18F-FDG PET ve PET/CT görüntülemelerinde taşlı yüzük hücreli mide kanserlerinin yapay zeka destekli tanısı
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: EGEMEN SAYGILI
Danışman: Esra ARSLAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Histopatolojik açıdan taşlı yüzük hücreli mide kanseri (SRCC), adenokarsinomdan farklılık göstermesine rağmen, çoğu zaman 18F-FDG PET ve PET/BT görüntülemelerinde, düşük FDG tutulumu nedeniyle tanı sürecinde gözden kaçabilmektedir. Bu durum, hastalığın tespit edilmesinin ve dolayısıyla tedavi planlamasınn gecikmesine neden olabilmektedir. Bu çalışmadaki temel amaç, taşlı yüzük hücreli mide karsinomu alt tipinin tanısını kolaylaştırmak için yalnızca 18F-FDG PET görüntülerine dayalı geliştirilen yapay zeka tabanlı bir modelin tanı doğruluğunu, duyarlılığını ve özgüllük performansını değerlendirmektir. Geliştirilen derin öğrenme algoritmasının, geleneksel tanı ve evreleme yaklaşımlarına yardımcı olacak şekilde klinik karar süreçlerine katkıda bulunmasına, tanının erken konulmasına olanak tanımasına ve tedavi stratejilerinin optimize edilmesine destek olması hedeflenmektedir. Gereç ve Yöntem: Bu retrospektif çalışmaya, İstanbul Eğitim ve Araştırma Hastanesi'nde tanı almış toplam 171 hasta dahil edilmiştir. Adeno (adenokanser) grubunda 63, SRCC (taşlı yüzük hücreli karsinom) grubunda 53 ve kontrol grubunda 55 hasta yer almıştır. Bu hastalara ait toplam 1189 adet PET görüntüsü kesidi, mide bölgesini içerecek şekilde kırpılarak (crop) analiz edilmiştir. Görüntüler eğitim (%70), doğrulama (%15) ve test (%15) setlerine ayrılmıştır. Derin öğrenme modelinde DenseNet121, EfficientNet-B4 ve ConvNeXt-Tiny mimarilerinden oluşan bir ensemble yapı kullanılmış; sınıf dengesizliğini azaltmak için SRCC grubuna yönelik focal loss uygulanmıştır. Model, Google Colab Pro+ platformunda, NVIDIA A100 GPU üzerinde eğitilmiştir. Performans ölçütü olarak doğruluk, duyarlılık, özgüllük, pozitif ve negatif prediktif değerler, F1 skoru, ROC-AUC ve Ki-kare testi kullanılmıştır. Bulgular: Test verileri üzerinde modelin genel doğruluk oranı %84,97 olarak hesaplanmıştır. Adeno (adenokarsinom) grubunda duyarlılık %92,75, pozitif prediktif değer %87,67 ve F1 skoru 0.9014 olarak bulunurken; SRCC (taşlı yüzük hücreli karsinom) grubunda duyarlılık %62,22, pozitif prediktif değer %75,68 ve F1 skoru 0.6829 olarak belirlenmiştir. ROC eğrisi altında kalan alan (AUC) Adeno ve kontrol gruplarında sırasıyla 0.94 ve 0.96 iken, SRCC için 0.78 olarak tespit edilmiştir. Ki-kare testi sonucunda sınıflar arasında anlamlı bir fark olduğu gösterilmiştir (p<0.00001). Cramér's V değeri 0.649 olup, modelin tahminleriyle gerçek sınıf dağılımı arasında güçlü bir ilişki saptanmıştır. Sonuç: Geliştirilen derin öğrenme modeli, yalnızca PET görüntülerine dayanarak mide kanserinin histolojik alt tipleri olan adenokarsinomu ve taşlı yüzük hücreli karsinomu (SRCC) yüksek doğrulukla ayırt edebilmiştir. Özellikle Adeno ve kontrol gruplarında başarılı sonuçlar elde edilmiş; SRCC sınıfında ise histolojik heterojeniteye bağlı olarak modelin performansının görece sınırlı kaldığı düşünülmektedir. Bu çalışma, yapay zekâ destekli görüntü analiziyle mide kanseri alt tiplerinin non-invaziv ayrımının mümkün olabileceğini göstermektedir. Ayrıca, yapay zekâ tabanlı PET analizleri, yalnızca tanısal doğruluk açısından değil; aynı zamanda gereksiz biyopsi, ileri tetkik ve tedavi maliyetlerini azaltarak sağlık sistemlerinde maliyet-etkinliği artırma potansiyeli taşımaktadır. Bu yaklaşım, yüksek riskli bireylerin daha doğru seçilmesine ve tarama sürecinin optimize edilmesine katkı sunabilir. Gelecekte daha geniş örneklem büyüklüğüne sahip, çok merkezli ve segmentasyonla zenginleştirilmiş veri setleriyle yürütülecek çalışmalar, modelin klinik pratikte uygulanabilirliğini daha somut biçimde ortaya koyabilir ve yapay zekâ tabanlı tanı sistemlerinin rutin kullanımına yönelik önemli bir temel oluşturabilir. Anahtar Kelimeler: Mide kanseri, yapay zekâ, PET görüntüleme, adenokarsinom, taşlı yüzük hücreli karsinom, derin öğrenme, CNN