Geri Dön

Pankreas kitlelerinin karakterizasyonunda 18F-FDG PET/BT radyomiks özelliklerinin tanısal değeri ve vizüel değerlendirmeye katkısı

Diagnostic value of 18F-FDG PET/CT radiomic features and their contribution to visual assessment in the characterization of pancreatic masses

PDF İndir

  1. Tez No: 988413
  2. Yazar: DILŞAT FIRAT ARSLAN
  3. Danışmanlar: PROF. DR. ZEYNEP GÖZDE ÖZKAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Pankreas neoplazmları, Pozitron emisyon tomografi, Radyomikler, Radyonüklid görüntüleme, Teşhis-görüntüleme, Pancreatic neoplasms, Positron-emission tomography, Radiomics, Radionuclide imaging, Diagnostic imaging
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul 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 amacı, pankreas lezyonlarının malign–benign ayrımında 18F-FDG PET/BT temelli radyomiks özelliklerinin makine öğrenmesi modelleri aracılığıyla analiz edilmesi, bu modellerin tanısal performansının standart değerlendirme ile karşılaştırılması ve bu değerlendirmeye katkısını araştırmaktır. Gereç ve Yöntem: Çalışmaya, pankreas lezyonu saptanan 466 (261 erkek, 205 kadın) hasta dahil edildi. Nihai tanı histopatoloji (%76.9) veya klinik-radyolojik takip (%23.1) ile belirlendi. 18F-FDG PET/BT görüntüleri üzerinden 3D Slicer ile manuel VOI segmentasyonu yapıldı ve Pyradiomics kütüphanesi ile radyomiks özellikler çıkarıldı. PyCaret kütüphanesindeki standart sınıflandırıcı modeller değerlendirilerek , aşırı uyum göstermeksizin en yüksek ve en stabil performansı sergileyen model belirlendi. Tanısal performanslar 5 aşamada değerlendirildi: (1) Sadece 18F-FDG PET/BT görüntülerine dayalı ilk görsel değerlendirme, (2) Tüm klinik/radyolojik verilere sahip insan gözlemcinin ikinci (bütüncül) görsel değerlendirmesi, (3) Radyomiks tabanlı makine öğrenmesi modelleri (PET-tekil, BT-tekil ve“Hibrit Model”[PET+BT]), (4) Radyomiks, klinik, laboratuvar, semikantitatif ve diğer görüntüleme niteliklerini birleştiren“Entegre Model”ve (5)“Entegre Model”e klinisyenin ikinci değerlendirmesinin de bir özellik olarak eklendiği“İnsan-Radyomiks Sinerjistik Model”. Bulgular: Çalışmaya dahil edilen 466 hastanın 336'sında malign, 130'unda ise benign lezyon olduğu saptandı. Malign-benign lezyon ayırıcı tanısında ilk vizüel değerlendirmede %93.5 duyarlılık, %49.2 özgüllük ve %81.1 doğruluk saptandı. Bütüncül ikinci değerlendirmede ise bu değerler %97.9 duyarlılık, %76.9 özgüllük ve %92.0 doğruluk idi. Hibrit radyomiks modelinde (PET+BT) %91.1 duyarlılık, %66.7 özgüllük ve %86.8 doğruluk olarak saptandı ve tekil radyomiks modellere (sadece PET ve sadece BT) üstün olduğu bulundu. Ek klinik, laboratuvar ve diğer görüntüleme modalitelerine ait bilgilerin eklenmesiyle oluşturulan entegre model benzer tanısal performans sergiledi (%92.8 duyarlılık, %61.5 özgüllük ve %86.8 doğruluk). Radyomiks modeline ikinci vizüel değerlendirme sonucunun özellik olarak eklenmesiyle oluşturulan İnsan-Radyomiks Sinerjistik Modelin, tüm modeller içinde en yüksek performansa ulaştığı görüldü ve %98.7 duyarlılık, %74.4 özgüllük, %93.3 doğruluk oranları saptandı. Sonuç: 18F-FDG PET/BT tabanlı radyomiks özelliklerinin makine öğrenme modelleri ile analizi, pankreas lezyonlarının non-invaziv karakterizasyonunda standart yöntemlere tamamlayıcı bir tanısal katkı potansiyeli sunmaktadır. Sadece görüntü verisiyle eğitilen hibrit model, ek klinik bilgi olmaksızın insan gözlemcinin bütüncül değerlendirmesine yaklaşmıştır; bütüncül görsel değerlendirmenin“özellik”olarak entegre edilmesi ise tanısal başarıyı daha da artırmıştır. Bu bulgular, radyomiks tabanlı makine öğrenmesinin klinisyen için tamamlayıcı bir karar destek aracı olarak değerlendirilebileceğini düşündürmektedir.

