Akut iskemik inmeli olgularda hemorajik transformasyon gelişimini öngörmede mr görüntülemenin radyomiks analizinin tanısal değeri
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL GAZİOSMANPAŞA SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: ALAADDİN ATEŞ
Danışman: Neslin ŞAHİN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Akut iskemik inme (Aİİ) hastalarında hemorajik transformasyon (HT) gelişimini öngörmek için, SWI (Susceptibility-Weighted Imaging) sekansını da içeren Manyetik Rezonans görüntüleme (MRG) verileri ve klinik bulgular kullanılarak radyomiks analizi yapılması amaçlanmaktadır. Literatürde, SWI sekansını içeren benzer bir çalışma bulunmamaktadır. Bu çalışmanın, Aİİ hastalarının takip ve tedavi süreçlerine katkı sağlaması hedeflenmektedir. Gereç ve Yöntem: Bu çalışmada, etik kurul onayının alınmasının ardından Temmuz 2021-Eylül 2024 tarihleri arasında hastanemiz nöroloji kliniğinde yatarak izlenen ve ilk gelişinde DAG (Difüzyon Ağırlıklı Görüntüleme) ve SWI sekansları olan Aİİ tanılı hastaların MRG verileri retrospektif olarak değerlendirilmiştir. Kriterlere uyan toplam 124 hasta çalışmaya dahil edilmiştir. Kontrol MR görüntülemelerine (3 gün-2 hafta arası) göre 61 hasta HT gelişen (kanama grubu) ve 63 hasta HT gelişmeyen (kontrol grubu) olarak iki gruba ayrılmıştır. Hastaların demografik bilgileri (yaş, cinsiyet, doğum tarihi) ve klinik özellikleri (ör. diyabetes mellitus, hipertansiyon) kaydedilmiştir. DAG ve SWI sekanslarının segmentasyon işlemleri, 3D Slicer yazılımı kullanılarak gerçekleştirilmiştir. Öznitelikler, MATLAB yazılımı kullanılarak IBSI standartlarına uygun şekilde çıkarılmıştır. Orijinal görüntülerden 102 öznitelik, farklı kernel boyutlarına sahip LoG dönüşümlerinden ise toplam 276 öznitelik elde edilmiştir. Buna ek olarak, 11 demografik ve klinik veri de modele entegre edilmiş ve toplamda 389 öznitelik analiz edilmiştir. Veriler, eğitim (%85) ve test (%15) seti olarak ayrılmış, tüm öznitelikler Z-skor normalizasyonu ile ölçeklendirilmiştir. Öznitelik seçiminde filtre (filter) ve sarmal (wrapper) tabanlı yöntemler kullanılmış, yapay sinir ağları (YSA), destek vektör makineleri (SVM) ve K-en yakın komşu (K-NN) algoritmaları ile 3 katlı çapraz doğrulama yönteminin eğitim katlarında öznitelik seçimi yapılmıştır. Validasyon katlarında, seçilen öznitelik kümelerinin performansları değerlendirilmiş ve en iyi performansı sağlayan öznitelik kümelerinin sınıflandırma yöntemleri belirlenmiştir. Üç farklı sınıflandırma modeli için belirlenen öznitelik kümeleri test veri setine uygulanarak modellerin gerçek performansları ölçülmüştür. Bulgular: Tüm modellerde, klinik verilerin de eklenmesiyle SWI, DAG ve SWI+DAG kombinasyonu ayrı ayrı değerlendirilmiştir. SWI sekansı için YSA ve SVM modelleri en iyi performansı göstermiş ve %88,89 doğruluk, %88,89 kesinlik, %88,89 duyarlılık, %88,89 özgüllük ve %88,89 F1 skoru elde edilmiştir. DAG sekansı ile YSA modeli en iyi başarıyı sağlamış; %88,89 doğruluk, %81,82 kesinlik, %100 duyarlılık, %77,78 özgüllük ve %90 F1 skoru elde edilmiştir. SWI ve DAG kombinasyonu kullanıldığında YSA modeli; %94,44 doğruluk, %100 kesinlik, %88,89 duyarlılık, %100 özgüllük, %94,12 F1 skoru ve %100 ROC (Receiver Operating Characteristic) eğrisi EAA (Eğri Altındaki Alan) değeri ile tüm modeller içinde en iyi performansı göstermiştir. Sonuç: Bu çalışma, SWI ve DAG sekanslarının Aİİ'de hemorajik transformasyon öngörüsünde tek başına etkili olduğunu, ancak bu iki sekansın kombinasyonunun doğruluk ve performansı önemli ölçüde artırdığını ortaya koymaktadır. Özellikle, YSA modeli SWI ve DAG kombinasyonunda en yüksek başarıyı göstermiş ve HT öngörüsü için güçlü bir araç olduğunu kanıtlamıştır. Bu bulgular, Aİİ hastalarında SWI sekansının radyomiks analizine eklenmesinin HT gelişiminin erken ve doğru bir şekilde tahmin edilmesine katkı sağlayabileceğini göstermektedir. Anahtar Kelimeler: Akut İskemik İnme, Hemorajik Transformasyon, Duyarlılık Ağırlıklı Görüntüleme (SWI), Radyomiks Analiz, Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (SVM), K-En Yakın Komşu (K-NN).