Makine öğrenmesi ile birlikte radiomics'in mesane kanserlerinde p53 gen mutasyonunu belirlemedeki önemi

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL PROF. DR. CEMİL TAŞÇIOĞLU ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: OKAN İNCE

Danışman: Hakan ÖNDER

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç. BT tabanlı radiomics verileri kullanarak mesane kanserlerini tümör proteini p53 mutasyon durumuna göre sınıflandırabilen makine öğrenmesi modellerini oluşturmak ve potansiyellerini değerlendirilmesidir. Gereç ve Yöntem. Kamuya açık bir veri tabanından p53 mutasyonu olan ve olmayan hastaların bilgisayarlı tomografi ürografi görüntüleri çalışmaya dahil edilmiştir. İki radyolog tarafından ortak fikir birliği ile segmentasyon yapılmıştır. Görüntü önişlemesinden sonra, orijinal, Laplacian of Gaussian ve wavelet filtreli görüntülerden öznitelikler çıkartılmıştır. Üç adımlı öznitelik seçilim işlemi uygulanmıştır. İlk adımda her bir özelliğe Student's t testi uygulanmış ve her bir özelliğin p değeri hesaplanmıştır. İkinci adımda, Pearson korelasyon katsayıları hesaplanmış, birbiri ile yüksek korelasyon gösteren öznitelikler elenmiştir. Son olarak, wrapper tabanlı ardışık özellik seçim algoritması kullanılmıştır. Sınıflandırıcı modeller multi-layer perceptron (MLP) ve support vector machine (SVM) modelleri olarak seçilmiştir. Modellerin performans değerlendirilmesi on katlı çapraz doğrulama tekniği ile yapılmıştır. Bulgular. Çalışmaya 67 hasta katılmıştır (32 p53 mutasyonu olan ve 35 olmayan). SVM ve MLP modelleri p53 mutasyon durumunu %99 doğrulukla sınıflandırmışlardır. SVM modelinin duyarlılığı, özgüllüğü, eğri altındaki alanı (AUC), precision, recall ve F1 ölçütleri sırasıyla %91, %91, %90, %91, %91 ve %91 olarak belirlenmiştir. MLP modelinin duyarlılığı, özgüllüğü, AUC, precision, recall ve F1 ölçütü sırasıyla %97, %86, %85, %86, %97 ve %91 idi. Sonuç. Radiomics verileriyle inşa edilen makine öğrenmesi modelleri mesane kanserinde hastaların p53 mutasyon durumunu tahmin etmede büyük potansiyel taşımaktadır.