Akademik Veri Yönetim Sistemi
Türk Girişimsel Radyoloji Derneği 2025 Yıllık Kongresi & EVIS Uluslararası Ortak Toplantısı, Antalya, Türkiye, 4 - 08 Nisan 2025, ss.20-21, (Tam Metin Bildiri)
AMAÇ: Bu çalışma, 5 cm’den büyük hepatoselüler karsinomun transarteriyel radyoembolizasyona(TARE) yanı�nı tahmin etmek için kurulan makine öğrenimi tabanlı modellerin potansiyelini değerlendirmeyi amaçlamış�r. YÖNTEM: Toplam tedaviye yanıt veren 38 hasta ve tedaviye yanıt vermeyen 11 hasta (toplam 49 hasta) çalışmaya dahil edilmiş�r. Hastaların laboratuvar sonuçları ve klinik bulguları kaydedilmiş�r. Tedavi yanı�nın değerlendirilmesi 3 aylık takip manye�k rezonans (MR) incelemeleri göz önünde bulundurularak modifiye RECIST kriterlerine göre yapıldı. Tam veya kısmi yanıt veren grup tedaviye yanıtlı olarak sınıflandırılırken, stabil veya ilerleyici hastalık ise tedaviye yanıtsız olarak sınıflandırıldı. Radyomik özellikler kontrastlı T1 ağırlıklı görüntülerden (CE-T1) ve T2 ağırlıklı görüntülerden (T2WI) elde edilmiş olup yalnızca işlem öncesindeki MR görüntüler değerlendirilmiş�r. Her lezyondan 141 radyomik özellik elde edilmiş�r. TARE yanı� tahmini için modeller oluşturmak üzere sınıflandırma öğrenme modelleri (Classifica�on Learning Models) kullanılmış�r. Tedavi yanı�nın tahmin oranlarını belirlemek için 5 kat çapraz doğrulama (Five fold cross valida�on) tekniği kullanılmış�r. BULGULAR: T2 ağırlıklı görüntülerden 9 parametre (Tablo 1), kontrastlı T1 ağırlıklı görüntülerden ise 12 parametre (Tablo 2) gruplar arasında ista�s�ksel olarak anlamlı fark göstermiş�r(p<0.05). Kontrastlı T1 görüntülerden elde edilen radyomiks parametrelerinden kurulan modelin TARE yanı�nı tahmin etmekte EAA, doğruluk, duyarlılık ve özgüllük oranları sırasıyla 0.92; %79.6; %79 ve %100 olarak bulunmuştur. T2 ağırlıklı görüntülerden elde edilen radyomiks parametrelerinden kurulan modelin TARE yanı�nı tahmin etmekte EAA, doğruluk, duyarlılık ve özgüllük oranları sırasıyla 0.77; %79.6; %80 ve %67 olarak bulunmuştur. Sadece klinik ve laboratuvar parametrelerinin kullanıldığı bir modelde EAA, doğruluk, duyarlılık ve özgüllük oranları sırasıyla 0.65; %77.6; %79; %50 olarak bulunmuştur. Klinik bilgiler ve kontrastlı T1 radyomiks parametrelerinden kurulan modelin doğruluk oranı %73.5 iken klinik ve T2 radyomiks parametrelerinden kurulan modelin ise doğruluk oranı %77.6 olarak bulunmuş. SONUÇ: Çalışmamızın sonuçlarına göre kontrastlı T1 ağırlıklı görüntülerden elde edilen radyomiks özelliklere dayalı modeller, TARE yanı�nı tahmin etmede en yüksek doğruluk ve özgüllük oranlarına ulaşmış�r (EAA: 0.92, doğruluk: %79.6, özgüllük: %100). T2 ağırlıklı görüntülerden elde edilen model ise orta düzeyde bir performans sergilerken (EAA: 0.77), yalnızca klinik ve laboratuvar verilerine dayalı modellerin tahmin gücünün daha sınırlı olduğu gösterilmiş�r (EAA: 0.65). Radyomiks özelliklerin klinik verilerle birleş�rilmesi tedavi yanıt tahmin doğruluğunu ar�rma potansiyeline sahip olsa da, bu kombine modellerin performansı yalnızca görüntü tabanlı modellerin gerisinde kaldığı görülmüştür. Anahtar Kelimeler: Hepatoselüler Karsinom, TARE, MRG, Radyomiks, Makine Öğrenmesi