Özet (Çeviri)

Purpose: The aim of this study was to analyze radiomic features derived from 18F-FDG PET/CT using machine learning models for the differentiation of malignant and benign pancreatic lesions, to compare the diagnostic performance of these models with standart assessment, and to evaluate their potential contribution to standart interpretation. Material-Method: A total of 466 patients (261 males, 205 females) with pancreatic lesions were included. Final diagnoses were established by histopathology (76.9%) or clinical–radiological follow-up (23.1%). Volumetric VOI segmentation was performed manually on 18F-FDG PET/CT images using 3D Slicer, and radiomic features were extracted with the Pyradiomics library. Standard classifier algorithms available in PyCaret were evaluated, and the model providing the most stable and non-overfitted performance was selected. Diagnostic performance was assessed in five stages: (1) first-look visual assessment based solely on PET/CT images; (2) second (comprehensive) visual assessment incorporating all available clinical and radiological information; (3) radiomics-based machine learning models (PET-only, CT-only, and a PET+CT“Hybrid Model”); (4) an“Integrated Model”combining radiomics with clinical, laboratory, semiquantitative, and imaging-derived variables; and (5) a“Human–Radiomics Synergistic Model,”in which the clinician's second-look assessment was incorporated as an additional feature. Results: Among 466 patients, 336 had malignant and 130 had benign lesions. The first visual assessment yielded a sensitivity of 93.5%, specificity of 49.2%, and accuracy of 81.1%, whereas the comprehensive second assessment achieved 97.9% sensitivity, 76.9% specificity, and 92.0% accuracy. The Hybrid Radiomics Model (PET+CT) outperformed single-modality models (PET only and CT only) with 91.1% sensitivity, 66.7% specificity, and 86.8% accuracy. The Integrated Model demonstrated a similar diagnostic performance (92.8% sensitivity, 61.5% specificity, and 86.8% accuracy). Incorporating the clinician's second-look judgment into the model resulted in the Human–Radiomics Synergistic Model, which achieved the highest performance among all approaches, with 98.7% sensitivity, 74.4% specificity, 93.3% accuracy. Conclusion: Machine-learning–based analysis of radiomic features extracted from 18F-FDG PET/CT offers a complementary, non-invasive diagnostic contribution to the characterization of pancreatic lesions. The Hybrid Model trained solely on imaging data approached the performance of a comprehensive human evaluation, while integrating the clinician's judgment as a model feature further enhanced diagnostic accuracy. These findings suggest that machine-learning–based analysis of radiomic features may serve as a supportive decision-making tool alongside standart interpretation.

Benzer Tezler

  1. Tez No

    288428

    Pankreasın solid kitlelerinde radyolojik kriterlerle malignite ayrımı yapılabilir mi?

    Using radiologic criteria; is it possible to differentiate malignancy in solid pancreas tumors?

    SİNAN GENÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    Radyoloji ve Nükleer TıpDokuz Eylül Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. OĞUZ DİCLE

  2. Tez No

    455814

    Pankreas malign kitlelerinin preoperatif evrelemesinde 64 dedektörlü bt'nin etkinliği ve cerrahi sonuçları ile karşılaştırması

    Comparison of efficacy of 64-section ct with respect to operation result in pancreatic malignant tumors

    BENGİ SARI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2013

    Radyoloji ve Nükleer TıpAnkara Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. YUSUF SERDAR AKYAR

  3. Tez No

    163601

    Organ spesifik kontrast madde (mangafodipir trisodyum) ile pankreas malign kitlelerinin değerlendirilmesi

    Evaluation of pancreas malign masses with organ specific contrast media (mangafodipir trisodium)

    YASİN ARĞIMAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2005

    Radyoloji ve Nükleer TıpTrakya Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    PROF.DR. BİLGE ÇAKIR

  4. Tez No

    1016413

    Pankreas kitlelerin benign malign ayrımında difüzyon ağırlıklı MR görüntülemenin yeri

    The role of diffusion weighted MR for differentiation between benign and malign pancreatic masses

    MEHMET YAĞTU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    Radyoloji ve Nükleer Tıpİzmir Katip Çelebi Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    PROF. ORHAN OYAR

  5. Tez No

    654375

    PANKREAS CERRAHİSİ UYGULANAN HASTALARDA PATOLOJİK ETİYOLOJİLERİN POSTOP ERKEN DÖNEMDE GÖRÜLEN MORBİDİTE VE MORTALİTE ÜZERİNE OLAN ETKİLERİNİN DEĞERLENDİRİLMESİ

    Evaluation of the effects of pathological ethiologies on the morbidiy and mortality seen in postoperative early period in patients with pancreatic surgery

    ALP TOGAN KIRAÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Genel CerrahiAnkara Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    PROF. ACAR TÜZÜNER

Geri Dön