Makine öğrenmesi yardımıyla VI-RADS skorlaması, biyokimyasal ve klinik parametreler kullanılarak mesane kanseri evresinin öngörülme gücünün değerlendirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL BAŞAKŞEHİR ÇAM VE SAKURA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: BATU AKALIN
Danışman: Halil Lutfi CANAT
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Mesane kanseri, küresel ölçekte yüksek morbidite ve mortaliteye yol açan heterojen bir hastalıktır. Preoperatif dönemde kasa invazyonunun doğru öngörülmesi tedavi stratejilerini belirlemede kritik öneme sahiptir. MpMRG temelli VI-RADS bu alanda standardizasyon sağlasa da tamamen görüntü temellidir ve klinik bilgiyi tam anlamıyla yansıtmamaktadır. Bu çalışmada, VI-RADS skorlarının rutin klinik ve laboratuvar parametreleri ile bütünleştirilerek makine öğrenmesi algoritmaları üzerinden kasa invazyonunu öngörmedeki performansının değerlendirilmesi amaçlandı. Gereç ve Yöntem: Kliniğimizde Kasım 2020– Haziran 2024 yılları arasında TUR-M yapılan ve preoperatif mpMRG'si VI-RADS protokolüne uygun olarak çekilmiş 372 hasta retrospektif olarak incelendi. VI-RADS skorları yaş, cinsiyet, hematolojik (Hb, WBC, PLT), biyokimyasal (kreatinin, elektrolitler) ve idrar tahlili parametreleri ile birlikte modellerde kullanıldı. Eksik veriler medyan/mod imputasyonu ile tamamlandı; dengesiz sınıf dağılımı SMOTE ile dengelendi. Lojistik regresyon, random forest, destek vektör makineleri, XGBoost, LightGBM ve derin sinir ağları algoritmaları ile modeller geliştirildi. Performans ROC-AUC, duyarlılık, özgüllük, Brier skoru ve karar eğrisi analizi (DCA) ile değerlendirildi. VI-RADS tek başına model olarak kullanıldığında elde edilen sonuçlarla bu parametreler üzerinden karşılaştırma yapıldı. Bulgular: Çalışmaya dahil edilen 372 hastanın 103'ünde (%27,8) tümörün patolojik olarak kasa invaze olduğu (≥T2) saptandı. Tek başına VI-RADS için AUC 0,89 olarak bulundu. Klinik-laboratuvar parametreleri ile desteklenen modellerde random forest (AUC 0,95), destek vektör makineleri (AUC 0,95), ve lojistik regresyonun (AUC 0,94) anlamlı iyileşme sağladığı görüldü. Kalibrasyon analizi sonucunda izotonik regresyon ile düzeltilmiş random forest (RF) modelinde slope 1,16, intercept -0,039 olarak bulundu ve olasılık tahminlerinin klinik gerçekliğe yakın olduğu gösterildi. DCA'da RF modeli, "hepsini tedavi et" ve "hiçbirini tedavi etme" stratejilerine üstünlük sağlayarak klinikte net fayda sundu. Sonuç: VI-RADS'ın klinik ve laboratuvar parametreleriyle bütünleştirilmesi, kasa invazyonunu öngörmede yalnızca görüntüye dayalı yaklaşıma kıyasla hem ayrım gücünü hem de kalibrasyon doğruluğunu artırmaktadır. Özellikle RF modeli, hasta yönetimi açısından erken radikal sistektomi veya neoadjuvan kemoterapi kararı gibi kritik eşiklerde yanlış sınıflandırma riskini azaltma ve hasta bilgilendirilirken daha kesin bilgi sağlama potansiyeline sahiptir. Bu bulgular, çok merkezli ve prospektif çalışmalarla doğrulandığında, VI-RADS temelli hibrit makine öğrenmesi modelleri klinik karar desteği için uygulanabilir ve ölçeklenebilir araçlar haline gelebilir.