Geri Dön

Neoadjuvan tedavi öncesi ve sonrası F-18 FDG PET/BT görüntülerinden bireyselleştirilmiş threshold ile elde edilen radyomik parametreleri kullanarak mide ve gastroözofageal bileşke yerleşimli lokal ileri evre mide adenokarsinomlarında patoloji sonuçlarının ve genel sağkalımın makine öğrenimi ile öngörülmesi: Retrospektif çalişma

Prediction of pathology outcomes and overall survival in locally advanced gastric adenocarcinomas located in the stomach and gastroesophageal junction using machine learning using radiomic parameters obtained by individualized threshold from F-18 FDG PET/CT images before and after neoadjuvant therapy: A retrospective study

PDF İndir

  1. Tez No: 975494
  2. Yazar: YUNIS SHIKHALIYEV
  3. Danışmanlar: DOÇ. DR. NAZLI PINAR KARAHAN ŞEN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Onkoloji, Radyoloji ve Nükleer Tıp, Oncology, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Açıklanabilir Yapay Zeka (XAI), F-18 FDG PET/BT, Mide Kanseri, Radyomik, Makine Öğrenimi, Neoadjuvan Tedavi, Patolojik Yanıt, Explainable AI (XAI), F-18 FDG PET/CT, Gastric Cancer, Radiomics, Machine Learning, Neoadjuvant Therapy, Pathological Response
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın temel amacı, lokal ileri evre mide ve gastroözofageal bileşke (GEB) yerleşimli mide adenokarsinomlu hastalarda, neoadjuvan tedavi (NAT) öncesi ve sonrası F-18 FDG PET/BT görüntülerinden ve geliştirilen bireyselleştirilmiş threshold (eşikleme) segmentasyon yöntemi kullanılarak elde edilen radyomik özellikleri kullanarak patolojik yanıtı (Becker TRG, Lauren tipi, histolojik derece, lenf nodu pozitifliği) ve genel sağkalımı öngören, güvenilir ve açıklanabilir makine öğrenimi modelleri geliştirmektir. Gereç ve Yöntem: 2014-2024 yılları arasında merkezimizde NAT ve cerrahi (R0) uygulanan 25 hastanın verileri retrospektif olarak incelendi. Tedavi öncesi ve sonrası F-18 FDG PET/BT görüntülerinde, tümör segmentasyonu için hedef-arka plan oranını temel alan çok adımlı bir“Bireyselleştirilmiş Eşikleme”yöntemi uygulandı. Evreleme ve Tedaviye Yanıt PET/BT görüntülerinden LİFEx yazılımı ile IBSI uyumlu 15 temel radyomik özellik ve bunların delta (% değişim) değerleri çıkarıldı. Dörd patolojik sonucun her biri için ayrı ayrılıkta E, Y ve D (sırasıyla Evreleme, Yanıt ve Değişim) radyomik parametre seti kullanılarak oluşturulan 12 senaryonun her biri için çok aşamalı bir özellik seçimi stratejisi uygulandı(tek değişkenli analizler ve çalışmada kullanılacak 5 farklı makine öğrenimi (RF, XGBoost, SVM, KNN, LR) modelinin her birine özgü özellik seçimi algoritmasını kullanarak 25 fold-LOOCV ile her bir senaryo için özellik seçimi ön havuzunun oluşturulması; son olarak her senaryo için oluşturulan özellik seçimi ön havuzunu kullanarak belirlediğimiz konsensus ile her senaryo için parsimonik modellemede kullanılacak nihai özelliklerin seçilmesi). Çok aşamalı özellik seçimi sonrası, konsensus seçilen nihai özellikleri kullanarak her senaryo için 5 farklı parsimonik makine öğrenim modelleri 25 fold-LOOCV kullanılarak geliştirildi. Her senaryoda geliştirilen modellerin performansı karşılaştırılarak her senaryonun kendi içinde öne çıkan modeller belirlendi. 