Meme kanserli hastalarda F-18 FDG PET/BT tabanlı radyomiks analizinin aksiller lenf nodu metastazını öngörmedeki rolü
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: SEFA ÖZDEMİR
Danışman: Gökhan KOCA
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Meme kanserinde aksiller lenf nodu metastazı önemli bir prognostik faktör olup doğru evreleme ve tedavi planlaması için kritik öneme sahiptir. İnvaziv aksiller evreleme yöntemlerinin sınırlılıkları ve yan etkileri nedeniyle noninvaziv ve doğruluğu yüksek öngörü yöntemlerine ihtiyaç vardır. Bu çalışmanın amacı, F-18 FDG PET/BT tabanlı radyomiks özellikleri ile klinikopatolojik, radyolojik ve metabolik-volümetrik verilerin kombine edildiği makine öğrenmesi modellerinin aksiller lenf nodu metastazını öngörmedeki etkinliğini araştırmaktır. Gereç-Yöntem: Ocak 2021-Ocak 2025 tarihleri arasında başlangıç evrelemesi için F-18 FDG PET/BT görüntülemesi yapılan meme kanseri hastaları retrospektif olarak incelendi. Çalışmaya dahil edilen 284 hastanın klinikopatolojik özellikleri, USG bulguları ve PET/BT parametreleri kaydedildi. LIFEx yazılımı ile tekstür analizi yapılarak primer tümörlerden 164 radyomik özellik çıkarıldı. Oluşturulan tüm veri seti %70 eğitim, %30 test seti olarak bölündü. R programlama dili ile öncelikle tek değişkenli istatistiksel analizler gerçekleştirildi. Daha sonra LASSO ve stepwise AIC hibrit yöntemi ile her veri modalitesi için lojistik regresyon modelleri oluşturuldu. Alternatif olarak tüm veri setinden mRMR algoritması ile özellik seçimi yapılarak beş farklı makine öğrenmesi algoritması (GLM, Random Forest, SVM, XGBoost, Naive Bayes) test edildi. Model performansları ROC analizi, karar eğrisi analizi ve tanısal performans metrikleri ile değerlendirildi. Bulgular: İstatistiksel analizlerde USG bulguları ve aksiller SUVmax değeri hem test hem de eğitim setinde lenf nodu metastazıyla güçlü korelasyon gösterdi (p<0.001). Sadece radyomik özelliklerden oluşturulan makine öğrenmesi modelinin tahmin performansı sınırlı kaldı (AUC: 0.578). LASSO-AIC tabanlı kombine model test setinde 0.913 AUC değerine ulaştı. mRMR tabanlı XGBoost modeli ise 0.927 AUC ile en yüksek performansı gösterdi. Kombine model, tek modaliteli modellere istatistiksel olarak anlamlı üstünlük sağladı (p<0.05). Sonuç: Multiparametrik makine öğrenmesi modelleri, meme kanserinde aksiller lenf nodu metastazının öngörülmesinde tek modaliteli yöntemlere kıyasla üstün performans ortaya koymuştur. Bu yaklaşım, hastalığın evrelemesine ve yönetimine katkı sağlayarak gereksiz invaziv girişimleri azaltabilir. Anahtar Kelimeler: Makine öğrenmesi, meme kanseri, pozitron emisyon tomografisi, radyomiks