Küçük hücreli dışı akciğer kanserlerinde PDL-1 pozitifliğinin ve ekspresyonunun ayırt edilmesine radiomiks ve makine öğrenmesinin katkısı

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL SULTAN ABDÜLHAMİD HAN SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: İSMAİL SERHAT MUSAOĞLU

Danışman: Fatma Sibel BAYRAMOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu çalışmanın amacı, küçük hücre dışı akciğer kanseri (KHDAK) hastalarında tanı öncesi kontrastsız toraks BT görüntülerinden radyomik özellikleri çıkartarak, makine öğrenmesi modelleri yardımıyla PD-L1 ekspresyon düzeylerini non-invaziv olarak tahmin etmektir. Gereç ve Yöntemler: Retrospektif olarak tasarlanan çalışmada, 2019-2023 yılları arasında KHDAK tanısı almış toplam 268 hasta incelenmiştir. Tüm hastaların tanı anındaki kontrastsız toraks BT görüntülerinden radyomik özellikler çıkartılmış ve bu veriler klinik-demografik bilgilerle birleştirilmiştir. Lasso regresyonu kullanılarak anlamlı özellikler seçilmiş ve Random Forest, Destek Vektör Makinesi (SVM) ve k-En Yakın Komşu (k-NN) algoritmaları ile makine öğrenmesi modelleri oluşturulmuştur. Modeller, çoklu ROC eğrileri ve AUC değerleri ile değerlendirilmiştir. Bulgular: Radyomik özellikler, klinik-demografik veriler ve her ikisinin birleştirilmiş haliyle geliştirilen modellerin performansı karşılaştırılmıştır. Random Forest algoritması, test setinde PD-L1 ekspresyon gruplarını ayırt etmede en yüksek doğruluk oranı (%84.52) ve AUC değerini (0.9392) sunmuştur. Klinik verilerle desteklenen radyomik modellerin yalnızca radyomik veya klinik veri bazlı modellere göre daha başarılı olduğu gözlemlenmiştir. Sonuç: Çalışma, radyomiks ve makine öğrenmesi tekniklerinin KHDAK hastalarında PD-L1 ekspresyon düzeylerini non-invaziv olarak tahmin etmekte etkili bir yöntem olduğunu ortaya koymuştur. Bu yöntem, invaziv biyopsi ihtiyacını azaltarak tanı ve tedavi planlaması süreçlerini iyileştirme potansiyeline sahiptir. Gelecekte daha geniş hasta popülasyonları ve çok merkezli çalışmalar ile yöntemin genellenebilirliğinin arttırılması önerilmektedir. Anahtar Kelimeler: KHDAK, PD-L1, radyomiks, makine öğrenmesi, non-invaziv tanı.