Serviks kanserli hastalarda tanı anındaki mrg radyomiks analizinin patolojik subtipleri öngörü değeri

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, KAYSERİ ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: KÜBRA NALBANT

Danışman: Şadan TUTUŞ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Çalışmamızın amacıserviks kanserli hastalarda MRG üzerinden yapılan radiomiks analizi ile elde edilen değişkenler ve makine öğrenmesi yöntemleri kullanılarak histopatolojik subtiplerin öngörülebilmesidir. Yöntem ve Gereçler: Ocak 2019 – Haziran 2024 tarihleri arasında serviks kanseri ön tanısı ile tedavi öncesi lokal evreleme amaçlı yönlendirilen ve kliniğimizde pelvik MRG çekilen 55 hastadan çalışmaya alınma ölçütlerini karşılayan 47 hasta dahil edildi. Hastalarımızın 40'ı SCC 7'si adenokarsinom tanısı almıştı. Yapılan MR görüntülemelerden aksiyel T2A, aksiyel postkontrast FS T1A ve ADC serilerde lezyonlar LIFE x programı ile üç boyutlu segmente edildi ve radiomiks değişkenleri hesaplandı. Ortalama radyomiks özellikler yapılan histopatolojik subtip tahmininde; support vector machines (SVM), "naive bayes" (NB) ve "random forest"(RF) ve Synthetic Minority Oversampling Technique (SMOTE) olmak üzere dört farklı makine öğrenim yöntemi kullanıldı. Bulgular: Çalışmaya dahil edilen 47 hastanın yaş ortalaması 52 olup yaş aralığı 33-80 arasındaydı. 47 hastanın 40 (%85) tanesi SCC, 7 (%15) tanesi adenokarsinom tanısı almıştı. Makine öğrenme modellerinden her bir sekans için 130 texture parametresi elde edildi. Histopatolojik subtip tahmininde elde edilen parametlerden ADC için Random Forest modelinde RFE değişken seçim yöntemi ile 22 değişkenle %84, T1+C için SVM modelinde RFE değişken seçim yöntemiyle 7 değişkenle %90 doğruluk , T2A için random forest modelinde RFE değişken seçim yöntemi ile 20 değişkenle %90 doğruluk elde edildi. T1+C sekansı histopatolojik subtip öngörmede ADC ve T2A sekanstan daha başarılı bulunmuştur. Sonuç: Serviks kanserlerinde MR radyomiks analizi ile elde edilen texture parametrelerinin makine öğrenme yöntemleri ile histopatolojik subtipleri öngörebildiği gösterilmiştir. Makine öğrenme algoritmaları ile %90 ların üzerine çıkabilen bir tanı performansı elde ettik. Bu teknikler texture parametlerinden elde edilen bilgiler ışığında hekimlere karar destek sistemi olarak katkı sunabilir. Anahtar kelimeler: Serviks kanseri, radyomiks, makine öğrenimi,Manyetik rezonans görüntüleme, SMOTE.