Geri Dön

Kronik hepatit B ve C tanısı olan hastalarda histopatolojik karaciğer fibrozis evresinin radyomiks analizi ile karşılaştırılması

Comparison of histopathological liver fibrosis stage in patients diagnosed with chronic hepatitis B and C using radiomics analysis

PDF İndir

  1. Tez No: 973352
  2. Yazar: ARİFE BULGURCU
  3. Danışmanlar: PROF. DR. DUYGU HEREK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Hepatit, Karaciğer Fibrozisi, HAI, Radyomiks, Makine Öğrenmesi, Segmentasyon, Radyoloji, Hepatitis, Liver Fibrosis, HAI, Radiomics, Machine Learning, Segmentation, Radiology
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Pamukkale Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada radyomiks özellikleri kullanarak kronik hepatit B ve C hastalarının karaciğer fibrozisini ve nekroinflamasyonunu değerlendirmeyi, böylece hastaları biyopsi komplikasyonlarından korumayı, klinisyenlere daha kolay, tekrar edilebilir, non-invaziv bir tanı yöntemi sunmayı amaçladık. Çalışma için yerel etik kurul onayı alındıktan sonra, Ocak 2015-Ocak 2024 tarihleri arasında hastanemizde karaciğer biyopsisi yapılmış olan hastalardan histopatolojik olarak kronik hepatit B ve C tanısı olanlar retrospektif olarak değerlendirildi. Bu hastalardan biyopsi öncesindeki 6 ay içerisinde kontrastlı batın manyetik rezonans (MR) tetkiki ve 1 ay içerisinde laboratuvar testleri (Albümin,ALT,AST,Trombosit sayısı,INR,PT) bulunanlar çalışmaya dahil edildi. Çalışmaya dahil edilme ve dışlanma kriterleri uygulandıktan sonra farklı karaciğer fibrozis evrelerine sahip 50 hasta çalışmaya dahil edildi. Ayrıca karaciğer hastalığı ve karaciğerde lezyonu bulunmayan 30 hasta fibrozisi 0 kabul edilerek çalışmaya dahil edildi. Böylece karaciğer fibrozisi 0 ile 6 arasında değişen toplam 80 hasta çalışmaya dahil edildi. Bu hastaların kontrastlı batın MR tetkiklerinden aksiyel T2 ağırlıklı(T2A), portal ve geç fazlarda kontrastlı T1 ağırlıklı (T1A) sekanslarının görüntüleri 3D Slicer programına yüklendi. Bu programla karaciğer 3 boyutlu volümetrik olarak segmente edildi. Daha sonra segmente edilen VOI (Volume of Interest)den radyomiks özelliklerin çıkarılması için programa eklenen PyRadiomics 3.0.1 yazılım paketi kullanıldı. Her sekans için 130 radyomiks özellik çıkarıldı. Çıkarılan özelliklerden tek sayısal değer içermeyen veya metin içerenler çıkarıldı. Her sekans için 106 radyomiks özellik kullanıldı. Üç farklı sekansta yapılan ölçümler sonucunda toplam 318 radyomiks özellik elde edildi. Radyomiks özellikler çıkartıldıktan sonra model oluşturma aşamasına geçmeden önce hastalar 3:1 oranında (60:20) rastgele dağılım yöntemiyle eğitim ve test gruplarına ayrıldı. Model oluşturulması ve modelin eğitimi eğitim (train ) grubunda, oluşturulan modelin performans değerlendirilmesi test grubunda yapıldı. Radyomiks özelliklerden Random Forest algoritması kullanılarak en yüksek bilgi katkısı sağlayan ilk 7 değişken seçildi. Seçilen 7 değişken ile radyomiks model oluşturuldu. Laboratuvar verileri kullanılarak klinik model ve bunların birleştirilmesi ile kombine model oluşturuldu. Daha sonra radyomiks özelliklerin fibrozisi öngörme başarısını değerlendirebilmek için hastaları fibrozis evresi ve histolojik aktivite indeksi (HAI)'ne göre ikili gruplara ayırdık. 