PIRADS 3 ve PIRADS 4 lezyonlarda patoloji sonucuna göre malignite oranlarının değerlendirilmesi ile ADC ve T2-Ağırlıklı MRG tabanlı makine öğrenme algoritmalarının maligniteyi öngörmedeki yeri
Evaluation of malignancy rates based on pathology results in PIRADS 3 and PIRADS 4 lesions and the role of ADC and T2-Weighted MRI-based machine learning algorithms in predicting malignancy
- Tez No: 982347
- Danışmanlar: DOÇ. DR. ALİ ER
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Prostat kanseri, Manyetik Rezonans Görüntüleme, Makine Öğrenmesi, Radyomiks, Prostate cancer, Magnetic Resonance Imaging, Machine Learning, Radiomics
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İzmir Tepecik Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Çalışmamızda PI-RADS 3 ve PI-RADS 4 olarak tanımlanan prostat bezi periferik zon lezyonlarında, klinik belirsiz prostat kanseri ile klinik anlamlı prostat kanseri oranlarını belirlemek ve makine öğrenmesi algoritmalarını kullanarak malignite oranlarını tahmin etmeyi amaçladık. Gereç ve Yöntem: Hastanemizde 2018-2024 yılları arasında multiparametrik prostat MRG'si bulunan hastalardan yapılan taramada sadece periferik zonda PIRADS 3 ve 4 lezyonu bulunan 74 hastadan elde edilen, biyopsi veya ameliyat öncesi MRG'den alınan T2A ve ADC serileri üzerinden radyomiks özellikleri çıkartılmış ve bu özelliklere hastanın PSAD ve PIRADS özellikleri de eklenerek makine öğrenmesi algoritmaları eğitilip Gleason skoru ve ISUP skoru kullanılarak maligniteyi tahmin etme oranları değerlendirilmiştir. Çıkarılan radyomiks özelliklerinin anlamlılığı Benjamini–Hochberg FDR kontrolüyle Mann–Whitney U değerleri hesaplanmıştır. Ayrıca makine öğrenmesi algoritmalarının malignite derecelerini ön görmedeki performanslarını değerlendirme amacıyla ROC, AUC ve DCA analizleri yapılmıştır. Bulgular: Radyomiks özellikleri içerisinde Benjamini–Hochberg FDR kontrolüyle Mann–Whitney U değerleri hesaplanan özelliklerden en iyi uyumu gösteren ilk üç özellik sırasıyla“T2 firstorder Median”,“ADC firstorder Median”,“ADC firstorder 10Percentile”olarak belirlenmiştir. Makine öğrenmesi algoritmaları içerisinde ise T2A+ADC serilerden elde edilen radyomiks verileri ile PSAD+PIRADS bulguları eklenerek oluşturulan“kombine”eğitim seti sonucunda en yüksek değerlere ulaşan (AUCpost 0.899) Random Forest algoritması olmuştur. Sonuç: Prostat kanseri olan hastaların T2A+ADC özelliklerinden elde edilen radyomiks verileri ve hastaların klinik verileri (PSAD ve PIRADS) ile değerlendirildiğinde, makine öğrenmesi algoritmalarının klinik belirsiz prostat kanseri ile klinik anlamlı prostat kanseri hastaları arasındaki ayrımı yapabilmesi umut vadedici görülmektedir.
Özet (Çeviri)
Objective: In our study, we aimed to determine the rates of clinically indeterminate prostate cancer and clinically significant prostate cancer in peripheral zone lesions of the prostate gland, defined as PI-RADS 3 and PI-RADS 4, and to predict malignancy rates using machine learning algorithms. Materials and Methods: Radiomics features were extracted from T2W and ADC series obtained from biopsy or preoperative MRI scans of 74 patients with PIRADS 3 and 4 lesions in the peripheral zone, among patients who underwent multiparametric prostate MRI scans at our hospital between 2018 and 2024. These features were also combined with the patient's PSAD and PIRADS features to train machine learning algorithms. The predictive rates of malignancy were evaluated using Gleason and ISUP scores. The significance of the extracted radiomics features was calculated using Mann–Whitney U values using Benjamini–Hochberg FDR control. Additionally, ROC, AUC, and DCA analyses were conducted to evaluate the performance of machine learning algorithms in predicting malignancy grades. Results: Among the radiomics features, Mann–Whitney U values were calculated using Benjamini–Hochberg FDR control, and the top three features showing the best fit were determined as“T2 firstorder Median,”“ADC firstorder Median,”and“ADC firstorder 10th percentile,”respectively. Among the machine learning algorithms, the Random Forest algorithm achieved the highest values (AUCpost 0.899) in the combined training set created by adding radiomics data obtained from T2A+ADC series to PSAD+PIRADS findings. Conclusion: When the radiomics data obtained from T2A+ADC features of patients with prostate cancer were evaluated together with the patients' clinical data (PSAD and PIRADS), the ability of machine learning algorithms to distinguish between clinically indeterminate prostate cancer and clinically significant prostate cancer appears promising.
Benzer Tezler
- Prostat kanseri tanısında non-invaziv tanı yöntemlerinin önemi
The importance of non-invasive diagnostic methods in the diagnosis of prostate cancer
MEHMET AKİF DOĞAN
Tıpta Uzmanlık
Türkçe
2025
ÜrolojiSivas Cumhuriyet ÜniversitesiÜroloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN SAYGIN
- Transrektal ultrasonografi eşliğinde prostat biyopsisi sonucu gleason skoru 6 olan hastalarda multiparametrik prostat manyetik rezonans görüntüleme bulguları
Multiparametric prostate magnetic resonance imaging findings in patients with transrectal ultrasonography-guided prostate biopsy gleason score 6
EMRE EMEKLİ
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpEskişehir Osmangazi ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF GÜNDOĞDU
- Klinik olarak prostat CA şüphesi olan olgularda multiparametrik prostat MRG'nin tanıda etkinliği
The effectiveness of multiparametric prostate MRİ in diagnosis with clinical prostate CA suspicion
HASAN GENÇ
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpFırat ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MUSTAFA KOÇ
- Klinik anlamlı prostat kanseri tanısında prostat MR'da makine öğrenme algoritmalarının etkinliği
Effectiveness of machine learning algorithms in prostate MRI for the diagnosis of clinically significant prostate cancer
MEHMET KARADAĞ
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ELİF HOCAOĞLU
- Pi-rads 5 lezyonlarda negatif prostat biyopsi sonucunu öngörmede kullanılabilecek parametreler
Parameters that can be used to predict negative prostate biopsy results in Pi-rads 5 lesions
FIRAT ÇAĞLAR BUDAK