18F-FDG PET ve PET/CT görüntülemelerinde taşlı yüzük hücreli mide kanserlerinin yapay zeka destekli tanısı
Artificial intelligence-assisted diagnosis of signet-ring cell gastric carcinoma on 18F-FDG pet and PET/CTct imaging
- Tez No: 963329
- Danışmanlar: DOÇ. DR. BÜNYAMİN GÜRBULAK, DOÇ. DR. ESRA ARSLAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Genel Cerrahi, General Surgery
- Anahtar Kelimeler: Mide kanseri, yapay zekâ, PET görüntüleme, adenokarsinom, taşlı yüzük hücreli karsinom, derin öğrenme, CNN, Gastric cancer, artificial intelligence, PET imaging, adenocarcinoma, signet ring cell carcinoma, deep learning, convolutional neural networks (CNN)
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Histopatolojik açıdan taşlı yüzük hücreli mide kanseri (SRCC), adenokarsinomdan farklılık göstermesine rağmen, çoğu zaman 18F-FDG PET ve PET/BT görüntülemelerinde, düşük FDG tutulumu nedeniyle tanı sürecinde gözden kaçabilmektedir. Bu durum, hastalığın tespit edilmesinin ve dolayısıyla tedavi planlamasınn gecikmesine neden olabilmektedir. Bu çalışmadaki temel amaç, taşlı yüzük hücreli mide karsinomu alt tipinin tanısını kolaylaştırmak için yalnızca 18F-FDG PET görüntülerine dayalı geliştirilen yapay zeka tabanlı bir modelin tanı doğruluğunu, duyarlılığını ve özgüllük performansını değerlendirmektir. Geliştirilen derin öğrenme algoritmasının, geleneksel tanı ve evreleme yaklaşımlarına yardımcı olacak şekilde klinik karar süreçlerine katkıda bulunmasına, tanının erken konulmasına olanak tanımasına ve tedavi stratejilerinin optimize edilmesine destek olması hedeflenmektedir. Gereç ve Yöntem: Bu retrospektif çalışmaya, İstanbul Eğitim ve Araştırma Hastanesi'nde tanı almış toplam 171 hasta dahil edilmiştir. Adeno (adenokanser) grubunda 63, SRCC (taşlı yüzük hücreli karsinom) grubunda 53 ve kontrol grubunda 55 hasta yer almıştır. Bu hastalara ait toplam 1189 adet PET görüntüsü kesidi, mide bölgesini içerecek şekilde kırpılarak (crop) analiz edilmiştir. Görüntüler eğitim (%70), doğrulama (%15) ve test (%15) setlerine ayrılmıştır. Derin öğrenme modelinde DenseNet121, EfficientNet-B4 ve ConvNeXt-Tiny mimarilerinden oluşan bir ensemble yapı kullanılmış; sınıf dengesizliğini azaltmak için SRCC grubuna yönelik focal loss uygulanmıştır. Model, Google Colab Pro+ platformunda, NVIDIA A100 GPU üzerinde eğitilmiştir. Performans ölçütü olarak doğruluk, duyarlılık, özgüllük, pozitif ve negatif prediktif değerler, F1 skoru, ROC-AUC ve Ki-kare testi kullanılmıştır. Bulgular: Test verileri üzerinde modelin genel doğruluk oranı %84,97 olarak hesaplanmıştır. Adeno (adenokarsinom) grubunda duyarlılık %92,75, pozitif prediktif değer %87,67 ve F1 skoru 0.9014 olarak bulunurken; SRCC (taşlı yüzük hücreli karsinom) grubunda duyarlılık %62,22, pozitif prediktif değer %75,68 ve F1 skoru 0.6829 olarak belirlenmiştir. ROC eğrisi altında kalan alan (AUC) Adeno ve kontrol gruplarında sırasıyla 0.94 ve 0.96 iken, SRCC için 0.78 olarak tespit edilmiştir. Ki-kare testi sonucunda sınıflar arasında anlamlı bir fark olduğu gösterilmiştir (p<0.00001). Cramér's V değeri 0.649 olup, modelin tahminleriyle gerçek sınıf dağılımı arasında güçlü bir ilişki saptanmıştır. Sonuç: Geliştirilen derin öğrenme modeli, yalnızca PET görüntülerine dayanarak mide kanserinin histolojik alt tipleri olan adenokarsinomu ve taşlı yüzük hücreli karsinomu (SRCC) yüksek doğrulukla ayırt edebilmiştir. Özellikle Adeno ve kontrol gruplarında başarılı sonuçlar elde edilmiş; SRCC sınıfında ise histolojik heterojeniteye bağlı olarak modelin performansının görece sınırlı kaldığı düşünülmektedir. Bu çalışma, yapay zekâ destekli görüntü analiziyle mide kanseri alt tiplerinin non-invaziv ayrımının mümkün olabileceğini göstermektedir. Ayrıca, yapay zekâ tabanlı PET analizleri, yalnızca tanısal doğruluk açısından değil; aynı zamanda gereksiz biyopsi, ileri tetkik ve tedavi maliyetlerini azaltarak sağlık sistemlerinde maliyet-etkinliği artırma potansiyeli taşımaktadır. Bu yaklaşım, yüksek riskli bireylerin daha doğru seçilmesine ve tarama sürecinin optimize edilmesine katkı sunabilir. Gelecekte daha geniş örneklem büyüklüğüne sahip, çok merkezli ve segmentasyonla zenginleştirilmiş veri setleriyle yürütülecek çalışmalar, modelin klinik pratikte uygulanabilirliğini daha somut biçimde ortaya koyabilir ve yapay zekâ tabanlı tanı sistemlerinin rutin kullanımına yönelik önemli bir temel oluşturabilir.
