Neoadjuvan kemoterapi alan meme kanseri hastalarında makine öğrenim modelleri kullanılarak patolojik yanıt öngörülebilir mi?
Can pathological response be predicted using machine learning models in breast cancer patients receiving neoadjuvant chemotherapy?
- Tez No: 988702
- Danışmanlar: DR. OZAN BARIŞ NAMDAROĞLU, DR. ÖĞR. ÜYESİ MELİKE KARATAY
- Tez Türü: Tıpta Uzmanlık
- Konular: Genel Cerrahi, General Surgery
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İzmir Tepecik Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giriş ve Amaç: Neoadjuvan kemoterapi, lokal ileri evre meme kanseri tedavisinde standart bir yaklaşım olup, tedaviye verilen patolojik tam yanıtın (pCR) ve aksiller lenf nodu durumunun erken dönemde öngörülmesi, cerrahi planlama ve prognostik değerlendirme açısından kritik öneme sahiptir. Bu çalışmanın amacı, neoadjuvan kemoterapi alan meme kanseri hastalarında klinik, histopatolojik ve radyolojik verileri entegre ederek pCR ve sentinel lenf nodu (SLNB) durumunu tahmin eden makine öğrenimi (ML) modelleri geliştirmek ve performanslarını karşılaştırmaktır. Gereç ve Yöntem: Çalışmaya, Ocak 2014 - Aralık 2024 tarihleri arasında S.B.Ü. İzmir Tepecik Eğitim ve Araştırma Hastanesi Genel Cerrahi Kliniği'nde NAKT sonrası cerrahi tedavi uygulanan 214 kadın hasta dahil edildi. Hastaların demografik verileri, tedavi öncesi ve sonrası ultrasonografik ölçümleri ve histopatolojik özellikleri retrospektif olarak analiz edildi. Veri seti %80 eğitim ve %20 test olarak ayrıldı. pCR ve SLNB sonucunu tahmin etmek için yedi farklı ML algoritması (Random Forest, Gaussian Naive Bayes, SVM, Lojistik Regresyon, kNN, Decision Tree, AdaBoost) eğitildi ve performansları Accuracy, Specificity, F1 Skoru ve ROC-AUC değerleri ile değerlendirildi. Bulgular: Neoadjuvan tedavi sonrası SLNB sonucunun (pozitif/negatif) tahmin edilmesinde Random Forest algoritması, %97.8 F1 skoru, %98 Accuracy, %100 specificity ve 0.973 AUC değeri ile en yüksek performansı göstermiştir. Patolojik tam yanıtın (pCR) öngörülmesinde ise Gaussian Naive Bayes (GNB) modeli 0.936 AUC değeri ile en yüksek ayırt etme gücüne ulaşırken; Random Forest modeli %87 F1 skoru, %84 doğruluk ve %92.9 negatif öngörü değeri ile klinik açıdan en dengeli sonuçları vermiştir. Ultrasonografik yanıt verilerinin modellere eklenmesinin, sadece klinik verilerle eğitilen modellere kıyasla tahmin başarısını belirgin şekilde artırdığı saptanmıştır. Sonuç: Bu çalışma, neoadjuvan kemoterapi sonrası cerrahi planlamada en büyük ikilemlerden biri olan“tedavi yanıtının öngörülmesi”sorununa, yapay zeka destekli güçlü ve uygulanabilir bir çözüm sunmaktadır. Çalışmamızda geliştirilen Random Forest modeli, aksiller lenf nodu durumunu %98 doğruluk ve %100 özgüllük ile tahmin ederek, sentinel lenf nodu biyopsisi planlanan hastalarda pozitif-negatif ayrımını yapmada son derece güvenilir bir araç olduğunu kanıtlamıştır. Elde edilen bu bulgu, meme kanseri cerrahisinde“SLNB yapılmaksızın güvenli izlem”stratejisinin klinik olarak uygulanabilirliği açısından güçlü bir kanıt niteliğindedir. Ayrıca, patolojik tam yanıtın öngörülmesinde Gaussian Naive Bayes ve Random Forest modellerinin sergilediği yüksek başarı (AUC: 0.936), tedaviye yanıt vermeyecek hastaların erken dönemde tespit edilmesine ve zaman kaybedilmeden kemoterapi rejiminin değiştirilmesine olanak tanımaktadır. Öte yandan, pCR gelişecek hastaların yüksek doğrulukla belirlenmesi, meme kanseri yönetiminde giderek daha fazla tartışılan“bekle-gör”(watch-and-wait) stratejisinin ve ameliyatsız izlem protokollerinin oluşturulması için sağlam bir zemin hazırlamaktadır. Özellikle ultrasonografik yanıt verilerinin modele entegrasyonu, pahalı genomik testlere gerek kalmadan, mevcut klinik imkanlarla“kişiselleştirilmiş cerrahi”döneminin kapılarını aralamaktadır.
