Klinik anlamlı prostat kanseri tanısında prostat MR'da makine öğrenme algoritmalarının etkinliği
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL BAKIRKÖY DR. SADİ KONUK SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: MEHMET KARADAĞ
Danışman: Elif HOCAOĞLU
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Klinik Anlamlı Prostat Kanseri Tanısında Prostat MR'da Makine Öğrenme Algoritmalarının Etkinliği Giriş ve Amaç: Prostat kanseri tanısında ve agresifliğinin değerlendirilmesinde radyomiks temelli yapay zeka çalışmalarına son yıllarda ilgi giderek artmaktadır. Bu tez çalışmasında, MpMRG'de T2A sekansta ve ADC haritasında elde edilen radyomiks özellikleri ile klinik anlamlı PKa ile klinik anlamlı olmayan PKa hastalarının ayrımında makine öğrenme algoritmatlarının etkinliğininin araştılması amaçlanmıştır. Gereç ve Yöntem: Ocak 2016-Aralık 2023 tarihleri arasında, radikal prostatektomi olmuş ve opereasyon öncesi son 3 ay içerisinde çekilmiş kritirelere uygun multiparametrik prostat MRG bulunan 287 çalışmaya dahil edildi. Hastalar patoloji sonucuna göre Gleason skoru 3+3 olanlar klinik anlamlı olmayan prostat kanseri grubuna(n=123), Gleason skoru 3+4 ve üzeri olanlar klinik anlamlı PKa grubuna(n=164) dahil edilmiştir. Çalışmaya dahil edilen hastaların multiparametrik prostat MR'da PI-RADS 3,4 ve 5 lezyonlarının manuel segmentasyonu 3D Slicer Programı ile yapılmıştır. Segmentasyon işlemi T2A sekanslarda ve ADC haritasında iki radyolog tarafından yapılmış olup segmentasyon korelasyonu SorensenDice benzerlik formülü ile karşılaştırılıp %75'den az benzeşen ölçümler tekrarlanmıştır. Tüm hastaların T2A sekansta ve ADC haritası daha önceden belirlenmiş, aynı kesitten geçen imajları, segmentasyonun yapılacağı 3D Slicer yazılımının 5.6.0 versiyonuna yüklendi. Daha sonra, lezyonların lokalizasyon bilgisine sahip ancak histopatolojik sonucundan habersiz iki farklı iki radyolog tarafından her bir sekans için ayrı ayrı olacak şekilde manuel olarak iki boyutlu segmentasyon işlemleri gerçekleştirildi. Bulgular: ADC haritasında ve T2A sekansta 107 adet radiomiks verisi toplanmış ve aralarında istatistiksel olarak anlamlı bulununlar makine öğrenmesi algoritmalarında kullanılmak üzere ayrılmıştır. Klinik anlamlı prostat kanseri ayrımında ADC haritasında Neural network modeli %80 duyarlılık %87 özgüllük ve %90 doğruluk en başarılı makine öğrenmesi modeli olmuştur(AUC=0,91). T2A sekanstan elde edilen özellikler ile oluşturulan makine öğrenme modellerinde SVM modeli %81 duyarlılık %80 özgüllük ve %80.7 doğruluk doğruluk ile en başaraılı model olmuştur(AUC=0,83). Sonuç: Çalışmamız klinik anlamlı PKa tanısında radiomiks verileri kullanılarak makine öğrenmesi algoritmalarının kullanımının noninvaziv bir yöntem olarak yüksek doğruluk ve özgüllük oranları ile tahmin edebileceğini göstermiştir. Anahtar Kelimeler: Prostat kanseri; Multiparametrik MRG; Radyomiks; Makine Öğrenmesi; PI-RAD v2.1