Akademik Veri Yönetim Sistemi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Tıp Fakültesi, Dahili Tıp Bilimleri Bölümü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Tuğba Nergiz Kıssa Bolat
Danışman: Fuat Dede
Özet:
Amaç: Metastatik kolorektal kanserli hastalarda TARE için ideal hasta seçimi diğer kanser tedavilerinde olduğu gibi gereksiz yan etki ve yüksek maliyeten kaçınmak için önemlidir. Bu amaçla, TARE tedavisine yanıtın öngörülmesinde günümüzde radyomiks temelli analizler de yer almaya başlamış olup, sıklıkla BT ve MRG gibi morfolojik görüntüler kullanılmaktadır. Ayrıca, az sayıda olmakla birlikte metabolik radyomiks özellikleri içeren FDG PET çalışmaları da son dönemde literatüre girmeye başlamıştır. Ancak FDG PET’in kullanıldığı çalışmalarda; farklı kanser tiplerini içeren heterojen gruplarda uygulanmış olması ve araştırılan popülasyonun Y-90 reçine veya cam mikroküre ayrımı yapılmaksızın oluşturulması mevcut az sayıdaki çalışmaların kısıtlılığı olarak göze çarpmaktadır. Bu tek merkezli çalışmada, sadece cam mikroküre kullanılarak TARE tedavisi uygulanmış, karaciğere metastatik kolorektal kanserli hastalarda, TARE öncesine ait FDG PET radyomiks temelli modelleme kullanarak hedef lezyonun tedavi yanıtını öngörebilmeyi araştırdık.
Yöntem: Bu çalışmada TARE tedavisi uygulanan ve tedavi öncesi FDG PET/BT görüntüleri mevcut olan 65 karaciğere metastatik kolorektal kanser tanılı hastaya ait 82 indeks lezyon retrospektif olarak değerlendirildi. Lezyonlar PERCIST kriterlerine göre tedaviye yanıtlı (tam yanıt/kısmi yanıt) ve tedaviye yanıtsız (stabil hastalık/progrese hastalık) olarak iki gruba ayrıldı. İndeks lezyonlar iki nükleer tıp doktoru tarafından, kör ve manuel olarak 3D Slicer programı ile segmente edildi. Pyradiomics kullanılarak dokusal ve şekilsel radyomiks özellikler çıkarıldı. Gözlemciler arası tekrarlanabilirliği yüksek olan özellikler ICC ile belirlendi. ICC değeri > 0.80 olan özellikler ileri analiz için seçildi. StandardScaler ile veriler ölçeklendirildi. SMOTE ile eğitim seti sınıf dengesizliği giderildi. MRMR algoritmasıyla seçilen radyomiks ve klinik özellikler ile makine öğrenme modelleri oluşturuldu. Model performansını değerlendirmek amacıyla, eğitim seti üzerinde 5 katlı tabakalı çapraz doğrulama (Stratified K-Fold Cross-Validation) yöntemi kullanıldı. Modellerin performansı AUC (eğri altında kalan alan), doğruluk, hassasiyet ve özgüllük metrikleri ile değerlendirildi.
Bulgular: Toplam 65 hastada (24 kadın, 41 erkek, 63,6±11,5 yaş) 82 indeks lezyon belirlendi. Lezyonların % 57,3’ü tedaviye yanıtlı % 42,7’si yanıtsız olarak bulundu. % 63,4’ünde nekroz saptanırken 36,6’sında nekroz izlenmedi. Tedaviye yanıt veren ve vermeyen gruplar arasında yaş, cinsiyet, tümör nekrozu, volüm 3D Slicer, tedavi öncesi SULpeak ve tedavi öncesi TLG açısından istatistiksel olarak anlamlı bir farklılık saptanmamıştır. Pyradiomics ile çıkarılan 107 radyomiks özellik sayısı, ICC>0.80 kriteri ile 56’ya düşürüldü. MRMR özellik seçim algoritması ile bu sayı 11’e indirildi. Klinikten ise TLG ve tümör nekrozu MRMR algoritması ile seçilen özelliklerdi. Yalnızca radyomiks özellikler ve radyomiks+klinik özellikler ile oluşturulan makine öğrenme modelleri, TARE tedavisine erken yanıtı öngörmede kayda değer başarı gösterdiği bulundu. Yalnızca radyomiks özellikler ile oluşturulan makine öğrenme modellerinden en yüksek performans gösterenler; Extra Trees modeli olurken, bunu sırasıyla Logistic Regression, Naive Bayes, KNN, SVM ve Random Forest modelleri takip etmiştir. Klinik özelliklerin de dahil edildiği makine öğrenme modellerinde ise en yüksek performansı sırasıyla Extra Trees, Bagging, Naive Bayes, Random Forest ve Adaboostmodelleri göstermiştir.
Sonuç: Bu çalışma, TARE tedavisi öncesinde elde edilen FDG PET görüntülerine dayanan radyomiks modellerinin, karaciğere metastatik kolorektal kanserli hastalarda tedavi yanıtını öngörmede etkili olduğunu göstermiştir. Radyomiks modeller ile klinik ve radyomiks modellerin tedavi yanıtını öngörmedeki yüksek performansı, bu yaklaşımların tedavi planlamasının optimizasyonunda önemli bir potansiyele sahip olduğunu ortaya koymuştur. Bu yaklaşım sayesinde tedavi planlamasının optimize edilerek hastaların bireyselleştirilmiş tedavi yaklaşımlarından daha fazla yarar görmesi sağlanabilir.