• Ana Sayfa

Stereotaktik beden radyoterapisi ile tedavi edilen akciğer oligometastazlarında klinik ve radyomik özellikler kullanılarak lokal nüksün tahmini

Creative Commons License

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Tıp Fakültesi, Dahili Tıp Bilimleri Bölümü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: RAHMİ ATIL AKSOY

Danışman: Timur Koca

Özet:

Bu çalışmada, stereotaktik beden radyoterapisi (SBRT) uygulanan akciğer oligometastazlarında klinik ve radyomik özelliklerin kombine edilmesi ile makine öğrenmesi tabanlı modellerin oluşturulması ve bu modellerin lokal nüksü tahmin etme potansiyelinin değerlendirilmesi amaçlanmıştır. Akciğer oligometastazına SBRT uygulanan toplam 65 hasta ve 80 lezyon retrospektif olarak değerlendirilmiştir. Solid Tümörlerde Yanıt Değerlendirme Kriterlerine (RECIST 1.1) göre lezyonlar, lokal nüksü olanlar (n=12) ve lokal nüksü olmayanlar (n=68) olarak iki gruba ayrılmıştır. Simülasyon bilgisayarlı tomografilerinden birinci derece istatistikler, morfolojik, dokusal ve dalgacık dönüşümü tabanlı özellikler olmak üzere 4 farklı grup radyomik özellik elde edilmiştir. Radyomik ve klinik özelliklerin lokal nüksü tahmin etme potansiyeli, makine öğrenmesi tabanlı modellerle araştırılarak, performans metrikleri ile değerlendirilmiştir. Toplam 90 farklı model içinde, "SVMAttributeEval" özellik seçimi yöntemi ve "Logistic" makine öğrenmesi modeli kombinasyonunun SBRT ile tedavi edilen akciğer oligometastazlarında lokal nüksün tahmin edilmesini en başarılı şekilde sağlayan model olduğu gözlenmiştir. Bu modelin doğruluğu %93,75, kesinliği 0,76, duyarlılığı 0,83, özgüllüğü 0,95, F1 skoru 0,80 ve AUC değeri 0,84 olarak bulunmuştur. Bu makine öğrenmesi modeli, yumuşak doku sarkomu patolojisi, yaş, Wavelet-LLL-FirstOrder-Kurtosis, Original-FirstOrder-Kurtosis ve Wavelet-HHH-GLCM-ClusterShade özellikleri kulanılarak oluşturulmuştur. SBRT ile tedavi edilen akciğer oligometastazlarında, klinik ve radyomik özelliklerin kombinasyonuyla oluşturulan makine öğrenmesi modellerinin, lokal nüksü tahmin etme potansiyeli olduğu gösterilmiştir. Bu sonuçların çok merkezli, büyük ve bağımsız bir veri setinde doğrulanmasına ihtiyaç vardır.