Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile serviks kanserinde inoperabilitenin öngörülmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL KANUNİ SULTAN SÜLEYMAN SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: MELİKE NUR BEDİR
Danışman: Merve ALDIKAÇTIOĞLU TALMAÇ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, serviks kanseri tanısı alan hastalarda preoperatif manyetik rezonans görüntüleme (MRG) verilerinden elde edilen radiomics özellikleri kullanılarak inoperabilite durumunun makine öğrenmesi yöntemleri ile öngörülebilirliğini değerlendirmek ve görüntü tabanlı kantitatif analizlerin klinik karar verme sürecine olası katkısını araştırmaktır. Gereç ve Yöntem: Bu retrospektif, tek merkezli çalışmaya Ocak 2010–Ocak 2025 tarihleri arasında serviks kanseri tanısı almış ve preoperatif pelvik MRG görüntüleri bulunan toplam 118 hasta dahil edildi. Hastalar operabl (OP) ve inoperabl (INOP) olarak sınıflandırıldı. T2 ağırlıklı aksiyel MRG görüntüleri üzerinden tümör segmentasyonu gerçekleştirildi ve radiomics özellikleri elde edildi. Elde edilen veriler üzerinde makine öğrenmesi analizleri uygulandı. Keşifsel aşamada farklı algoritmalar değerlendirilirken, final analiz için Random Forest ve genelleştirilmiş doğrusal model (GLM) performansları karşılaştırıldı. Model başarısı ROC eğrisi, eğri altında kalan alan (AUC), doğruluk, duyarlılık ve özgüllük ölçütleri ile değerlendirildi. Bulgular: Çalışmaya dahil edilen 118 hastanın 52'si (%44,1) operabl, 66'sı (%55,9) inoperabl grupta yer aldı. İnoperabl grupta tümör boyutları, tümör hacmi ve lokal yayılım bulguları daha yüksek oranlarda izlendi. Keşifsel analizlerde radiomics tabanlı modellerin yüksek ayırt edici performans gösterdiği görüldü. Final model değerlendirmesinde radiomics-only Random Forest modeli en başarılı performansı gösterdi ve yaklaşık 0,79 AUC değerine ulaştı. Elde edilen sonuçlar, yalnızca görüntüden çıkarılan kantitatif özelliklerin dahi inoperabilite ile ilişkili bilgi taşıyabileceğini gösterdi. Sonuç: Serviks kanserinde preoperatif T2 ağırlıklı MRG görüntülerinden elde edilen radiomics özelliklerinin, makine öğrenmesi yöntemleri ile analiz edilmesi inoperabilite öngörüsünde anlamlı performans sağlayabilmektedir. Bu yaklaşımın, özellikle tedavi planlaması ve klinik karar süreçlerinde yardımcı bir araç olarak kullanılma potansiyeli bulunmaktadır. Daha geniş hasta serileri ve çok merkezli doğrulama çalışmaları ile sonuçların desteklenmesi gerekmektedir. Anahtar Kelimeler: İnoperabilite, Manyetik Rezonans Görüntüleme, Makine Öğrenmesi, Radiomics, Random Forest, Serviks Kanseri, Yapay Zeka