deneyime sahip bir radyoloji uzmanı) tarafından denetlendi. Kontrastsız BT görüntülerinden Pyradiomics paketi kullanılarak birinci, ikinci ve yüksek derece radyomiks özellikleri görüntülerden çıkarıldı. LASSO (Least Absolute Shrinkage and Selection Operator) regresyon analizi ve iç içe geçmiş çapraz doğrulama (nested cross-validation) ile özellik seçimi yapılarak 20 nihai özellik belirlendi. Bu özellikler kullanılarak Lojistik Regresyon (LR) ve AdaBoost sınıflandırıcı modelleri geliştirildi. LR modeli için Bayesian Information Criterion (BIC) ile parametre sayısı 9 olarak hedeflendi. Eğitim setindeki sınıf dengesizliğini gidermek için SMOTE (Synthetic Minority Over-sampling Technique) yöntemi uygulandı. Modeller 10 katlı çapraz doğrulama ile eğitildi ve değerlendirildi. LR modelinin performansı için Hosmer-Lemeshow (HL) testi, kalibrasyon grafikleri ve Karar Eğrisi Analizi (DCA) kullanıldı. Varyans Enflasyon Faktörü (VIF) ile çoklu doğrusallık incelendi. AdaBoost modeli için özellik önemliliği permütasyon analizi ile belirlendi. Performans metrikleri olarak eğri altında kalan alan (AUC), duyarlılık, özgüllük ve doğruluk hesaplandı; güven aralıkları için 100 bootstrap örneklemesi kullanıldı. İstatistiksel anlamlılık p < 0.05 olarak kabul edildi. BULGULAR: LASSO regresyonu ile bir laboratuvar değeri (INR) dahil olmak üzere 20 radyomiks özelliği seçildi. SMOTE ile dengelenmiş veri seti üzerinde eğitilen 9 parametreli Lojistik Regresyon modelinin test seti performansı; AUC=0.774 (genel AUC=0.817), duyarlılık=%72,60, özgüllük=%72,60 ve doğruluk=%72,60 olarak saptandı. Model iyi kalibrasyon gösterdi (HL p=0,169, MAE=0,015) ve anlamlı çoklu doğrusallık saptanmadı (VIF < 3). En anlamlı parametre 'original_shape_Sphericity' idi (OR: -6,64). SMOTE ile dengelenmiş veri setinde 20 özellik kullanılarak eğitilen AdaBoost modelinin test setindeki performansı ise; AUC=0,8709 (%95 GA: 0,6694–0,9912), duyarlılık=%81,31, özgüllük=%84,27 ve doğruluk=%82,70 olarak bulundu. Öne çıkan radyomiks özellikleri arasında 'original_shape_Sphericity', 'wavelet-LHL_glszm_ZoneEntropy', 'wavelet-LLL_ngtdm_Contrast' ve 'wavelet-HLL_firstorder_Mean' yer aldı. INR, AdaBoost modelinde ikinci en önemli özellik iken, 9 parametreli LR modelinde yer almadı. LR modeli için yapılan Karar Eğrisi Analizi, %40 eşik değerinde modelin“tüm hastaları biyopsiye gönder”stratejisine kıyasla 100 hasta başına yaklaşık 12 gereksiz biyopsiyi önleyebileceğini gösterdi. SONUÇ: Çalışmamızda, kontrastsız BT tabanlı radyomiks modellerinin, özellikle AdaBoost sınıflandırıcısının, orta-ileri karaciğer fibrozisini hiç-hafif fibrozisten ayırt etmede yüksek bir performans sergilediği ortaya konmuştur. AdaBoost modeli (AUC=0,871), Lojistik Regresyon modeline (AUC=0,817) kıyasla daha üstün bir ayırt edicilik göstermiştir. Karaciğerin şekil ve doku heterojenliğini yansıtan radyomiks özellikler birincil belirleyiciler olarak öne çıkarken, INR laboratuvar değeri AdaBoost modelinin performansına katkı sağlamıştır. Bu bulgular, kontrastsız BT radyomiksinin karaciğer fibrozisi değerlendirmesinde objektif ve tekrarlanabilir bir potansiyel sunduğunu göstermekle birlikte, sonuçların klinik kullanıma genellenebilirliği için çok merkezli harici validasyon çalışmaları gereklidir. ANAHTAR KELİMELER: Karaciğer fibrozisi, kontrastsız bilgisayarlı tomografi, radyomiks, makine öğrenmesi, ishak skoru

Özet (Çeviri)

