Neoadjuvan kemoterapi almayan kolon kanseri hastalarında preoperative BT görüntülemesindeki radyomiks bulgularının patolojik bulgular ile korelasyonu
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, KAYSERİ ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: SEFİKA BENGİ CİLASIN
Danışman: Turgut SEBER
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Giriş ve Amaç: Çalışmamızda kolon kanserli hastaların BT görüntülerini radyomiks ile analiz ederek patoloji verileri ile korelasyonu ve radyomiksin bu alandaki öngörüsünün araştırılması amaçlanmıştır. Gereç ve Yöntem: Çalışmamıza, 2019-2024 yılları arasında hastanemize başvurmuş, hastanemizde opere olan, neoadjuvan tedavi almamış, hastanemiz veri sisteminde kolon kanseri tanısı ve operasyon öncesi kontrastlı abdomen – pelvis BT tetkiki bulunan hastalar dahil edilmiştir. Tüm hastalarda cerrahi sonrası elde edilen örnekler histopatolojik olarak değerlendirilmiştir. Lenfovasküler invazyon ve perinöral invazyon durumu pozitif (1) veya negatif (0) olarak kaydedilmiştir, tümör diferansiasyon dereceleri belirtilmiştir. Primer tümör dokusu, LIFEx (Local Image Feature Extraction) yazılımı (v25.06.1) kullanılarak manuel olarak segment edilmiş ve radyomik özellikler elde edilmiştir. Elde olunan radyomik özellikler lojistik regresyon (L1 regularizasyonlu), Random Forest, destek vektör makineleri (SVM-RBF), XGBoost ve LightGBM gibi makine öğrenmesi tabanlı yöntemlerle analiz edilmiştir. En başarılı model konfigürasyonu ROC eğrisi altında kalan alan (AUC), doğruluk, duyarlılık, özgüllük ve F1 skorları kullanılarak belirlenmiştir. p<0,05 değeri istatistiksel olarak anlamlı kabul edilmiştir. Bulgular: LVI ve PNI analizlerinde en yüksek performans XGBoost modeli ile elde edilmiştir. LVI prediksiyonunda modelin AUC değeri 0,7357, duyarlılığı %87,7 olarak bulunmuştur. PNI prediksiyonunda ise AUC değeri 0,7355 olarak saptanmıştır. En önemli radyomik özelliklerin büyük kısmını tekstür, heterojenite, RIM-based ve RIM-histogram temelli parametreler oluşturdu. Diferansiasyon analizinde orta düzey performans elde edildi. Sonuç: Preoperatif BT görüntülerinden elde edilen radyomik özelliklerin makine öğrenmesi modelleri ile analizi sonucunda kolon kanserinde LVI ve PNI prediksiyonunun non-invaziv olarak başarılı bir şekilde yapılabileceği gösterilmiştir. Özellikle heterojenite ve tekstür tabanlı radyomik özelliklerin tümör agresifliği ve kötü prognoz ile ilişkili olabileceği düşünülmektedir. Bu sayede hastaların prognozunun daha ayrıntılı öngörülebilmesi ve kişiselleştirilmiş tedavi planlarına katkı sağlanabilmesi mümkün olabilir. Anahtar Kelimeler: kolon kanseri, makine öğrenmesi, radyomiks, segmentasyon