Geri Dön

Makine öğrenmesi yardımıyla VI-RADS skorlaması, biyokimyasal ve klinik parametreler kullanılarak mesane kanseri evresinin öngörülme gücünün değerlendirilmesi

Evaluation of the predictive power of bladder cancer staging using VI-RADS scoring, biochemical, and clinical parameters assisted by machine learning

PDF İndir

  1. Tez No: 965177
  2. Yazar: BATU AKALIN
  3. Danışmanlar: PROF. DR. HALİL LÜTFİ CANAT
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Üroloji, Urology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Başakşehir Çam ve Sakura Şehir Hastanesi
  11. Ana Bilim Dalı: Üroloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Mesane kanseri, küresel ölçekte yüksek morbidite ve mortaliteye yol açan heterojen bir hastalıktır. Preoperatif dönemde kasa invazyonunun doğru öngörülmesi tedavi stratejilerini belirlemede kritik öneme sahiptir. MpMRG temelli VI-RADS bu alanda standardizasyon sağlasa da tamamen görüntü temellidir ve klinik bilgiyi tam anlamıyla yansıtmamaktadır. Bu çalışmada, VI-RADS skorlarının rutin klinik ve laboratuvar parametreleri ile bütünleştirilerek makine öğrenmesi algoritmaları üzerinden kasa invazyonunu öngörmedeki performansının değerlendirilmesi amaçlandı. Gereç ve Yöntem: Kliniğimizde Kasım 2020– Haziran 2024 yılları arasında TUR-M yapılan ve preoperatif mpMRG'si VI-RADS protokolüne uygun olarak çekilmiş 372 hasta retrospektif olarak incelendi. VI-RADS skorları yaş, cinsiyet, hematolojik (Hb, WBC, PLT), biyokimyasal (kreatinin, elektrolitler) ve idrar tahlili parametreleri ile birlikte modellerde kullanıldı. Eksik veriler medyan/mod imputasyonu ile tamamlandı; dengesiz sınıf dağılımı SMOTE ile dengelendi. Lojistik regresyon, random forest, destek vektör makineleri, XGBoost, LightGBM ve derin sinir ağları algoritmaları ile modeller geliştirildi. Performans ROC-AUC, duyarlılık, özgüllük, Brier skoru ve karar eğrisi analizi (DCA) ile değerlendirildi. VI-RADS tek başına model olarak kullanıldığında elde edilen sonuçlarla bu parametreler üzerinden karşılaştırma yapıldı. Bulgular: Çalışmaya dahil edilen 372 hastanın 103'ünde (%27,8) tümörün patolojik olarak kasa invaze olduğu (≥T2) saptandı. Tek başına VI-RADS için AUC 0,89 olarak bulundu. Klinik-laboratuvar parametreleri ile desteklenen modellerde random forest (AUC 0,95), destek vektör makineleri (AUC 0,95), ve lojistik regresyonun (AUC 0,94) anlamlı iyileşme sağladığı görüldü. Kalibrasyon analizi sonucunda izotonik regresyon ile düzeltilmiş random forest (RF) modelinde slope 1,16, intercept -0,039 olarak bulundu ve olasılık tahminlerinin klinik gerçekliğe yakın olduğu gösterildi. DCA'da RF modeli,“hepsini tedavi et”ve“hiçbirini tedavi etme”stratejilerine üstünlük sağlayarak klinikte net fayda sundu. Sonuç: VI-RADS'ın klinik ve laboratuvar parametreleriyle bütünleştirilmesi, kasa invazyonunu öngörmede yalnızca görüntüye dayalı yaklaşıma kıyasla hem ayrım gücünü hem de kalibrasyon doğruluğunu artırmaktadır. Özellikle RF modeli, hasta yönetimi açısından erken radikal sistektomi veya neoadjuvan kemoterapi kararı gibi kritik eşiklerde yanlış sınıflandırma riskini azaltma ve hasta bilgilendirilirken daha kesin bilgi sağlama potansiyeline sahiptir. Bu bulgular, çok merkezli ve prospektif çalışmalarla doğrulandığında, VI-RADS temelli hibrit makine öğrenmesi modelleri klinik karar desteği için uygulanabilir ve ölçeklenebilir araçlar haline gelebilir.