Özet (Çeviri)
Introduction and Aim: Neoadjuvant chemotherapy is a standard approach in the treatment of locally advanced breast cancer, and early prediction of pathological complete response (pCR) and axillary lymph node status is of critical importance for surgical planning and prognostic assessment. The aim of this study is to develop and compare the performance of machine learning (ML) models that predict pCR and sentinel lymph node biopsy (SLNB) status by integrating clinical, histopathological, and radiological data in breast cancer patients receiving neoadjuvant chemotherapy. Materials and Methods: A total of 214 female patients who underwent surgical treatment following neoadjuvant chemotherapy at the General Surgery Clinic of S.B.U. Izmir Tepecik Training and Research Hospital between January 2014 and December 2024 were included in the study. Demographic data, pre- and post-treatment ultrasonographic measurements, and histopathological characteristics were analyzed retrospectively. The dataset was split into 80% training and 20% testing sets. Seven different ML algorithms (Random Forest, Gaussian Naive Bayes, SVM, Logistic Regression, kNN, Decision Tree, AdaBoost) were trained to predict pCR and SLNB outcomes, and their performances were evaluated using Accuracy, Specificity, F1 Score, and ROC-AUC metrics. Results: In predicting post-neoadjuvant SLNB results (positive/negative), the Random Forest algorithm demonstrated the highest performance with an F1 score of 97.8%, 98% Accuracy, 100% Specificity, and an AUC value of 0.973. In predicting pathological complete response (pCR), the Gaussian Naive Bayes (GNB) model achieved the highest discriminative power with an AUC value of 0.936, whereas the Random Forest model provided the most clinically balanced results with an F1 score of 87%, 84% accuracy, and a 92.9% negative predictive value. It was determined that the integration of ultrasonographic response data into the models significantly increased prediction success compared to models trained with clinical data alone. Conclusion: This study offers a robust and applicable AI-supported solution to the problem of predicting treatment response, which is one of the major dilemmas in surgical planning after neoadjuvant chemotherapy. The Random Forest model developed in our study predicted axillary lymph node status with 98% accuracy and 100% specificity, proving to be a highly reliable tool for distinguishing between positive and negative cases in patients scheduled for sentinel lymph node biopsy. This finding constitutes strong evidence regarding the clinical feasibility of the“safe observation without SLNB”strategy in breast cancer surgery. Furthermore, the high success demonstrated by Gaussian Naive Bayes and Random Forest models in predicting pathological complete response (AUC: 0.936) allows for the early detection of non-responders and the modification of chemotherapy regimens without losing time. On the other hand, the high-accuracy identification of patients who will achieve pCR provides a solid foundation for the establishment of“watch-and-wait”strategies and non-operative management protocols, which are increasingly discussed in breast cancer management. In particular, the integration of ultrasonographic response data into the model opens the doors to the era of“personalized surgery”with existing clinical resources, without the need for expensive genomic tests.
Benzer Tezler
- Neoadjuvan kemoterapi alan meme kanseri hastalarında progesteron reseptör düzeyinin tedavi yanıtına etkisi
The i̇mpact of progesterone receptor levels on treatment response i̇n breast cancer patients receiving neoadjuvant chemotherapy
ADALET NUR YILMAZ AYDIN
Tıpta Uzmanlık
Türkçe
2025
İç HastalıklarıKütahya Sağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ERSOY
- Neoadjuvan kemoterapi alan üçlü negatif meme kanseri hastalarında prognostik faktörlerin incelenmesi
Investigation of prognostic factors in triple-negative breast cancer patients receiving neoadjuvant chemotherapy
ONUR CEYHAN
Tıpta Uzmanlık
Türkçe
2025
İç HastalıklarıPamukkale Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. ATİKE GÖKÇEN DEMİRAY
- Meme kanserinde neoadjuvan kemoterapi sonrası PET-BT ve histopatolojik bulgulara dayalı aksiller yanıt ve cerrahi yaklaşımın değerlendirilmesi
Evaluation of axillary response and surgical approach based on PET-CT and histopathological findings after neoadjuvant chemotherapy in breast cancer
AHMET CAN KOYUNCUOĞLU
Tıpta Uzmanlık
Türkçe
2025
Genel CerrahiGazi ÜniversitesiGenel Cerrahi Ana Bilim Dalı
PROF. DR. MUSTAFA ŞARE
- Meme kanserinde neoadjuvan kemoterapi yanıtının değerlendirilmesinde kısaltılmış meme MRG protokolünün diagnostik değeri
Diagnostic value of abbreviated breast MRI protocol in evaluatingneoadjuvant chemotherapy response in breast cancer
ÖZGE ÖZDEMİR
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. PELİN SEHER ÖZTEKİN
- Lokal ileri meme kanserlerinde moleküler alt tiplere göre neoadjuvant kemoterapi yanıtını öngörmede ADC değerleri ile diğer MRG parametrelerinin katkısının ve radyolojik-patolojik korelasyonunun değerlendirilmesi
Evaluation of the contribution of ADC values and other MRI parameters in predicting the response to neoadjuvant chemotherapy according to molecular subtypes in locally advanced breast cancer and the radiologic-pathologic correlation
HASAN JAMAMMADOV
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer Tıpİstanbul Medeniyet ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. GÜLNUR ERDEM