Triple negatif meme kanserli hastalarda neoadjuvan tedaviye yanıtın tedavi öncesi dinamik meme MRG kullanılarak derin öğrenme bazlı yapay zeka desteği ile öngörülmesi

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: RAŞİT EREN BÜYÜKTOKA

Danışman: Zehra Hilal ADIBELLİ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

ÖZET Giriş: Üçlü negatif meme kanseri (TNBC), sınırlı tedavi seçenekleri ve kötü prognozuyla bilinen oldukça agresif bir meme kanseri alt tipidir. neoadjuvan tedaviye (NAT) yanıtı, tedaviye başlamadan önce öngörmek, hasta yönetimini optimize etmek ve sonuçları iyileştirmek açısından oldukça faydalı olabilir. Amaç: Bu çalışma, radyolojik görüntüler kullanarak TNBC hastalarında NAT yanıtını öngörmede yapay zeka (YZ) algoritmasının etkinliğini değerlendirmeyi amaçlamaktadır. Gereç ve Yöntem: 2018-2022 yılları arasında iki merkezde NAT uygulanan TNBC hastaları üzerinde retrospektif bir çalışma gerçekleştirilmiştir. Tedavi öncesi manyetik rezonans görüntülemeleri (MRG), derin öğrenme tabanlı bir YZ algoritması ile analiz edilmiştir. Bunun dışında klinik, radyolojik ve patolojik verilerin de NAT yanıtı arasındaki ilişki analiz edilmiştir. Klinik ve patolojik sonuçlara tamamen kör olan radyologlar görüntüleri değerlendirmiş ve NAT yanıtını predikte etmeye çalışmıştır. YZ modelinin ve radyologların performansı doğruluk, F1 skoru ve işlem karakteristik eğrisi altındaki alan (AUC ROC) gibi metrikler kullanılarak hesaplanmıştır. Bulgular: Radyolojik tümör çapı, post-kontrast T1 ağırlıklı görüntü (T1AG) tümör volümü ve NAT yanıtı arasında anlamlı ilişkiler bulunmuştur. Tam yanıt veren hastaların tümör çapları (p=0.034) ve tümör hacimleri (p=0.045) anlamlı olarak daha düşük bulunmuştur. Cilt invazyonu, yanıt vermeyen hastalarda anlamlı derecede daha fazla bulunmuştur (p=0.035). Yüksek Ki67 değerlerinin daha iyi yanıt ile ilişkili olduğu tespit edilmiştir (p=0.023). Grup 1'de (tam yanıt vs. diğerleri) en iyi performans gösteren YZ modeli yalnızca post-kontrast T1WI verilerini kullanarak %82 doğruluk, 0,67 F1 skoru ve 0,75 AUC değerine ulaşmıştır. Grup 2'de (tam yanıt ve tama yakın yanıt grubu vs. diğerleri), post-kontrast T1AG ve difüzyon ağırlıklı görüntüleme (DAG) verilerini kullanarak %82 doğruluk, 0,81 F1 skoru ve 0,96 AUC ROC değeri elde etmiştir. YZ modeli oldukça iyi bir performans göstererek NAT yanıtını öngörmede yardımcı olabilecek bir algoritma olarak ortaya çıkmıştır. Sonuç: YZ algoritması, TNBC hastalarında NAT yanıtını değerlendirmede iyi bir doğruluk oranı elde etmiştir. YZ'nin klinik pratiğe entegrasyonu, karar verme sürecini iyileştirebilir, tedavi planlarını optimize edebilir ve hasta sonuçlarını iyileştirebilir. Gelecekteki araştırmalar, YZ modelinin prospektif doğrulamasına ve multimodal veri entegrasyonuna odaklanarak öngörü kabiliyetlerini daha da geliştirmelidir.