Prostat manyetik rezonans görüntülemesinden derin öğrenme tabanlı yapay zeka algoritması ile elde edilen radyomiks parametrelerinin prostat kanseri metastazlarını öngörmedeki başarısının araştırılması
Deep learning–based artificial intelligence radiomics from prostate magnetic resonance imaging for predicting prostate cancer metastases
- Tez No: 955245
- Danışmanlar: PROF. DR. ALİ DEVRİM KARAOSMANOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Lenfatik metastazlar, Neoplazm metastazları, İnsan-yapay zeka etkileşimi, Lymphatic metastasis, Neoplasm metastasis, Human-artificial intelligence interaction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Prostat kanseri (PKa), erkeklerde en sık görülen malignitelerden biri olup, dünya genelinde erkeklerde kansere bağlı ölümlerin ikinci önde gelen nedenidir. PKa hastalarının prognozunda ve tedavi kararında lokal veya uzak lenf nodu metastazlarının yanı sıra visseral ve kemik metastazlarının varlığı oldukça önemlidir. Çalışmalar, metastatik prostat kanseri olan hastalar için 5 yıllık genel sağkalım oranının yalnızca %29 olduğunu göstermekte ve bu durum, hastalığın ileri evrelerinin etkili tedavisinde karşılaşılan zorlukları vurgulamaktadır. Son yıllarda radyomiks, prostat kanserinde hastalığın ve metastazlarının erken tanısında, hastalık prognozunun belirlenmesinde, uygun tedavi yönteminin seçilmesinde ve tedavi yanıtının değerlendirilmesinde önemli bir araştırma alanı olarak öne çıkmıştır. Özellikle hastalık prognozunu belirlemede oldukça önemli olan metastaz varlığı değerlendirilmesinde geleneksel ya da derin öğrenme tabanlı radyomiks algoritmaları sıklıkla kullanılmıştır. Bu çalışmada amacımız, prostat manyetik rezonans görüntülemesi (MRG) olan hastalarda 3 farklı seriden (difüzyon ağırlıklı görüntüler (DAG), görünür difüzyon katsayısı (ADC) ve T2 ağırlıklı görüntüler (AG)) elde olunan derin öğrenme tabanlı yapay zekâ algoritması ile elde edilen radyomiks modellerinin prostat kanseri metastazlarını öngörme başarısını araştırmaktır. Hastanemizde prostat MR görüntüleri mevcut olan toplam 300 hastalık primer kohort ile çalışma gerçekleştirilmiş olup derin öğrenme tabanlı yapay zeka algoritması (3D U-Net) ile prostat glandı segmentasyonu (N=298), yapay zeka tarafından belirlenen indeks lezyonun segmentasyonu (N=270) ve bu iki modelin kombinasyonu ile oluşturulmuş kombine model (N=270) olmak üzere toplam 9 farklı radyomiks modeli ile pelvik lenf nodu, kemik metastazları ve uzak metastazların (uzak lenf nodu, visseral metastaz) öngörülebilirliği araştırılmıştır. Hasta kohortu eğitim seti (%70) ve test seti (%30) olarak ayrılmış olup internal validasyon için eğitim sürecinde 5 katlı çapraz doğrulama kullanılmıştır. Prostat glandı otomatik segmentasyonu için T2AG, indeks lezyon segmentasyonu için T2AG, DAG ve ADC haritaları kullanılmıştır. Derin öğrenme algoritması ile herhangi bir ön-işleme basamağı uygulanmadan elde olunan önemlilik katsayısı<0.000 dışındaki tüm radyomiks özellikleri dikkate alınmıştır. Derin öğrenme tabanlı yapay zekâ algoritması ile oluşturulan radyomiks modelleri makine öğrenmesi algoritmalarından XGBoost kullanılarak elde edilmiştir. Radyomiks analizi için, eğitim ve test veri setleri için Area Under Reciever Operating Curve (AUROC) eğrileri ve eğri altında kalan alan (Area Under the Curve-AUC) değerleri incelenmiş olup 9 farklı modelin performansı değerlendirilmiştir. Hastaların yaş, PSA değeri, PI-RADS skoru ve biyopsi Gleason skoru arttıkça metastaz görülme ihtimali artmaktadır (p<0.05). Lenf nodu metastazlarını öngörmede kombine radyomiks modeli en başarılı model olarak bulunmuştur (AUC:0.79). Prostat glandı segmentasyonuna dayalı radyomiks modeli (AUC: 0.78), indeks lezyonun segmentasyonuna dayalı modelden (AUC: 0.75) daha başarılı bulunmuştur. Sonuç olarak prostat glandının iç yapı özelliklerinin lenf nodu metastazlarının belirlenmesindeki önemi çalışmamızda vurgulanmıştır. Kemik metastazlarının tahmininde indeks lezyon segmentasyonuna dayalı radyomiks modeli en başarılı model olarak bulunmuş olup (AUC:0.87) özellikle indeks lezyonun uzun boyutu metastaz öngörüsünde yardımcı olabilmektedir. Uzak metastazların tahmininde kemik metastazlarını öngören modellerde olduğu gibi burada da indeks lezyonun segmentasyonuna dayalı model en başarılı sonuçları elde etmiş (AUC: 0.72) olup indeks lezyonun kısa çapı önemli bir parametre olarak bulunmuştur. PSA değeri tüm modellerde en yüksek katsayıya sahip özelliklerden olup prostat kanseri olan hastalarda metastazları öngörmede bağımsız bir prediktif faktördür. Kemik metastazlarını öngörmede hasta yaşı önemli bir prediktif değerdir.