OBJECTIVE: The staging of liver fibrosis is critically important for disease prognosis and treatment planning. Although liver biopsy is the gold standard, it is an invasive procedure with limitations including sampling errors and inter-observer variability. Non-invasive methods such as transient elastography and MR elastography are available, but these techniques present challenges regarding device accessibility, cost, and patient comfort. Non-contrast abdominal computed tomography (CT) is a widely used, rapid, and relatively low-cost imaging modality; however, the assessment of fibrosis degree is largely qualitative and reader-dependent. There is a limited number of studies in the literature on the performance of comprehensive radiomics models derived from non-contrast CT images in distinguishing clinically significant fibrosis stages. This thesis aimed to evaluate the performance of machine learning models, developed using radiomics features and laboratory values from non-contrast abdominal CT images, for the non-invasive prediction of liver fibrosis and to compare different algorithms. MATERIALS AND METHODS: This retrospective study included 128 patients who underwent liver parenchyma biopsy at Ankara Bilkent City Hospital Radiology Clinic between April 1, 2019, and February 29, 2024, and had a non-contrast abdominal CT scan within the 3 months preceding the biopsy. Patients were divided into two groups based on Ishak fibrosis scores: no-mild fibrosis (Ishak 0-1, n=54) and moderate-advanced fibrosis (Ishak 2-5, n=74). The entire liver parenchyma was automatically segmented using the Total Segmentator v2.0 application in 3D Slicer v.5.6.0, and segmentations were reviewed by two readers (a radiology resident and a radiologist with 21 years of experience). First-, second-, and higher-order radiomics features were extracted from non-contrast CT images using the Pyradiomics package. Feature selection was performed using Least Absolute Shrinkage and Selection Operator (LASSO) regression analysis and nested cross-validation, yielding 20 final features. Logistic Regression (LR) and AdaBoost classifier models were developed using these features. For the LR model, the number of parameters was targeted at 9 using the Bayesian Information Criterion (BIC). The Synthetic Minority Over-sampling Technique (SMOTE) was applied to address class imbalance in the training set. Models were trained and evaluated using 10-fold cross-validation. The LR model's performance was assessed using the Hosmer-Lemeshow (HL) test, calibration plots, and Decision Curve Analysis (DCA); multicollinearity was examined using the Variance Inflation Factor (VIF). Feature importance for the AdaBoost model was determined by permutation analysis. Performance metrics, including area under the curve (AUC), sensitivity, specificity, and accuracy, were calculated; 100 bootstrap samples were used for confidence intervals. Statistical significance was set at p < 0.05. RESULTS: LASSO regression selected 20 radiomics features, including one laboratory value (INR). The 9-parameter Logistic Regression model, trained on the SMOTE-balanced dataset, achieved a test set AUC of 0.774 (overall AUC=0.817), with sensitivity, specificity, and accuracy all at 72.60%. The model demonstrated good calibration (HL p=0.169, MAE=0.015) and no significant multicollinearity (VIF < 3). The 'original_shape_Sphericity' was the most significant parameter (OR: -6.64). The AdaBoost model, trained with 20 features on the SMOTE-balanced dataset, achieved a test set AUC of 0.8709 (95% CI: 0.6694–0.9912), with sensitivity of 81.31%, specificity of 84.27%, and accuracy of 82.70%. Prominent radiomics features included 'original_shape_Sphericity', 'wavelet-LHL_glszm_ZoneEntropy', 'wavelet-LLL_ngtdm_Contrast', and 'wavelet-HLL_firstorder_Mean'. INR was the second most important feature in the AdaBoost model but was not included in the 9-parameter LR model. Decision Curve Analysis for the LR model indicated that, at a 40% threshold, the model could prevent approximately 12 unnecessary biopsies per 100 patients compared to a“biopsy all”strategy. CONCLUSION: Our study demonstrated that non-contrast CT-based radiomics models, particularly the AdaBoost classifier, exhibited high performance in distinguishing moderate-advanced liver fibrosis from no-mild fibrosis. The AdaBoost model (AUC=0.871) showed superior discrimination compared to the Logistic Regression model (AUC=0.817). Radiomics features reflecting liver shape and tissue heterogeneity emerged as primary predictors, while the laboratory value INR contributed to the AdaBoost model's performance. These findings suggest that non-contrast CT radiomics offers an objective and reproducible potential in assessing liver fibrosis; however, multicenter external validation studies are necessary to confirm the generalizability of these results for clinical use. KEYWORDS: Liver fibrosis, non-contrast computed tomography, radiomics, machine learning, ishak score

Benzer Tezler

  1. Tez No

    792366

    Sirotik hastalarda hepatoselüler karsinom taramasına uyum ve tanı yöntemlerinin etkinliği

    Adherence to hepatocellular carcinoma screening in cirrhotic patients and efficiency of diagnostic methods

    ÜMİT YAVUZ KELEŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    GastroenterolojiKaradeniz Teknik Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. SAMİ FİDAN

  2. Tez No

    377072

    BT ya da MRG ile karaciğerde lezyon saptanan hastalarda primovistin ayırıcı tanıya katkısı

    Contribute to the differential diagnosis of liver lesions BY CT or mri in patients with primovist

    CELİL YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer TıpGaziantep Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    DOÇ. DR. AHMET METE

  3. Tez No

    728584

    Mide kanseri nedeniyle opere edilen non-sirotik hastalarda perioperatif komplikasyonların öngörülmesinde MELD-Na skorunun önemi

    The importance of MELD-Na score in prediction of perioperative complications in non-cirotic patients operated due to stomach cancer

    ÖMER AKAY

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Genel CerrahiSağlık Bilimleri Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DOÇ. DR. CİHAD TATAR

  4. Tez No

    369991

    Sirotik hastalardaki adrenal korteks yetersizliğinin hepatosellüler yetersizlik veya portal hipertansiyon ile ilişkisinin araştırılması

    Investigation of relationship of hepatocellular failure or portal hypertension between adrenal failure in cirrhotic patients

    ERKAN ÖZCAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Gastroenterolojiİstanbul Üniversitesi

    Dahili Tıp Bilimleri Bölümü

    PROF. DR. ÇETİN KARACA

  5. Tez No

    905731

    Üç yıldan uzun süredir nükleoz(T)ID analoğu ile tedavi altında olan HBeAg negatif kronik hepatit B hastalarında tedavinin sonlandırılmasının HBsAg negatifleşmesi üzerine etkisi

    The effect of treatment discontinuation on HBsAg negativity in HBeAg-negative chronic hepatitis B patients treated with nucleos(T)ID analogue for more than three years

    AYDENİZ ŞENOL YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Enfeksiyon Hastalıkları ve Klinik Mikrobiyolojiİzmir Katip Çelebi Üniversitesi

    Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji Ana Bilim Dalı

    DOÇ. DR. NESRİN TÜRKER

Geri Dön