Geri Dön

Makine öğrenmesi yöntemleriyle kolorektal kanserin moleküler, patolojik, klinik ve prognostik özelliklerinin incelenmesi

Machine learning methods to evaluate molecular, pathological, clinical and prognostic features of colorectal cancer

PDF İndir

  1. Tez No: 957866
  2. Yazar: CEM ŞİMŞEK
  3. Danışmanlar: PROF. DR. DERYA KARAKOÇ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Gastroenteroloji, Onkoloji, Computer Engineering and Computer Science and Control, Gastroenterology, Oncology
  6. Anahtar Kelimeler: Prekanseröz durumlar, Precancerous conditions
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Dahili ve Cerrahi Araştırmalar Ana Bilim Dalı
  12. Bilim Dalı: Temel Cerrahi Araştırmalar Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş: Kolorektal kanserin erken tanısı ve bireyselleştirilmiş yönetimi, belirsiz gastrointestinal semptomların tanıda gecikmeye yol açması nedeniyle hâlen önemli bir klinik gereksinimdir. Alana özgü bir transformatör dil modeli (ALLM) ile çoklu ağaç tabanlı algoritmaları birleştirerek KRK taraması, tanısı ve prognozuna yönelik özgün bir ensemble çerçeve geliştirmek ve değerlendirmek. Yöntem: ALLM, 830 serbest metin hasta öyküsünden (330 gerçek, 500 sentetik) yapılandırılmış özellikler çıkarmak üzere ince ayarlandı. Çıkarılan değişkenler iki alt hatta aktarıldı: (i) semptomatik hastalarda kolonoskopi gereksinimini belirleyen bir XGBoost sınıflandırıcısı; (ii) 630 evre II–III KRK olgusunda 24, 36 ve 48 ay genel (OS) ve hastalıksız sağkalımı (DFS) öngören LightGBM, XGBoost, DeepSurv ve DeepHit modelleri. Performans, 10 kat çapraz doğrulama ile değerlendirildi. Bulgular: ALLM, anahtar özellik çıkarımında ortalama F1 skoru 0,92 elde etti. Kolonoskopi sınıflayıcısı AUROC = 0,85 (95 % GA 0,78–0,92) sağladı; albümin, yaş, ferritin ve semptom süresi en etkili değişkenlerdi. Sağkalım tahmininde LightGBM 24, 36 ve 48 ay OS için sırasıyla C-indeks = 0,75; 0,73; 0,71 değerleriyle en iyi performansı sergiledi ve tüm modeller geleneksel yalnız-TNM risk tahminini geride bıraktı. Sonuç: Alana özgü büyük dil modeli temelli özellik çıkarımı ile yorumlanabilir gradyan artırmalı ağaç modellerinin entegrasyonu, erken evre KRK'de daha doğru triyaj ve prognoz öngörüsü için ölçeklenebilir bir yol sunmaktadır. Çok merkezli prospektif çalışmaların yanı sıra görüntüleme ve genomik verilerin dâhil edilmesi, bu modüler çerçevenin geçerliliğini pekiştirecektir.

Özet (Çeviri)

Background: Early identification and individualized management of colorectal cancer (CRC) remain unmet needs, particularly in patients whose vague gastrointestinal symptoms often delay diagnosis. We present and evaluate a proof-of-concept ensemble framework that fuses a gastroenterology-specific transformer language model (“ALLM”) with multiple tree-based algorithms to streamline CRC screening, diagnosis and prognostication. Methods: ALLM was first fine-tuned to extract structured clinical features from 830 free-text histories (330 real, 500 synthetic). Extracted variables fed two downstream pipelines: (i) an XGBoost classifier that flags symptomatic patients who warrant colonoscopy; and (ii) a prognostic suite (LightGBM, XGBoost, DeepSurv, DeepHit) trained on 630 stage II–III CRC cases to predict overall (OS) and disease-free survival (DFS) at 24, 36 and 48 months. Model performance was assessed with 10-fold crossvalidation. Results: ALLM achieved a mean F1-score of 0.92 for key-feature extraction. The colonoscopy classifier reached an AUROC of 0.85 (95 % CI 0.78-0.92), with albumin, age, ferritin and symptom duration as the most influential predictors. For survival prediction, LightGBM consistently out-performed comparators, yielding C-indices of 0.75, 0.73 and 0.71 for OS at 24, 36 and 48 months, respectively, and comparable DFS values. All treebased models surpassed traditional TNM-only risk estimates. Conclusion: Integrating domain-tuned large-language-model feature extraction with interpretable gradient-boosting ensembles offers a scalable route to more accurate triage and outcome prediction in early-stage CRC. Prospective multi-centre studies and incorporation of imaging or genomic inputs are warranted to validate and extend this modular framework.

Benzer Tezler

  1. Tez No

    948596

    Prediction of microsatellite status in colorectal cancer whole slide images using deep neural networks

    Derin sinir ağları kullanılarak kolorektal kanser tüm slayt görüntüleri üzerinde mikrosatellit durumu tahmini

    FATMA VİLDAN ENGİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  2. Tez No

    203

    Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu

    Başlık çevirisi yok

    İRFAN KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ BORAT

  3. Tez No

    257

    Kuyruk modelleri ve analizi üzerine bir uygulama

    Başlık çevirisi yok

    DİDEM ÖZPULAT

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İstatistikEge Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİKRET İKİZ

  4. Tez No

    320

    Yenileme yatırımları

    Başlık çevirisi yok

    OSMAN NURİ FİLİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    İşletmeGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN OKKA

  5. Tez No

    220

    Çeltik kabuklarının yalıtım malzemesi olarak kullanılması

    Başlık çevirisi yok

    B.CİHAN ÇELEBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET KIRBIYIK

Geri Dön