12 senaryonun her birinde öne çıkan makine öğrenim modelleri arasından klinikte uygulanabilirlik açısından en iyi performans gösteren makine öğrenim modellerinin her biri için Youden indeksi ile eşik değerleri hesaplandı ve SHAP Açıklanabilir Yapay Zeka (XAI) yöntemi ile yine 25-fold LOOCV kullanılarak analiz edildi. Her senaryoda seçilen nihai parsimonik modellerin hasta bazlı ürettiği olasılık skorları kullanılarak sağkalım analizleri yapıldı. Her model için hastalar, skorlarına göre“Yüksek Risk”ve“Düşük Risk”gruplarına ayrıldı. Kaplan-Meier eğrileri çizilmiş ve log-rank testi ile gruplar arası sağkalım farkı değerlendirildi. Bulgular: Tedavi öncesi görüntülerden elde edilen tek bir doku özelliğine (GLRLM_LongRunsEmphasis(LRE)(IBSI:W4KF)) dayanan Destek Vektör Makineleri (SVM) modeli, SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.44'lük bir eşik değeri kullanıldığında model performansı %100 duyarlılık, %85 özgüllük ve 0.97'lik bir ROC-AUC değerine ulaşarak Lauren sınıflamasını öngörmede olağanüstü bir performans sergiledi. Yine tedavi öncesi tek bir doku özelliğine (GLRLM_ShortRunsEmphasis(SRE)(IBSI:22OV)) dayanan XGBoost modeli, SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.48 eşik değeri kullanıldığında model performansı 0.71 AUC, 0.80 duyarlılık, 0.60 özgüllük göstererek kötü patolojik yanıtı (Becker TRG 3) yüksek duyarlılıkla tahmin etti. Tedavi sonrası görüntülerden elde edilen iki heterojenite özelliğine (IntensityKurtosis(IBSI:IPH6) ve GLCM_SumEntropy(IBSI:P6QZ)) dayanan XGBoost modeli, SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.85 eşik değeri kullanıldığında model performansı 0.59 duyarlılık, 0.75 özgüllük ve 0.73'lük ROC-AUC değeri ile lenf nodu pozitifliğini öngördü. İki farklı delta-radyomik özelliği (Kurtosis-IntensityKurtosis (IBSI:IPH6) ve GLCM Homogeneity-GLCM_NormalisedInverseDifferenceMoment (IBSI:1QCO)) kullanılarak geliştirilen XGBoost modeli çekici bir şekilde hem tedavi sonrası histolojik dereceyi (0.58 AUC, 0.62 duyarlılık, 0.58 özgüllük) hem de Lauren tipini (0.70 AUC, 0.67 duyarlılık, 0.69 özgüllük) öngörebilme potansiyeli gösterdi. Performansı daha iyi olan Lauren D senaryosu- XGB modeli için yapılan SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.56 eşik değeri kullanıldığında model performansı 0.70 AUC, 0.67 duyarlılık, 0.85 özgüllük olarak hesaplandı. Ayrıca 12 farklı klinik senaryonun her biri için 5 farklı model ile yapılan parsimonik modelleme sonrası, her senaryo bazında XGBoost diğer makine öğrenimi modellerine kıyasla en sık ve en iyi performansı gösteren model olmuştur (tüm senaryoların %50'de). Ayrıca klinikte uygulanabilirlik açısından bu 12 senaryo içinden seçilen 4 senaryo-makine öğrenim modeli kombinasyonlarından 3'ünde XGBoost modeli öne çıkmıştır. Bu durum, XGBoost'un radyomik verilerdeki karmaşık ve doğrusal olmayan ilişkileri yakalamadaki üstünlüğünü ve gelecekteki radyomik çalışmaları için güçlü bir aday olduğunu göstermektedir. Sonuç: F-18 FDG PET/BT tabanlı radyomik ve açıklanabilir makine öğrenimi, lokal ileri evre mide adenokanserinde NAT sonrası önemli patolojik sonuçları non-invaziv olarak yüksek doğrulukla öngörebilme potansiyeli göstermektedir. Özellikle tedavi öncesi tek bir özelliğe dayalı modellerin performansı, bu yaklaşımın kişiselleştirilmiş tedavi stratejileri için bir karar destek aracı olarak büyük potansiyel taşıdığını göstermektedir. Geliştirilen bireyselleştirilmiş segmentasyon yöntemi ve delta-radyomik analizi, sonuçların güvenilirliğini ve biyolojik anlamlılığını artırmıştır. Her senaryoda öne çıkan makine öğrenim modellerinin bu veri setindeki hastaları genel sağkalım açısından istatistiksel olarak anlamlı bir şekilde ayıramadığı saptanmıştır (tüm modeller için log-rank p > 0.05). Ayrıca çalışmada elde edilen bulgular XGBoost'un radyomik verilerdeki karmaşık ve doğrusal olmayan ilişkileri yakalama konusundaki sağlamlığına ve genellenebilirliğine işaret etmekle birlikte gelecekteki çalışmalarda tercih edilebilir bir model olabileceğine dair güçlü kanıtlar sunmaktadır.

