Multipl myelom litik kemik lezyonları ile diğer osteolitik metastazların ayrımında F-18 FDG PET tekstür özellikleri ve radiomics tabanlı makine öğrenmesi modellerinin karşılaştırılması
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, GÜLHANE TIP FAKÜLTESİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: ÜLKÜ NUR DERYA
Danışman: Engin ALAGÖZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Çalışmamızda 18F-FDG PET/BT'de litik kemik lezyonu saptanan olgularda radiomics tabanlı makine öğrenmesi modellerini kullanarak, multipl myelom ile metastaz ayrımı yapmayı ve oluşturduğumuz farklı modellerin performansını karşılaştırmayı amaçladık. Gereç ve Yöntem: Retrospektif olarak Kasım 2016-Ocak 2022 tarihleri arasında 18 yaşından büyük, multipl myelom veya başka bir primer malignite tanısı almış, evreleme amacıyla 18F-FDG PET/BT incelemesi yapılan ve multipl litik kemik lezyonları saptanan toplam 59 hastanın 171 litik kemik lezyonu çalışmaya dâhil edildi. Discovery PET/BT 690 (General Electric Medical Systems, Wisconsin, ABD) cihazından elde edilen atenüasyon düzeltmeli PET görüntüleri açık kaynak kodlu Local Feature Extraction (LIFEx) v.7.1.0 uygulamasına DICOM formatıyla yüklendi. Litik kemik lezyonlarının segmentasyon işlemi; PET görüntülerinden SUVmax %40 tresholdu seçilerek, üç boyutlu ve yarı-otomatik olarak yapıldı. Çizilen ilgi alanlarının her birinden 6 adet konvansiyonel, 7 adet birinci düzey histogram-şekil bazlı, 7 adet ikinci düzey, 25 adet yüksek düzey olmak üzere toplam 45 öznitelik elde edildi. 45 özellik üzerinden Korelasyon Tabanlı, Gain Ratio ve Information Gain değişken önemi testleri yapıldı. Değişkenlerin veri setine kattığı değere bakılarak en önemli 10 bağımsız değişken sıralandı. Seçilen 10 değişken ile makine öğrenmesi analizi yapıldı. Makine öğrenmesi analizleri yapılırken R programlama dili içindeki RWeka ve e1071 paketlerinden faydalanıldı. Makine Öğrenmesi sınıflama yöntemlerinden Lojistik Regresyon, Naive Bayes, Çok Katmanlı Algılayıcı, Destek Vektör Makinesi, Random Forest ve Hibrit Model kullanıldı. Veri seti 10 katlı çapraz doğrulama kullanılarak test edildi. Tanısal performans kriteri olarak Doğru Sınıflama Oranı, F-ölçütü, Matthews Korelasyon Katsayısı, ROC Eğrisi alanı ve Precision Recall Eğrisi alanı kullanıldı. Bulgular: Değişken önemi testi sonucuna göre değişkenler en önemliden en önemsize olacak şekilde GLCM Homogeneity, GLRLM RP, GLCM Entropy log10, GLRLM SRE, Histogram Entropy log10, GLCM Dissimilarity, SUVstd, GLRLM LRE, GLCM Contrast ve GLZLM LZLGE şeklinde sıralandı. Literatürde en sık kullanılan performans ölçütlerinden doğru sınıflama oranı, F-ölçütü ve MCC'ye göre en iyi sonuçları, oluşturulan Hibrit Model vermekteydi (sırasıyla 0.844, 0.857, 0.681). Bu yöntemi sırasıyla Naive Bayes (0.813, 0.772, 0.449), Random Forest (0,760, 0.756, 0.441) Destek Vektör Makinesi (0.823, 0.767, 0.424), Lojistik Regresyon (0.781, 0.754, 0.414) ve Çok Katmanlı Algılayıcı (0.677, 0.722, 0.421) yöntemleri izlemekteydi. Sonuç: Oluşturduğumuz makine öğrenmesi modelleri iyi bir tanısal performans gösterdi. En yüksek doğru sınıflama oranı Çok Katmanlı Algılayıcı, Destek Vektör Makinesi ve J48 algoritmalarının birleşiminden oluşan Hibrit Model ile elde edildi. Ayrıca iki grubun ayrımında en iyi performans gösteren özellikler için eşik değerler belirlendi. Bu iki lezyonun yalnızca PET görüntüleri kullanılarak girişimsel olmayan yöntemlerle sınıflandırılabilmesi, seçili vakalarda klinisyene yol gösterme potansiyeline sahiptir. Sonuç olarak PET tekstür özellikleri osteolitik lezyonların multipl myelom/metastaz durumunu öngörebilmektedir. Bu sonuçların prospektif, çok sayıda hastayla ve BT, MRG gibi diğer görüntüleme teknikleri ile yapılacak çalışmalarla doğrulanması, gelecekte hassas tıp uygulamalarına daha fazla katkı sağlayacaktır. Anahtar kelimeler: Makine öğrenmesi, metastaz, multipl myelom, pozitron emisyon tomografisi-bilgisayarlı tomografi, radiomics