5 farklı grup oluşturduk. Bunlar Grup 1: Fibrozis 0-2 vs. 3-6, Grup 2: Fibrozis 0 vs. 1-6, Grup 3: Fibrozis 0-1 vs. 2-6, Grup 4 :HAI 0-12 vs 13-18, Grup 5 : HAI 0-5 vs. 6-18 olarak belirlendi. Oluşturulan her grup için 6 farklı makine öğrenmesi metodu ile model oluşturularak grupları ayırt edebilme başarısı değerlendirildi. Kullanılan makine öğrenmesi algoritmaları Logistic regression,Random Forest,SVM(Linear),SVM(RBF),KNN,Naive Bayes ve XGBoosttur. Performans değerlendirme sürecinde duyarlılık (sensitivity), kesinlik (precision), doğruluk (accuracy), F1 skoru ve ROC eğrisi altındaki alan (AUC) gibi ölçütler kullanıldı. Fibrozis 0–2 ile 3–6 evrelerini ayırt etmede en başarılı sonuçlar klinik modellerde elde edildi. Özellikle SVM(RBF) algoritması, %70 doğruluk, 0.667 AUC ve 0.5 F1-skor ile öne çıkmaktadır. Radyomiks modellerde doğruluk ve AUC için benzer başarıyı gösteren modeller olsa da , pek çok modelde F1-skor değerleri 0.400'ün altında kalmıştır. Fibrozis 0 ile 1–6 evrelerini ayırt etmede tüm modeller yüksek başarı göstermekle birlikte radyomiks ve kombine modeller mükemmel bir performans gösterdi. Random Forest ve Naive Bayes algoritmaları %100 doğruluk, 1.000 AUC ve 1.000 F1-skor değerleriyle tüm metriklerde tam performans sağladı. Fibrozis 0–1 ile 2–6 evrelerini ayırt etmede tüm modeller yüksek performans sergiledi. Ancak radyomiks modeller çok daha yüksek bir başarı gösterdi. SVM (RBF) modeli %98 doğruluk, 0.98 AUC ve 0.952 F1-skor ile en başarılı sonuçları elde etti. HAI 0–12 ile 13–18'in ayırt edilmesinde radyomiks modellerden SVM (Linear) algoritması, %95 doğruluk, 0.961 AUC ve 0.857 F1-skor ile en başarılı model oldu. HAI 0–5 ile 6–18'in ayrımı için oluşturulan modeller içinde kombine modellerden Random Forest %95 doğruluk, 0.98 AUC ve 0.952 F1-skor ile en yüksek performansı gösterdi. Sonuç olarak radyomiks modeller fibrozis olan-olmayan ( F0 vs F1-6) ve ≥F2 hastaları belirlemede yüksek başarı gösterdi. Ayrıca HAI ≥13 ve HAI ≥6 olan vakaları da yüksek doğrulukla sınıflandırabildi. 2023 Türkiye Hepatit B Tanı ve Tedavi Kılavuzunda F ≥2 ve HAI≥ 6 tedavi endikasyonu olarak belirtilmiştir. Oluşturduğumuz model bu hasta grubunu non-invaziv olarak belirlemeye olanak tanımaktadır. Bununla birlikte F0-2 ile F3-6 ayrımında yeterli başarıyı gösteremedi ve klinik model daha başarılı bulundu. Yine de radyomiks modellerin hastaların rutin takiplerinde fibrozis düzeyi ve nekroinflamasyon hakkında öngörü sağlayabilecek potansiyeli vardır. Ancak prospektif çok merkezli çalışmalar yapılmasına ihtiyaç vardır. Çalışmamızda kullandığımız 6 farklı makine öğrenmesi algoritmasının başarılarında belirgin farklılıklar gördük. Bu da radyomiks çalışmalarında doğru algoritma seçiminin önemini göstermektedir. Bizim kullandığımız algoritmalarda genel olarak Random Forest (RF) ve Destek Vektör Makinesi (SVM) daha başarılı oldu.

