Neoadjuvan tedavi öncesi ve sonrası F-18 FDG PET/BT görüntülerinden bireyselleştirilmiş threshold ile elde edilen radyomik parametreleri kullanarak mide ve gastroözofageal bileşke yerleşimli lokal ileri evre mide adenokarsinomlarında patoloji sonuçlarının ve genel sağkalımın makine öğrenimi ile öngörülmesi: Retrospektif çalişma

YUNIS SHIKHALIYEV

Neoadjuvan tedavi öncesi ve sonrası F-18 FDG PET/BT görüntülerinden bireyselleştirilmiş threshold ile elde edilen radyomik parametreleri kullanarak mide ve gastroözofageal bileşke yerleşimli lokal ileri evre mide adenokarsinomlarında patoloji sonuçlarının ve genel sağkalımın makine öğrenimi ile öngörülmesi: Retrospektif çalişma

Tezin Türü: Tıpta Uzmanlık

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

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: YUNIS SHIKHALIYEV

Danışman: Nazlı Pınar Karahan Şen

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu çalışmanın temel amacı, lokal ileri evre mide ve gastroözofageal bileşke (GEB) yerleşimli mide adenokarsinomlu hastalarda, neoadjuvan tedavi (NAT) öncesi ve sonrası F-18 FDG PET/BT görüntülerinden ve geliştirilen bireyselleştirilmiş threshold (eşikleme) segmentasyon yöntemi kullanılarak elde edilen radyomik özellikleri kullanarak patolojik yanıtı (Becker TRG, Lauren tipi, histolojik derece, lenf nodu pozitifliği) ve genel sağkalımı öngören, güvenilir ve açıklanabilir makine öğrenimi modelleri geliştirmektir. Gereç ve Yöntem: 2014-2024 yılları arasında merkezimizde NAT ve cerrahi (R0) uygulanan 25 hastanın verileri retrospektif olarak incelendi. Tedavi öncesi ve sonrası F-18 FDG PET/BT görüntülerinde, tümör segmentasyonu için hedef-arka plan oranını temel alan çok adımlı bir "Bireyselleştirilmiş Eşikleme" yöntemi uygulandı. Evreleme ve Tedaviye Yanıt PET/BT görüntülerinden LİFEx yazılımı ile IBSI uyumlu 15 temel radyomik özellik ve bunların delta (% değişim) değerleri çıkarıldı. Dörd patolojik sonucun her biri için ayrı ayrılıkta E, Y ve D (sırasıyla Evreleme, Yanıt ve Değişim) radyomik parametre seti kullanılarak oluşturulan 12 senaryonun her biri için çok aşamalı bir özellik seçimi stratejisi uygulandı(tek değişkenli analizler ve çalışmada kullanılacak 5 farklı makine öğrenimi (RF, XGBoost, SVM, KNN, LR) modelinin her birine özgü özellik seçimi algoritmasını kullanarak 25 fold-LOOCV ile her bir senaryo için özellik seçimi ön havuzunun oluşturulması; son olarak her senaryo için oluşturulan özellik seçimi ön havuzunu kullanarak belirlediğimiz konsensus ile her senaryo için parsimonik modellemede kullanılacak nihai özelliklerin seçilmesi). Çok aşamalı özellik seçimi sonrası, konsensus seçilen nihai özellikleri kullanarak her senaryo için 5 farklı parsimonik makine öğrenim modelleri 25 fold-LOOCV kullanılarak geliştirildi. Her senaryoda geliştirilen modellerin performansı karşılaştırılarak her senaryonun kendi içinde öne çıkan modeller belirlendi. 12 senaryonun her birinde öne çıkan makine öğrenim modelleri arasından klinikte uygulanabilirlik açısından en iyi performans gösteren makine öğrenim modellerinin her biri için Youden indeksi ile eşik değerleri hesaplandı ve SHAP Açıklanabilir Yapay Zeka (XAI) yöntemi ile yine 25-fold LOOCV kullanılarak analiz edildi. Her senaryoda seçilen nihai parsimonik modellerin hasta bazlı ürettiği olasılık skorları kullanılarak sağkalım analizleri yapıldı. Her model için hastalar, skorlarına göre "Yüksek Risk" ve "Düşük Risk" gruplarına ayrıldı. Kaplan-Meier eğrileri çizilmiş ve log-rank testi ile gruplar arası sağkalım farkı değerlendirildi. Bulgular: Tedavi öncesi görüntülerden elde edilen tek bir doku özelliğine (GLRLM_LongRunsEmphasis(LRE)(IBSI:W4KF)) dayanan Destek Vektör Makineleri (SVM) modeli, SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.44'lük bir eşik değeri kullanıldığında model performansı %100 duyarlılık, %85 özgüllük ve 0.97'lik bir ROC-AUC değerine ulaşarak Lauren sınıflamasını öngörmede olağanüstü bir performans sergiledi. Yine tedavi öncesi tek bir doku özelliğine (GLRLM_ShortRunsEmphasis(SRE)(IBSI:22OV)) dayanan XGBoost modeli, SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.48 eşik değeri kullanıldığında model performansı 0.71 AUC, 0.80 duyarlılık, 0.60 özgüllük göstererek kötü patolojik yanıtı (Becker TRG 3) yüksek duyarlılıkla tahmin etti. Tedavi sonrası görüntülerden elde edilen iki heterojenite özelliğine (IntensityKurtosis(IBSI:IPH6) ve GLCM_SumEntropy(IBSI:P6QZ)) dayanan XGBoost modeli, SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.85 eşik değeri kullanıldığında model performansı 0.59 duyarlılık, 0.75 özgüllük ve 0.73'lük ROC-AUC değeri ile lenf nodu pozitifliğini öngördü. İki farklı delta-radyomik özelliği (Kurtosis-IntensityKurtosis (IBSI:IPH6) ve GLCM Homogeneity-GLCM_NormalisedInverseDifferenceMoment (IBSI:1QCO)) kullanılarak geliştirilen XGBoost modeli çekici bir şekilde hem tedavi sonrası histolojik dereceyi (0.58 AUC, 0.62 duyarlılık, 0.58 özgüllük) hem de Lauren tipini (0.70 AUC, 0.67 duyarlılık, 0.69 özgüllük) öngörebilme potansiyeli gösterdi. Performansı daha iyi olan Lauren D senaryosu- XGB modeli için yapılan SHAP analizi zamanı Youden indeksi ile optimize edilmiş 0.56 eşik değeri kullanıldığında model performansı 0.70 AUC, 0.67 duyarlılık, 0.85 özgüllük olarak hesaplandı. Ayrıca 12 farklı klinik senaryonun her biri için 5 farklı model ile yapılan parsimonik modelleme sonrası, her senaryo bazında XGBoost diğer makine öğrenimi modellerine kıyasla en sık ve en iyi performansı gösteren model olmuştur (tüm senaryoların %50'de). Ayrıca klinikte uygulanabilirlik açısından bu 12 senaryo içinden seçilen 4 senaryo-makine öğrenim modeli kombinasyonlarından 3'ünde XGBoost modeli öne çıkmıştır. Bu durum, XGBoost'un radyomik verilerdeki karmaşık ve doğrusal olmayan ilişkileri yakalamadaki üstünlüğünü ve gelecekteki radyomik çalışmaları için güçlü bir aday olduğunu göstermektedir. Sonuç: F-18 FDG PET/BT tabanlı radyomik ve açıklanabilir makine öğrenimi, lokal ileri evre mide adenokanserinde NAT sonrası önemli patolojik sonuçları non-invaziv olarak yüksek doğrulukla öngörebilme potansiyeli göstermektedir. Özellikle tedavi öncesi tek bir özelliğe dayalı modellerin performansı, bu yaklaşımın kişiselleştirilmiş tedavi stratejileri için bir karar destek aracı olarak büyük potansiyel taşıdığını göstermektedir. Geliştirilen bireyselleştirilmiş segmentasyon yöntemi ve delta-radyomik analizi, sonuçların güvenilirliğini ve biyolojik anlamlılığını artırmıştır. Her senaryoda öne çıkan makine öğrenim modellerinin bu veri setindeki hastaları genel sağkalım açısından istatistiksel olarak anlamlı bir şekilde ayıramadığı saptanmıştır (tüm modeller için log-rank p > 0.05). Ayrıca çalışmada elde edilen bulgular XGBoost'un radyomik verilerdeki karmaşık ve doğrusal olmayan ilişkileri yakalama konusundaki sağlamlığına ve genellenebilirliğine işaret etmekle birlikte gelecekteki çalışmalarda tercih edilebilir bir model olabileceğine dair güçlü kanıtlar sunmaktadır. Anahtar Kelimeler: Açıklanabilir Yapay Zeka (XAI), F-18 FDG PET/BT, Mide Kanseri, Radyomik, Makine Öğrenimi, Neoadjuvan Tedavi, Patolojik Yanıt.