Özet (Çeviri)

Objective: The main objective of this study is to develop reliable and explainable machine learning models that predict pathological response (Becker TRG, Lauren type, histological grade, lymph node positivity) and overall survival in patients with locally advanced gastric and gastroesophageal junction (GEB) gastric adenocarcinoma using radiomic features obtained from pre- and post-neoadjuvant therapy (NAT) F-18 FDG PET/CT images and the developed individualized threshold segmentation method. Materials and Methods: Data from 25 patients who underwent NAT and surgery (R0) at our center between 2014 and 2024 were retrospectively analyzed. A multi-step“Individualized Thresholding”method based on the target-to-background ratio was applied for tumor segmentation on pre- and post-treatment F-18 FDG PET/CT images. Fifteen baseline radiomic features and their delta (% change) values, compatible with IBSI, were extracted from the PET/CT images using LIFEx software for staging and treatment response. A multistage feature selection strategy was applied for each of the 12 scenarios created using radiomic parameter sets E, Y, and D (Staging, Response, and Change, respectively) separately for each of the four pathological outcomes (univariate analyses and creation of a preliminary feature selection pool for each scenario with 25 fold-LOOCV using a feature selection algorithm specific to each of the 5 different machine learning models (RF, XGBoost, SVM, KNN, LR) to be used in the study; finally, selection of the final features to be used in parsimony modeling for each scenario by reaching a consensus using the preliminary feature selection pool created for each scenario). After multistage feature selection, five different parsimonious machine learning models were developed for each scenario using the final consensus-selected features using 25-fold LOOCV. The performance of the developed models in each scenario was compared to identify the most prominent models within each scenario. For each of the 12 scenarios, the Youden index and threshold values were calculated for the best-performing machine learning models in terms of clinical applicability. These were then analyzed using the SHAP Explainable Artificial Intelligence (XAI) method, again using 25-fold LOOCV. Survival analyses were performed using the patient-based probability scores generated by the final parsimonious models selected for each scenario. For each model, patients were divided into“High Risk”and“Low Risk”groups based on their scores. Kaplan-Meier curves were plotted, and survival differences between groups were assessed using the log-rank test. Results: The Support Vector Machines (SVM) model based on a single texture feature (GLRLM_LongRunsEmphasis(LRE)(IBSI:W4KF)) obtained from pre-treatment images demonstrated exceptional performance in predicting Lauren classification, with model performance reaching 100% sensitivity, 85% specificity, and a ROC-AUC of 0.97 when using a threshold value of 0.44 optimized with the Youden index at the time of SHAP analysis. The XGBoost model, also based on a single texture feature (GLRLM_ShortRunsEmphasis(SRE)(IBSI:22OV)), predicted poor pathological response (Becker TRG 3) with high sensitivity, with model performance showing AUC of 0.71, sensitivity of 0.80, and specificity of 0.60 when using a threshold value of 0.48 optimized with the Youden index at the time of SHAP analysis. The XGBoost model, based on two heterogeneity features (IntensityKurtosis (IBSI:IPH6) and GLCM_SumEntropy(IBSI:P6QZ)) obtained from post-treatment images, predicted lymph node positivity with a sensitivity of 0.59, a specificity of 0.75, and a ROC-AUC of 0.73, with model performance using a threshold of 0.85 optimized with the Youden index at the time of SHAP analysis. The XGBoost model, developed using two different delta-radiomic features (Kurtosis-IntensityKurtosis(IBSI:IPH6) and GLCM_Homogeneity-GLCM_Normalized_Inverse_Difference_Moment (IBSI:1QCO)), showed attractive potential to predict both post-treatment histological grade (0.58 AUC, 0.62 sensitivity, 0.58 specificity) and Lauren type (0.70 AUC, 0.67 sensitivity, 0.69 specificity). The better performing Lauren D scenario-XGB model was analyzed using a threshold value of 0.56 optimized with the Youden index, resulting in a performance of 0.70 AUC, 0.67 sensitivity, and 0.85 specificity. Furthermore, after parsimony modeling with five different models for each of the 12 different clinical scenarios, XGBoost was the most frequently and best performing model compared to other machine learning models in each scenario (50% of all scenarios). Also, in terms of clinical applicability, XGBoost emerged as the most successful model in three of the four scenario-machine learning model combinations selected from these 12 scenarios. This demonstrates XGBoost's superiority in capturing the complex and nonlinear relationships in radiomics data and makes it a strong candidate for future radiomics studies. Conclusion: F-18 FDG PET/CT-based radiomics and explainable machine learning demonstrate the potential to non-invasively predict significant pathological outcomes after NAT in locally advanced gastric adenocarcinoma with high accuracy. The performance of single-feature pretreatment models, in particular, demonstrates the great potential of this approach as a decision support tool for personalized treatment strategies. The developed individualized segmentation method and delta-radiomics analysis increased the reliability and biological significance of the results. In all scenarios, the leading machine learning models were found to fail to statistically significantly differentiate patients in this dataset in terms of overall survival (log-rank p > 0.05 for all models). Furthermore, the study findings demonstrate the robustness and generalizability of XGBoost in capturing complex and nonlinear relationships in radiomics data, providing strong evidence that it may be a preferred model for future studies.

