Geri Dön

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

PDF İndir

  1. Tez No: 963329
  2. Yazar: EGEMEN SAYGILI
  3. Danışmanlar: DOÇ. DR. BÜNYAMİN GÜRBULAK, DOÇ. DR. ESRA ARSLAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Genel Cerrahi, General Surgery
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

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

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

Benzer Tezler

  1. Tez No

    911675

    18F-FDG PET/BT görüntülemesinde kahverengi yağ dokusu gelişimini etkileyen hasta ve ortam kaynaklı parametrelerin değerlendirilmesi

    Başlık çevirisi yok

    YUNUS ÇÖKERDENOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpKocaeli Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. SERKAN İŞGÖREN

  2. Tez No

    774880

    Pet radyofarmasötiklerinin radyonüklid dozimetrideki yeri ve önemi

    The place and importance of pet radiopharmaceuticals in radionuclide dosimetry

    NAMİ YEYİN

    Doktora

    Türkçe

    Türkçe

    2023

    Fizik ve Fizik Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. MUSTAFA DEMİR

  3. Tez No

    903790

    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

    Türkçe

    2024

    OnkolojiSağlık Bilimleri Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. MESUT YILMAZ

  4. Tez No

    719417

    Yeni tanı lenfoma hastalarında başlangıç evrelemede kemik iliği tutulumunun ¹⁸F-FDG PET/BT ile değerlendirilmesi

    Assessment of bone marrow infiltration with ¹⁸F-FDG PET/CT in initial staging of patients with newly diagnosed lymphoma

    BETÜL ATALI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. TAMER ÖZÜLKER

  5. Tez No

    760891

    Malign melanom hastalarında metastatik lenf nodlarının F18-FDG pet ve bilgisayarlı tomografide yapılan doku analizi ve makine öğrenmesi algoritmaları ile öngörülmesi

    Prediction of metastatic LYMPH nodes in malignant melanoma patients by texture analysis and machine learning performed in F18-FDG pet and computerized tomography

    ESİN KORKUT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. ŞÜKRÜ MEHMET ERTÜRK

Geri Dön