Nazofarenks karsinomunda tedavi öncesi çekilen kontrastlı manyetik rezonans görüntülemeden erken tedavi yanıtı öngörülebilir mi?

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL PROF. DR. CEMİL TAŞÇIOĞLU ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: EMRE UYSAL

Danışman: Berna YILDIRIM

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu çalışmada, lokalize nazofarenks karsinomunda (NFK) radyoterapi (RT) öncesi elde edilen kontrastlı T1 ağırlıklı manyetik rezonans görüntülemeden (MRG) çıkarılan radyomik özellikler ile klinik verileri kombine ederek makine öğrenmesi tabanlı modeller oluşturmayı ve modellerin erken RT yanıtını öngörme potansiyelini değerlendirmeyi amaçladık. Gereç ve Yöntem: Ocak 2013-Aralık 2020 arasında NFK nedeniyle definitif RT / kemoradyoterapi uygulanan 114 hasta retrospektif olarak değerlendirildi. Dahil edilme kriterlerini karşılamayan hastalar dışlandıktan sonra, kalan 51 hastanın demografik, klinik ve tedavi özellikleri kaydedildi. Skuamöz hücreli karsinom tanısı biyopsi ile doğrulanan tüm hastalar definitif dozda (66-70 Gy / 30-35 fraksiyon) RT aldı. RT sonrası 6 ay içinde MRG ile "Response Evaluation Criteria in Solid Tumors" 1.1 (RECIST 1.1) kriterlerine göre yanıt değerlendirmesi yapılarak hastalar tam yanıtlı (n=33) ve rezidü tümör bulunanlar (n=18) olarak iki gruba ayrıldı. Radyomik ve klinik özelliklerin tam yanıtı tahmin etme potansiyeli makine öğrenmesi tabanlı modellerle araştırılarak performans metrikleri ile değerlendirildi. Veriler, %70'i eğitim seti ve %30'u test seti olmak üzere rastgele ayırıldı. Hiper parametre optimizasyonu için 10 kat çapraz validasyon yöntemi, performans ölçümü için bağımsız test seti kullanıldı. Bulgular: Elde edilen 124 radyomik özellikten 17'si ve klinik verilerden 2'si tam yanıt ile ilişkili bulundu (p 0,7) gösteren parametrelerin filtrelenmesi sonucu anlamlılık düzeyi daha yüksek olan 6 radyomik özellik ve 1 klinik özellik (hematokrit) seçildi. MLP, RF, SVM, LR ve kNN modellerinin ROC-AUC değeri sırasıyla 0,989, 0,944, 0,867, 0,867 ve 0,733; ve F1 skoru sırasıyla 0,941, 0,875, 0,800, 0,889 ve 0,750 değerlerine ulaştı. Sonuç: Bu çalışmada, MRG tabanlı radyomik özellikler ile klinik verilerin kombine edilmesiyle oluşturulan makine öğrenmesi modellerinin, NFK'de erken RT yanıtını ayırt edici doğrulukla tahmin edebildiği gösterilmiştir. Bulgularımızın, çok merkezli çalışmaları teşvik etmek ve kişiselleştirilmiş tedavi yaklaşımına ilgiyi artırmak için literatüre önemli bir katkı sunacağı düşünülmektedir.