Benzer Tezler

  1. Tez No

    314661

    Lokal ileri evre rektum kanserli hastalarda neoadjuvan kemoradyoterapi öncesi ve sonrası PET-BT: evreleme, tedavi cevabı değerlendirmede yüksek rezolüsyonlu pelvik MR, Ki-67 ve GLUT1 ile korelasyon

    PET-CT imaging in patients with locally advanced rectal cancer before and after the neoadjuvant chemo radiotherapy: staging, evaluation of treatment response with high resolution pelvic MRI, and correlation with Ki-67 and GLUT1

    MURAT KOÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    Radyoloji ve Nükleer TıpDokuz Eylül Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. GMZE ÇAPA KAYA

  2. Tez No

    939253

    Meme karsinom tanılı olgularda F-18 FDG PET/BT volümetrik parametrelerinin klinikopatolojik ve prognostik değerlerinin retrospektif incelenmesi

    Başlık çevirisi yok

    AZADA AYAN ALAKBARLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpEge Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. ZEHRA ÖZCAN

  3. Tez No

    666466

    Rektum kanserinde FDG PET/BT'nin histopatolojik evrelemenin öngörülmesindeki değeri ve sağkalım ile ilişkisi

    The value of FDG PET/CT in the prediction of histopathological staging and its association with survival in rectal cancer

    GÖKSEL ALÇIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. YASEMİN ŞANLI

  4. Tez No

    891267

    Meme kanserli hastalarda Flor-18 florodeoksiglukoz pozitron emisyon tomografisi/bilgisayarlı tomografisinin radyomiks analizinin neoadjuvan kemoterapi yanıtını öngörü değeri

    Predictive value of radiomics analysis of Flor-18 flurodeoxyglucose positron emission tomography/computed tomography in response to neoadjuvant chemotherapy in breast cancer patients

    DİLEK ALGUR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpErciyes Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. AHMET TUTUŞ

  5. Tez No

    369982

    Neoadjuvan kemoterapi uygulanan meme kanserli hastalarda PET/BT ile tedavi yanıtının değerlendirilmesi

    Response assessment with PET/CT in breast cancer patients treated with neoadjuvant chemotherapy

    MEHMET FATİH GEÇER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Dahili Tıp Bilimleri Bölümü

    PROF. DR. AYŞE MUDUN

Geri Dön