Özet (Çeviri)
Aim: Although signet ring cell carcinoma (SRCC) of the stomach is histologically distinct from adenocarcinoma, it often exhibits low 18F-FDG uptake on PET and PET/CT imaging, leading to underdiagnosis in clinical practice. This ambiguity may result in delayed detection of the disease and consequently hinder timely treatment planning. The primary aim of this study is to evaluate the diagnostic accuracy, sensitivity, and specificity of an artificial intelligence-based model developed solely using 18F-FDG PET images to facilitate the identification of the SRCC subtype. The study aims to demonstrate the potential of deep learning algorithms to support clinical decision-making, enable earlier diagnosis, and assist in optimizing treatment strategies as a complement to conventional diagnostic and staging methods. Materials and Methods: This retrospective study included a total of 171 patients diagnosed at Istanbul Training and Research Hospital, comprising 63 patients in the adenocarcinoma (Adeno) group, 53 in the SRCC group, and 55 in the healthy control group. A total of 1,189 PET image slices from these patients were cropped to include the gastric region and analyzed. The dataset was split into training (70%), validation (15%), and test (15%) subsets. An ensemble model architecture combining DenseNet121, EfficientNet-B4, and ConvNeXt-Tiny was used, with focal loss applied to address class imbalance, particularly in the SRCC group. Model training was conducted using Google Colab Pro+ with NVIDIA A100 GPU support. Performance metrics included accuracy, sensitivity, specificity, positive and negative predictive values, F1 score, ROC-AUC, and Chi-square analysis. Results: The model achieved an overall accuracy of 84.97% on the test dataset. For the Adeno group, sensitivity was 92.75%, positive predictive value (PPV) was 87.67%, and F1 score was 0.9014. In the SRCC group, sensitivity was 62.22%, PPV was 75.68%, and F1 score was 0.6829. The area under the ROC curve (AUC) was 0.94 for the Adeno group and 0.96 for the control group, while it was 0.78 for SRCC. The Chi-square test indicated a statistically significant difference between the groups (p<0.00001), and Cramér's V value of 0.649 showed a strong association between model predictions and actual class labels. Conclusion: The deep learning model developed in this study was able to differentiate between adenocarcinoma and SRCC subtypes of gastric cancer based solely on PET images with high accuracy. While robust performance was observed in the Adeno and control groups, relatively limited success in the SRCC group is likely attributable to histological heterogeneity. These findings suggest that AI-supported image analysis can enable non-invasive discrimination of gastric cancer subtypes. Furthermore, AI-based PET analyses hold the potential not only to enhance diagnostic accuracy but also to improve cost-effectiveness within healthcare systems by reducing unnecessary biopsies, additional diagnostic procedures, and treatment expenditures. This approach may facilitate the more precise identification of high-risk individuals and contribute to the optimization of screening processes. Future studies with larger sample sizes, multi-center datasets, and segmentation-enriched annotations may further substantiate the model's applicability in clinical practice and establish a foundation for the routine integration of AI-based diagnostic systems.
Benzer Tezler
- Mide kanserinde GA-68 fapı-04 PET/BT'nin evreleme ve prognoz belirlemeye katkısı
The contribution of GA-68 fapi-04 PET/CT to staging and prognosis in gastric cancer
EDİZ BEYHAN
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF. DR. TEVFİK FİKRET ÇERMİK
- Kemoterapi alan malign plevral mezotelyoma hastalarında tedavi öncesi 18F-FDG PET/BT'de volümetrik parametrelerin ve bu parametrelerin tedavi sonrası 18F-FDG PET/BT'de değişiminin genel sağkalım üzerine etkisi
He effect of volumetric parameters in baseline 18F-FDG PET/CT and the change of these parameters in 18F-FDG PET/CT after treatment on general survival in malign plevral mesothelioma patients receiving chemotherapy
FARİS TÜZÜN
Tıpta Uzmanlık
Türkçe
2022
OnkolojiDicle Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ KAPLAN
- 18F-FDG PET/BT görüntülemesinde kahverengi yağ dokusu gelişimini etkileyen hasta ve ortam kaynaklı parametrelerin değerlendirilmesi
Başlık çevirisi yok
YUNUS ÇÖKERDENOĞLU
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpKocaeli ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF. DR. SERKAN İŞGÖREN
- Meme kanserli olgularda aksiller evrelemede 18F-FDG PET/BT'nin tanısal performansı
Diagnostic performance of 18F-FDG PET/CT in axillary staging of breast cancer patients
UĞUR TAŞ
Tıpta Uzmanlık
Türkçe
2026
Radyoloji ve Nükleer Tıpİstanbul Medipol ÜniversitesiNükleer Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANSEL ÇAKIR
- Evre 4 meme kanseri tanısıyla cdk 4-6 inhibitörü kullanan hastalarda 18F-FDG-pet-bt'deki suv-max değerinin değişiminin sağkalım üzerine etkisinin değerlendirilmesi
Evaluation of the impact of changes in suvmax values on survival in patients with stage 4 breast cancer using a CDK 4/6 inhibitor based on 18F-FDG-PET-CT
YUSUF ŞENEL
Tıpta Uzmanlık
Türkçe
2024
OnkolojiSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. MESUT YILMAZ