Stereotaktik beyin radyoterapisi uygulanan vakalarda yapay zeka ile yanıt tahminleme
Prediction of response using artificial intelligence in cases treated with stereotactic brain radiotherapy
- Tez No: 961143
- Danışmanlar: PROF. DR. DURMUŞ ETİZ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyasyon Onkolojisi, Radiation Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
- Bilim Dalı: Radyasyon Onkolojisi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Stereotaktik Beyin Radyoterapisi Uygulanan Vakalarda Yapay Zekâ İle Yanıt Tahminleme. Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Radyasyon Onkolojisi Anabilim Dalı Tıpta Uzmanlık Tezi, Eskişehir, 2025. Bu çalışmada beyin metastazlı (BM) hastalarda Stereotaktik Beden Radyoterapisi (SBRT) öncesi elde edilen T1 ve T2 sekans manyetik rezonans görüntülemeden (MRG) çıkarılan radyomik (RM) özelliklerin yapay zekâ (YZ) modelleri ile tedaviye yanıtını öngörme potansiyelini değerlendirmeyi amaçladık. Ocak 2015- Mart 2023 tarihleri arasında BM nedeni ile SBRT uygulanan hastalar retrospektif olarak incelendi. Toplamda SBRT uygulanan 91 BM verisi toplandı. BM tanısı sonrası hastalar medyan 27Gy/3fr olacak şekilde SBRT aldı. Yanıt değerlendirme amacı ile hastaların 3. ve 6.ay kontrastlı beyin MRG yapıldı. Yanıt değerlendirme Response Assesment in Neurooncology-Brain Metastases (RANO-BM) kriterleri göre 4 gruba ayrıldı. Tam ve parsiyel yanıtlı hastalar yanıt veren grup ve stabil ve progrese olan hastalar ise yanıt vermeyenler olarak iki gruba ayrıldı. Veriler %70 eğitim seti ve %30 test seti olmak üzere rasgele ayrıldı. Modellerinin eğitim sonuçlarını ayrıntılı olarak belirlemek için doğruluk, geri çağırma, kesinlik ve kesinlik ve geri çağırma değerlerinin harmonik ortalamasını gösteren F1 skoru kullanıldı. Yanıt ile ilişkili seçilen RM özellikler Multi Layer Perceptron (MLP) ve Adaptive-Network Based Fuzzy Inference Systems (ANFIS) gibi yapay sinir ağları (ANN) tabanlı bir derin öğrenme (DÖ) algoritması ile oluşturulan modellerde yanıt tahminleme açısından değerlendirildi. Sonuçta T1 ve T2 sekans eğitim veri setinde hem ANFIS hem de MLP modellerinin performansları oldukça iyi iken test grubunda ise T1sekansda MLP-1ve ANFIS-1 modelleri (F1 score:0,74 vs. 0,72) anlamlı RM'leri iyi bir performansla tahmin etmiştir. T2 sekansta ise MLP-1, ANFIS-1 ve ANFIS-2 modelleri (F1 score:0,74 vs. 0,82 vs. 0,86) performansları iyi sonuçlanmıştır. Sonuç olarak bu çalışmada, MRG tabanlı RM özellikler ile makine öğrenmesi (MÖ) modellerinin, BM'nda erken SBRT yanıtını ayırt edici doğrulukla tahmin edebildiği gösterilmiştir. Bulgularımızın, çok merkezli çalışmaları teşvik etmek ve kişiselleştirilmiş tedavi yaklaşımına ilgiyi artırmak için literatüre önemli bir katkı sunacağı düşünülmektedir.
Özet (Çeviri)
Prediction of Response Using Artificial Intelligence in Cases Treated with Stereotactic Brain Radiotherapy. Eskisehir Osmangazi University Faculty of Medicine, Department of Radiation Oncology, Medical Specialization Thesis, Eskisehir, 2025. In this study, we aimed to evaluate the potential of RM features extracted from T1 and T2 sequence magnetic resonance imaging (MRI) obtained before stereotactic body radiation therapy (SBRT) to predict treatment response in patients with brain metastases (BM) using artificial intelligence (AI) models. Patients who underwent SBRT for BM between January 2015 and March 2023 were retrospectively reviewed. A total of 91 BM cases treated with SBRT were included in the study. After the diagnosis of BM, patients received SBRT with a median dose of 27 Gy in 3 fractions. Contrast-enhanced brain MRIs were performed at 3 and 6 months for response assessment. Response evaluation was conducted based on RANO-BM criteria and classified into four groups. Patients with complete and partial responses were grouped as responders, while those with stable or progressive disease were categorized as non-responders. The data were randomly divided into 70% training and 30% test sets. To detail the training results of the models, accuracy, recall, precision, and the F1 score, which represents the harmonic mean of precision and recall, were used. These selected radiomic features were assessed for their ability to predict response in models created with deep learning algorithms based on neural networks, such as MLP and ANFIS. As a result, while the performances of both ANFIS and MLP models were notably high in the T1 and T2 sequence training datasets, in the test group, the MLP-1 and ANFIS-1 models for the T1 sequence (F1 score: 0.74 vs. 0.72) effectively predicted significant radiomic features. For the T2 sequence, the MLP-1, ANFIS-1, and ANFIS-2 models demonstrated good performance (F1 score: 0.74 vs. 0.82 vs. 0.86). In conclusion, this study demonstrated that machine learning models using MRI-based radiomic features could predict early SBRT response in BM with distinctive accuracy. Our findings are anticipated to make a significant contribution to the literature by encouraging multicenter studies and increasing interest in personalized treatment approaches.
Benzer Tezler
- 4 ve 20 haftalık erkek ve dişi sıçanların hipokampusunda nöronal asimetri
Neuronal asymmetry in the hippocampus of 4 and 20 weeks old male and female rats
SÜLEYMAN KAPLAN
Doktora
Türkçe
1990
MorfolojiOndokuz Mayıs ÜniversitesiMorfoloji (anatomi) Ana Bilim Dalı
PROF.DR. NUSRET ÇİFTÇİ
- Subtansiya nigranın dopaminerjik sistemi innervasyonunun biokimyasal ve fonksiyonel yöntemlerle araştırılması
Başlık çevirisi yok
MEHMET ULUÇAY
- Spontan intraserebral hematomların beyin tomografisi rehberliğinde stereotaksik yöntemle boşaltımı ve lizisi
Başlık çevirisi yok
A. ÖZCAN BİNATLI
- Deneysel intraserebral hematomlarda fibrinolitik aktivite
Fibrinolytic activity in experimental intracerebral hematoma
HAKAN HADİ KADIOĞLU
- Deneysel intraserebral-intraventriküler hematomlarda urokinazın etkisi
The Effect of urokinase on experimental intracerebral-intraventricular hematomas
ERHAN TAKÇI
- Stereotaktik ablatif cerrahide lokalizasyonun fizyolojik ve anatomik doğrulanması (klinik araştırma)
Başlık çevirisi yok
ALİ SAVAŞ