Prostat biyopsisi için aday hastalarda, yapay zekanın multiparametrik prostat manyetik rezonans görüntülemedeki PI-RADS 3 lezyon için maligniteyi öngörmedeki rolü
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: ABDYRAZAK METINOV
Danışman: Cavit CEYLAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Prostat biyopsisi için aday hastalarda, yapay zekanın multiparametrik prostat manyetik rezonans görüntülemedeki PI-RADS 3 lezyonu için maligniteyi öngörmedeki rolü incelenmesi amaçlanmıştır. Gereç ve Yöntem: Çalışmamız retrospektif olarak Mayıs 2019-Şubat 2023 tarihleri arasında çekilen Mp Prostat MRG'de saptanan tek lezyonlu sadece PI-RADS 3 lezyonu olan hastalar belirlendi. Tüm hastaların Total PSA değeri:4-10 ng/ml aralığında olanlar çalışmaya alındı. Kliniğimizde TRUSG Prostat biyopsisi yapılanlar arasından patoloji sonucunda malign olan 50 hasta ve benign olan 50 hasta olarak toplam 100 hasta dahil edildi. Mp Prostat MRG'leri 10 ve 15 yıllık tecrübeye sahip radyologlar tarafından raporlandı. İki okuyucu tarafından 3D SLİCER programı ile MRG'leri yüklenerek T2WI ve ADC görüntülerindeki PI-RADS 3 lezyonlarından segmentasyon yapılarak radiomik özellikleri çıkartıldı. Her hasta için T2WI ve ADC haritaları için toplam 260 tekstür özellik çıkarıldı ve bunun içinde 214 özellik kullanıma dahil edildi. Her iki okuyucu arasındaki uyumlu özellikleri belirlemek için SPSS 22.00 versiyonunda ICC(intraclass correlation coefficient) testi kullanılarak T2WI görüntülemeden 8 özellik uyumlu bulundu ve ICC değeri＞0.61 kabul edildi. ADC görüntüleme özelliklerinde ICC ＜0.45 olduğu için kabul edilmedi. Ortak uyumlu bulunan 3 özellik 0.7 üzerinde bulundu:First Order Grubundan(Mean+Median+Root Mean Squared),5 özellik 0.61 üzerinde bulunduğu için kabul edildi(144,145).Bu 5 özellik:First Order grubundan(10 Percentile ve Minimum),GLDM(Gray Level Non Uniformity),GLRLM(Gray Level Non Uniformity),GLSZM(Gray Level Non Uniformity). Alınan 8 özellikle birlikte Yaş,Total PSA,PSA-Dansitesi,PRM bulguları PYTHON yazılım programında PyCarret kütüphanesinde değerlendirildi ve anlamlı bulunan ET(Extra Trees) ve XGBoost(Extreme Gradient Boosting) algoritma modelleri kullanıldı.ROC analizi,Kolmogorov-Smirnov testi otomatik olarak PYTHON programından alındı. Bulgular: Çalışmaya alınan 100 hastanın demografik verileri SPSS 22.00 versiyonunda değerlendirildi. Tüm hastaların ortalama yaş değeri 65,97±2,52.Malign grupta :66,46±2,32,benign grupta:65,46±2,69, p=0,3 olarak bulundu.Total PSA değeri 6,46±2,52,malign grupta:6,76±2.32,benign grupta:6,17±2,69,p=0,13.Tüm hastalarda PSA-D:0.11±0,07,malign grubunda PSA-D 0.13±0.09 ve benign grubun PSA-D 0,09±0,05 olup p 6 geldi. Diğer 38(%76) hastada Gleason skoru=6 saptandı. PYTHON yazılımı ile PyCarret kütüphanesinde 14 MÖ(makina öğrenme) algoritmasından 2 adet algoritma anlamlı bulundu.1)ET modelinde AUC:%79,Doğruluk:%72 bulundu,PPD:%82 . 2)XGBoost modelinde AUC:%75,Doğruluk:%72,PPD:%82. Her iki modeli harmanlayınca AUC: %79, Doğruluk: %70 , PPD: %80 olarak bulundu. Bulunan Yapay Zeka sonuçları PI-RADS 3 lezyonlarını RT,PSA,PSA-D yanında non invaziv parametre olarak Prostat Kanserin öngörmede kullanabilirliğini göstermektedir. Sonuç: PI-RADS 3 lezyonunda prostat biyopsisi için aday hastalarda maligniteyi öngörmede PSA,PRM,PSA-D gibi Yapay Zeka programını non invaziv tanı yöntemi olarak kullanılabilirliği yönünde sonuçlar elde ettik. Böylece ara kategori lezyonlarda gereksiz prostat biyopsilerin azaltılabileceği düşünülebilir. Yeni araştırılan tanı yöntemi olarak belirlenmiş bir konsensus ve radiomik özelliklerin cut-off değerleri henüz oluşmadığı için Yapay Zeka üzerinde fazla çalışmaya ihtiyaç görülmektedir. Anahtar Kelimeler:Prostat kanseri, Multiparametrik Prostat Manyetik Rezonans Görüntüleme(MP PROSTAT MRG), Makine öğrenimi, Yapay Zeka, Prostate Imaging Reporting and Data System (PIRADS)