Özet (Çeviri)

Objective: Bladder cancer is a heterogeneous disease associated with high morbidity and mortality worldwide. Accurate preoperative prediction of muscle invasion is critical for determining treatment strategies. Although the VI-RADS based on mpMRI has provided standardization in this field, it remains entirely image-based and does not fully reflect clinical information. This study aimed to evaluate the performance of machine learning algorithms in predicting muscle invasion by integrating VI-RADS scores with routine clinical and laboratory parameters. Materials and Methods: A total of 372 patients who underwent TURBT between 2019 and 2024 and had preoperative mpMRI performed in accordance with the VI-RADS protocol were retrospectively reviewed. VI-RADS scores were combined with age, sex, hematological parameters (Hb, WBC, PLT), biochemical parameters (creatinine, electrolytes), and urinalysis findings in the models. Missing data were imputed using median/mode substitution, and class imbalance was addressed using SMOTE. Machine learning algorithms including logistic regression, random forest(RF), support vector machines, XGBoost, LightGBM, and deep neural networks were implemented. Model performance was evaluated using ROC-AUC, sensitivity, specificity, Brier score, and decision curve analysis (DCA). Results were compared with models based solely on VI-RADS. Results: Pathological muscle invasion (≥T2) was confirmed in 103 of 372 patients (27.8%). VI-RADS alone yielded an AUC of 0.89. Models supported with clinical and laboratory parameters demonstrated significant improvement, particularly random forest (AUC 0.95), support vector machines (AUC 0.95), and logistic regression (AUC 0.94). Calibration analysis of the isotonic regression– adjusted random forest model yielded a slope of 1.16 and an intercept of –0.039, indicating probability estimates closely aligned with clinical reality. In DCA, the RF model outperformed both the“treat-all”and“treat-none”strategies, demonstrating clear net clinical benefit. Conclusion: Integrating VI-RADS with clinical and laboratory parameters enhances both discrimination and calibration accuracy in predicting muscle invasion compared with image-based assessment alone. In particular, the random forest model has the potential to reduce misclassification at critical decision thresholds, such as early radical cystectomy or neoadjuvant chemotherapy, and to provide more reliable information during patient counseling. If validated by multicenter prospective studies, VI-RADS–based hybrid machine learning models may serve as practical and scalable tools for clinical decision support.

Benzer Tezler

  1. Tez No

    632406

    Accurate classification of heart sound signals forcardiovascular disease diagnosis using wavelet analysiswith machine learning and deep learning methodologies

    Makine öğrenmesi ve derin öğrenme yöntemleri ile dalgacık analizi kullanılarak kalp ses sinyallerinin kardiyovasküler hastalık tanı amaçlı doğru sınıflandırılması

    AFRAH ELFATIH FARAH MALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    BiyomühendislikErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET EMİN YÜKSEL

  2. Tez No

    990936

    Threshold estimation for preliminary risk assessment method using machine learning algorithm

    Makine öğrenmesi algoritması kullanarak ön risk değerlendirme yöntemi için eşik değer tahmini

    FAZEL SHAH ABDALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Deprem MühendisliğiMuğla Sıtkı Koçman Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ VESİLE HATUN AKANSEL

  3. Tez No

    603251

    Novelty detection on streaming sensor data for iiot applications

    Endüstriyel nesnelerin interneti uygulamaları için akan sensör verisi üzerinde ayrıklık sezimi

    ALPER BAYRAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK ACAR

  4. Tez No

    999804

    Arayüzey bileşenli diyotların karanlık ve aydınlık ı–v davranışlarının makine öğrenmesi yardımıyla tahminlenmesi ve elektronik/optoelektronik analizi

    Machine learning prediction of dark and illuminated i–v characteristics of interface-based diodes and their electronic/optoelectronic analysis

    HARUN KIRAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Fizik ve Fizik MühendisliğiVan Yüzüncü Yıl Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. ARİFE GENÇER İMER

    DR. ÖĞR. ÜYESİ FİKRİYE ATAMAN

  5. Tez No

    1017864

    İdrar kültürü sonuçlarının makine öğrenmesi yardımıyla öngörülmesi

    Prediction of urine culture results using machine learning

    ABDURRAHMAN ATAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    MikrobiyolojiSağlık Bakanlığı

    Tıbbi Mikrobiyoloji Ana Bilim Dalı

    PROF. DR. ZİHNİ AÇAR YAZICI

Geri Dön