Özet (Çeviri)

In this study, we aimed to evaluate liver fibrosis and necroinflammation in chronic hepatitis B and C patients using radiomics features, thus protecting patients from biopsy complications and providing clinicians with an easier, more reproducible, non-invasive diagnostic method. After obtaining approval from the local ethics committee for the study, patients who underwent liver biopsy at our hospital between January 2015 and January 2024 and were histopathologically diagnosed with chronic hepatitis B and C were retrospectively evaluated. Patients who had a contrast-enhanced abdominal magnetic resonance (MRI) scan within 6 months and laboratory tests (albumin, ALT, AST, platelet count, INR, PT) within 1 month before the biopsy were included in the study. After applying the inclusion and exclusion criteria, 50 patients with different stages of liver fibrosis were included in the study. Additionally, 30 patients without liver disease or liver lesions were included in the study with a fibrosis score of 0. Thus, a total of 80 patients with liver fibrosis scores ranging from 0 to 6 were included in the study. Axial T2-weighted (T2W), portal, and late phase contrast-enhanced T1-weighted (T1W) sequences from these patients' contrast-enhanced abdominal MRI scans were loaded into the 3D Slicer program. The liver was segmented 3D volumetrically using this program. The PyRadiomics 3.0.1 software package was then used to extract radiomics features from the segmented VOI (Volume of Interest). 130 radiomics features were extracted for each sequence. Features that did not contain a single numerical value or that text were excluded. 106 radiomics features were used for each sequence. A total of 318 radiomics features were obtained from measurements performed on three different sequences. After extracting radiomics features, before proceeding to the model creation phase, patients were randomly assigned to training and test groups using a 3:1 (60:20) distribution method. Model creation and training were performed in the training group, and the performance evaluation of the created model was performed in the test group. Using the Random Forest algorithm, the top seven variables providing the most prominent information contribution were selected from the radiomics features. A radiomics model was created using the selected seven variables. A clinical model was created using laboratory data, and a combined model was created by gathering these data. To evaluate the success of radiomics features in predicting fibrosis, we divided the patients into binary groups based on fibrosis stage and HAI. We created five different groups: Group 1: Fibrosis 0-2 vs. 3-6, Group 2: Fibrosis 0 vs. 1-6, Group 3: Fibrosis 0-1 vs. 2-6, Group 4: HAI 0-12 vs. 13-18, and Group 5: HAI 0-5 vs. 6-18. For each group, a model was created using six different machine learning methods to evaluate the ability to distinguish between the groups. The machine learning algorithms used were Logistic regression, Random Forest, SVM (Linear), SVM (RBF), KNN, Naive Bayes, and XGBoost. In the performance evaluation process, criteria such as sensitivity, precision, accuracy, F1 score and area under the ROC curve (AUC) were used. The most successful results in distinguishing fibrosis stages 0–2 and 3–6 were achieved in clinical models.Particularly,the SVM (RBF) algorithm stands out with 70% accuracy, an AUC of 0.667, and an F1-score of 0.5. While radiomics models demonstrated similar accuracy and AUC, many models had F1-score values below 0.400. All models demonstrated high success in distinguishing fibrosis stages 0 and 1–6, with radiomics and combined models demonstrating excellent performance. Random Forest and Naive Bayes algorithms achieved full performance across all metrics with 100% accuracy, an AUC of 1.000, and an F1-score of 1.000. All models demonstrated high performance in distinguishing fibrosis stages 0–1 and 2–6. However, radiomics models performed significantly better. The SVM (RBF) model achieved the best results with 98% accuracy, an AUC of 0.98, and an F1-score of 0.952. Among the radiomics models, the SVM (Linear) algorithm was the most successful model in distinguishing HAI 0–12 and 13–18 with 95% accuracy, 0.961 AUC and 0.857 F1-score. Among the models created for the discrimination of HAI 0–5 and 6–18, Random Forest, one of the combined models, showed the highest performance with 95% accuracy, 0.98 AUC and 0.952 F1-score. In conclusion, radiomics models demonstrated high success in identifying patients with and without fibrosis (F0 vs. F1-6) and ≥F2. They also classified cases with HAI ≥13 and HAI ≥6 with high accuracy. The 2023 Turkish Hepatitis B Diagnostic and Therapeutic Guidelines specify F ≥2 and HAI ≥6 as treatment indications. Our model allows non-invasive identification of this patient group. However, it failed to demonstrate sufficient accuracy in distinguishing between F0-2 and F3-6, and the clinical model was found to be more successful. Nevertheless, radiomics models have the potential to provide insight into the level of fibrosis and necroinflammation in routine patient follow-up. However, prospective multicenter studies are needed. In our study, we observed significant differences in the performance of the six different machine learning algorithms we used. This demonstrates the importance of choosing the right algorithm in radiomics studies. Among the algorithms we used, Random Forest (RF) and Support Vector Machine (SVM) were generally more successful.

Benzer Tezler

  1. Tez No

    88551

    Kronik hepatit B ve kronik hepatit C'li hastalarda immünregülatuar sitokinlerin (T-helper-1 ve T-helper-2) rolü

    The Role of immunregulatory cytokins (T-helper-1 and T-helper-2) in patients with chronic hepatitis B and C patients

    BAHRİ ABAYLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1999

    Enfeksiyon Hastalıkları ve Klinik MikrobiyolojiÇukurova Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. HİKMET AKKIZ

  2. Tez No

    88520

    Kronik karaciğer hastalıkları ve tümör belirleyicileri

    Başlık çevirisi yok

    TÜLAY YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1999

    GastroenterolojiFırat Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    YRD. DOÇ. DR. İ. HALİL BAHÇECİOĞLU

  3. Tez No

    260336

    Çocukluk çağı kronik karaciğer hastalarında koagülan ve antikoagülan faktör düzeyleri ile sEPCR'nin hastalık evresi ile ilişkisinin incelenmesi

    The levels of coagulant and anticoagulant factors in pediatric chronic liver disease and relation between sEPCR and the severity of the disease

    AYŞE SAYILI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2009

    Çocuk Sağlığı ve HastalıklarıAnkara Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ZÜMRÜT UYSAL

  4. Tez No

    69261

    Kronik parankimal karaciğer hastalarında ve hemodiyaliz hastalarında hepatit G virüs prevalansı

    The Prevalence of GB virus C infection in patients with chronic hepatitis and in patients with chronic hepatitis and in hemodialysis patients

    ALİ HAFTA

    Tıpta Yan Dal Uzmanlık

    Türkçe

    Türkçe

    1998

    GastroenterolojiÇukurova Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. HİKMET AKKIZ

  5. Tez No

    267243

    Kronik hepatit B ve kronik hepatit C enfeksiyonlarında sitokin düzeyleri ile histopatolojik aktivite ve fibrozis arasındaki ilişki

    The relation between cytokine levels with histopathological activity / fibrosis in chronic hepatitis B and chronic hepatitis C infections

    ARZU TIĞLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2010

    Enfeksiyon Hastalıkları ve Klinik MikrobiyolojiSüleyman Demirel Üniversitesi

    Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji Ana Bilim Dalı

    DOÇ. DR. FÜSUN ZEYNEP AKÇAM

Geri Dön