Özet (Çeviri)
Prostate cancer (PCa) is one of the most common malignancies in men and the second leading cause of cancer-related deaths in men worldwide. The presence of local or distant lymph node metastases, as well as visceral and bone metastases, plays a crucial role in the prognosis and treatment decisions of PCa patients. Studies indicate that the 5-year overall survival rate for patients with metastatic prostate cancer is only 29%, highlighting the challenges encountered in the effective treatment of advanced stages of the disease. In recent years, radiomics has emerged as a significant research area in the early diagnosis of prostate cancer and its metastases, determining disease prognosis, selecting appropriate treatment methods, and evaluating treatment response. Particularly in the assessment of metastasis presence, which is highly significant in determining disease prognosis, both traditional and deep learning-based radiomics algorithms have been widely utilized. The aim of this study is to investigate the success of radiomics models obtained using a deep learning-based artificial intelligence algorithm in predicting prostate cancer metastases in patients undergoing prostate magnetic resonance imaging (MRI). The study was conducted on a primary cohort of 300 patients with available prostate MR images in our hospital. Using a deep learning-based artificial intelligence algorithm (3D U-Net), prostate gland segmentation (N=298), index lesion segmentation (N=270), and a combined model created by integrating these two models (N=270) were developed, resulting in a total of nine different radiomics models. The predictive capability of these models for pelvic lymph node metastases, bone metastases, and distant metastases (distant lymph node and visceral metastases) was analyzed. The patient cohort was divided into a training set (70%) and a test set (30%), and five-fold cross-validation was used during the training process for internal validation. For automatic prostate gland segmentation, T2-weighted images (T2WI) were used, while index lesion segmentation was performed using T2WI, diffusion-weighted images (DWI), and apparent diffusion coefficient (ADC) maps. Radiomics features obtained through the deep learning algorithm were considered without any pre-processing steps, excluding those with importance weights<0.000. The radiomics models developed using deep learning-based artificial intelligence were generated using the XGBoost machine learning algorithm. Radiomics analysis was conducted by evaluating the Area Under the Receiver Operating Characteristic Curve (AUROC) values for both training and test datasets, and the performance of the nine different models was assessed. An increase in patients' age, PSA levels, PI-RADS scores, and biopsy Gleason scores was associated with a higher likelihood of metastasis (p<0.05). The combined radiomics model was identified as the most successful in predicting lymph node metastases (AUC: 0.79). The radiomics model based on prostate gland segmentation (AUC: 0.78) performed better than the model based on index lesion segmentation (AUC: 0.75). These findings emphasize the significance of internal structural characteristics of the prostate gland in detecting lymph node metastases. In predicting bone metastases, the radiomics model based on index lesion segmentation was determined to be the most successful (AUC: 0.87), with the long axis of the index lesion serving as a key predictive parameter. Similarly, in the prediction of distant metastases, the model based on index lesion segmentation yielded the best results (AUC: 0.72), with the short axis of the index lesion identified as an important predictive parameter. The PSA level emerged as the most highly important feature across all models, confirming its role as an independent predictive factor for metastases in prostate cancer patients. Additionally, patient age was found to be a significant predictive factor in forecasting bone metastases.
Benzer Tezler
- Derin öğrenme tabanlı prostat görüntülerinin segmentasyonu
Segmentation of deep learning-based prostate images
HAKAN ÖCAL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Biyopsi naif hastalarda transrektal ultrasonografi eşliğinde yapılan sistematik prostat biyopsisi sonuçlarının multiparametrik prostat manyetik rezonans görüntülemesi eşliğinde yapılan kognitif füzyon biyopsi sonuçları ile karşılaştırılması
Comparison of the results of systematic prostate biopsy guided by transrectal ultrasonography and cognitive fusion biopsy guided by multiparametric prostate magnetic resonance imaging in biopsy naive patients
ÖZGÜR ARI
Tıpta Uzmanlık
Türkçe
2022
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. MAHMUT EKREM İSLAMOĞLU
- Prostat kanseri tanısında PIRADS skorunun transrektal ultrasonografi eşliğindeki biyopsi patoloji sonucu ile korelasyonu
The correlation of PIRADS score obtained by transrectal ultrasound biopsy-pathology in the diagnosis of prostate cancer
ÖZKAN ÖZDEMİR
Tıpta Uzmanlık
Türkçe
2019
ÜrolojiSağlık Bilimleri ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. HASAN AYDIN
- Lokal evre prostat kanseri nedeni ile radikal prostatektomi uygulanan hastalarda preoperatif dönem 68GA PSMA–İ&T PET/ CT ve multiparametrik MRG verilerinin prostatektomi spesmeni ile doğrulanarak karşılaştırılması
Comparison of preoperative period 68GA PSMA–İ&T PET/ CT andmultiparametric MRİ data with prostatectomy specimenpathology in patients underwent radical prostatectomyDUE to local stage prostate cancer
ALPER ŞİMŞEK
- Synthesis of dye-conjugated PD-L1 targeted peptides for use in pet/ct in diagnosis of lung cancer
Akciğer kanseri teşhisi için PET/CT sistemlerinde kullanılacak PD-L1 proteini hedefli boya takılı peptitlerin sentezi
SAADET YEŞİLMEN
Yüksek Lisans
İngilizce
2024
Biyoteknolojiİstanbul Teknik ÜniversitesiKimya Ana Bilim Dalı
DOÇ. DR. ONUR ALPTÜRK
DR. ÖZGÜR YILMAZ