Serviks kanserli hastalarda F-18 FDG PET/BT görüntülerinden elde edilen metabolik-volümetrik ve radyomiks parametrelerin değerlendirilmesi

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: AYŞE BERNA ÖZDEN

Danışman: Gökhan KOCA

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Serviks kanserinde lenf nodu metastazı en güçlü prognostik etkenler içinde yer almaktadır. Bu çalışmanın birincil amacı preoperatif F-18 FDG PET/BT görüntüleri üzerinden elde edilen metabolik-volümetrik parametreler ve radyomiks özelliklerin mRMR algoritmasıyla seçilerek beş farklı makine öğrenmesi algoritması ile modelleme sonucunda patolojik lenf nodu metastazı varlığının tahmin edilmesidir. İkincil amaç ise aynı yöntemlerle histolojik alt tipler olan; SCC ile adenokarsinom ayrımının öngörülmesidir. Gereç ve Yöntem: Preoperatif F-18 FDG PET/BT görüntülemesi yapılan, postoperatif lenf nodu patolojsi ve histopatolojik alt tipi kesin olarak bilinen 111 serviks kanseri hastası retrospektif olarak değerlendirildi. IBSI uyumlu LIFEx yazılımı aracılığıyla primer tümörden 163 adet radyomiks özellik oluşturuldu. Üç aşamalı filtrelemenin ardından 31 özellik mRMR algoritmasına sunuldu. Veri seti bazlı rastgele örnekleme ile %71 eğitim (n=79) ve %29 bağımsız (n=32) test seti olarak ayrıldı. Lojistik Regresyon, ElasticNet LR, Random Forest, SVM ve XGBoost olmak üzere beş farklı makine öğrenmesi algoritması uygulandı. Model performansları bağımsız test seti, 1000 iterasyonlu bootstrap validasyonu, DeLong testi, Hosmer-Lemeshow kalibrasyon testi, karar eğrisi analizi ve risk nomogramı ile değerlendirildi. Bulgular: Bütün metabolik-volümetrik parametreler (SUVmax, SUVmean, SUVmin, MTV, TLG), LN pozitif grupta istatistiksel açıdan anlamlı düzeyde daha yüksek saptandı (p<0,001). TLG, LN pozitif grupta LN negatif gruba oranla yaklaşık 5,3 kat yüksek saptandı (294,34 g vs. 55,76). mRMR analizinde lenf nodu metastazı için en güçlü parametre olarak SUV 75. persentil (skor: 0,192) tespit edildi. Makine öğrenmesi modellerinin bağımsız test setinde AUC değerleri 0,804 ile 0,849 arasında olduğu görüldü. En dengeli performans XGBoost modelinde görüldü (AUC=0,849). DCA analizi tüm modellerin yaklaşık %20-70 risk eşiği aralığında net klinik fayda verdiğini gösterdi. Histolojik alt tip ayrımında ise tüm modellerde şans düzeyine yakın ya da altında AUC değerleri görüldü (0,459-0,626). Sonuç: F-18 FDG PET/BT bazlı radyomiks özellikler ile klinik değişkenlerin mRMR algoritması kullanılarak seçimi ve makine öğrenmesi ile modelleme yapılması, serviks kanserinde preoperatif lenf nodu metastaz öngörüsünde klinik açıdan anlamlı sonuçlar vermektedir. XGBoost modelinin dengeli duyarlılık ve özgüllük profili iyi kalibrasyonu ve DCA'da kanıtlanan net klinik faydası bu yaklaşımın non-invaziv preoperatif evreleme sürecine katkıda bulunabileceğini desteklemektedir. Histolojik alt tip ayrımında tüm modellerde başırısızlık görülmesi FDG PET/BT radyomiksinin bu konudaki temel biyolojik kısıtlılığını yansıtmaktadır. Anahtar Kelimeler: Serviks kanseri, F-18 FDG PET/BT, radyomiks, makine öğrenmesi, lenf nodu metastazı, histolojik alt tip