Akademik Veri Yönetim Sistemi
16. ULUSAL RADYASYON ONKOLOJİSİ KONGRESİ, Girne, Kıbrıs (Kktc), 9 - 13 Nisan 2025, ss.16-17, (Özet Bildiri)
DEFİNİTİF RADYOTERAPİ UYGULANAN YÜKSEK RİSKLİ PROSTAT KANSERİ HASTALARINDA RADYOMİK ÖZELLİKLER İLE PROGRESYONUN TAHMİNİ Timur Koca1 , Umur Kağan Kahya1 , Rahmi Atıl Aksoy2 , Aylin Fidan Korcum Şahin1 1 Akdeniz Üniversitesi Tıp Fakültesi, Radyasyon Onkolojisi Anabilim Dalı, Antalya 2 İzmir Şehir Hastanesi, Radyasyon Onkolojisi Kliniği, İzmir Amaç: Prostat kanseri, çeşitli biyolojik ve klinik davranış paternleri sergileyen bir hastalıktır. Bu heterojen prognozlu hastalığın tedavi yaklaşımında klinik, radyolojik ve histopatolojik özelliklere dayalı risk sınıflandırma sistemleri kullanılmaktadır. Günümüzde bu sınıflandırma yaklaşımlarını geliştirme çabaları devam etmektedir. Bu konuda tıbbi görüntülerden elde edilen kantitatif özelliklerin tümörlerin farklı fenotipik özellikleriyle ilişkilendirilmesi ve bu özelliklerin prognostik değerlerinin araştırılması hipotezine dayanan radyomik analiz çalışmaları hız kazanmıştır. Çalışmamızda, definitif radyoterapi uygulanan yüksek riskli prostat kanseri hastalarında, radyomik özellikler kullanılarak geliştirilen makine öğrenimi tabanlı modeller ile progresyonun tahmin edilmesi amaçlanmıştır. Gereç ve Yöntem: Ocak 2014 - Ocak 2024 arasında anabilim dalımızda definitif radyoterapi uygulanmış 105 yüksek riskli prostat kanseri hastası retrospektif olarak incelenmiştir. Biyokimyasal rekürrens, lokal-bölgesel nüks veya uzak metastaz gelişimi progresyon olarak tanımlanmıştır. Hastaların simülasyon bilgisayarlı tomografi (BT) görüntülerinden prostatı içeren ilgili bölge 3D Slicer yazılımı kullanılarak belirlenmiştir. SlicerRadiomics uzantısı ile toplam 851 radyomik özellik (morfolojik, birinci derece istatistiksel, dokusal ve dalgacık dönüşümü) çıkarılmıştır. Spearman korelasyon ve Lasso regresyon analizleri kullanılarak 2 aşamalı bir özellik seçimi uygulanmıştır. Lasso regresyon katsayılarına göre en iyi 10 radyomik özellik seçilmiş, bu özellikler ile makine öğrenimi tabanlı cox regresyon modeli geliştirilmiştir. Modelin performansı, uyum indeksi (C-index) hesaplanarak değerlendirilmiş; C-index güven aralıkları ise bootstrap yeniden örnekleme ile belirlenmiştir. Model geliştirme iş akışı Şekil 1’de sunulmuştur. Tüm veri analizi ve model geliştirme işlemleri Python v3.13 yazılımı kullanılarak gerçekleştirilmiştir. Bulgular: Ortanca tedavi öncesi serum PSA seviyesi 16,40 ng/ mL (range: 1.4–229,9 ng/ mL) olarak izlenmiştir ve hastaların %51,4’ünde Gleason 8-10 tümör görülmüştür. Güncel risk sınıflandırmasına göre hastaların 58’i (%55,2) yüksek riskli, 47’si (%44,8) ise çok yüksek riskli prostat kanseridir. Ortanca 34,6 ay (aralık: 6 – 103 ay) izlem süresinde 14 hastada (%13) progresyon saptanmıştır. LASSO regresyonu ile seçilen en iyi 10 özellikten 1’i birinci derece istatistik grubundan iken diğer 9 özellik dalgacık dönüşümü tabanlı özelliklerdendir. Çok değişkenli cox regresyon analizi sonucunda “wavelet-LLL-glszm-SizeZoneNonUniformity” özelliğinin istatistiksel anlamlılığa yakın olduğu (p=0,074) ve “wavelet-LLH-gldm-LargeDependenceEmphasis” özelliğinin ise istatistiksel anlamlı olduğu (p=0,003) bulunmuştur (Tablo 1). Geliştirilen makine öğrenimi tabanlı radyomik modelin C-index değeri, bootstrap yeniden örnekleme ile 0,76 (%95 GA: 0,67-0,82) olarak hesaplanmıştır. Sonuç: Çalışmamızda, yüksek riskli prostat kanseri hastalarında progresyonu öngörebilecek bir radyomik model geliştirilmiş ve makine öğrenimi teknikleri ile modelin doğruluğu değerlendirilmiştir. Elde edilen sonuçlar, radyomik özelliklerin prostat kanseri progresyonu ile ilişkilendirilerek kişiselleştirilmiş tedavi planlamalarına klinik anlamda katkı sunabileceğini göstermektedir. Bununla birlikte, klinik uygulamada radyomik analiz ve makine öğrenimi tabanlı modellerin güvenilirliğini artırmak için daha geniş hasta sayılı prospektif çalışmalara ihtiyaç duyulmaktadır. Anahtar Kelimeler: prostat kanseri, radyomik analiz, makine öğrenimi, progresyon Resim 1. Radyomik analiz ve model geliştirme aşamaları Tablo 1. Çok Değişkenli Cox Regresyon Analizi Sonuçları Radyomik Özellik HR (%95 GA) p wavelet-LLH-gldm-LargeDependenceEmphasis 1,94 (1,24-3,01) 0,003 wavelet-LLL-ngtdm-Coarseness 0,98 (0,80-1,20) 0,881 wavelet-LLL-glszm-ZoneEntropy 1,05 (0,66-1,64) 0,828 wavelet-LLL-glszm-SizeZoneNonUniformityNormalized 0,79 (0,55-1,13) 0,204 wavelet-LLL-glszm-SizeZoneNonUniformity 1,44 (0,96-2,17) 0,074 wavelet-LLL-glszm-LowGrayLevelZoneEmphasis 0,83 (0,56-1,21) 0,345 wavelet-LLL-glszm-LargeAreaLowGrayLevelEmphasis 1,17 (0,70-1,94) 0,540 wavelet-LLL-glszm-LargeAreaHighGrayLevelEmphasis 0,98 (0,64-1,50) 0,953 wavelet-LLL-glszm-LargeAreaEmphasis 0,75 (0,37-1,50) 0,424 original-firstorder-interquartileRange 0,91 (0,56-1,48) 0,712