Meme kanseri olgularında manyetik rezonans görüntüleme ile elde edilen radyomik ve farmakokinetik bulguların patolojik verilerle korelasyonu
Correlation of radiomic and pharmacokinetic findings obtained by magnetic resonance imaging with pathological data in breast cancer cases
- Tez No: 1003825
- Danışmanlar: DR. ASLI ERTÜRK
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Farmakokinetik, Makine öğrenmesi, Manyetik rezonans görüntüleme, Meme neoplazmları, Radyomikler, Pharmacokinetics, Machine learning, Magnetic resonance imaging, Breast neoplasms, Radiomics
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Prof. Dr. Cemil Taşcıoğlu Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, meme kanseri olgularında dinamik kontrastlı manyetik rezonans görüntülerden (DCE-MRI) elde edilen radyomik ve farmakokinetik parametrelerin, makine öğrenimi modelleri aracılığıyla histopatolojik ve immünohistokimyasal verilerle ilişkisini değerlendirmek ve bu parametrelerin noninvaziv görüntüleme biyobelirteçleri olarak kullanım potansiyelini araştırmaktır. Gereç ve Yöntem: Patolojik olarak doğrulanmış ve preoperatif dönemde DCE-MRI incelemesi bulunan toplam 249 meme kanseri olgusu retrospektif olarak çalışmaya dahil edildi. Tümör lezyonları üç boyutlu yarı-otomatik segmentasyon yöntemi ile belirlendi. Orijinal görüntülerin yanı sıra Laplacian of Gaussian ve wavelet filtreleri uygulanmış görüntülerden; birinci derece istatistiksel özellikler, doku matrisi temelli öznitelikler ve şekil özelliklerini içeren toplam 1130 radyomik parametre elde edildi. DCE-MRI verilerinden Tofts farmakokinetik modeli kullanılarak Ktrans, Kep, Ve ve iAUC parametreleri hesaplandı. Histopatolojik değişkenler (Grade, tümör infiltrasyon lenfositleri [TIL], östrojen reseptörü [ER], progesteron reseptörü [PR], HER2 durumu ve Ki-67 proliferasyon indeksi) ikili sınıflama yaklaşımıyla analiz edildi. Özellik seçimi istatistiksel ön eleme, korelasyon eliminasyonu ve çok aşamalı makine öğrenimi tabanlı yöntemlerle gerçekleştirildi. Lojistik regresyon (LR), destek vektör makineleri (SVM), rastgele orman (RF), XGBoost, k-en yakın komşu (KNN) ve çok katmanlı algılayıcı (MLP) modelleri 10 katlı çapraz doğrulama ile değerlendirildi; model performansı eğri altındaki alan (AUC), doğruluk, duyarlılık, özgüllük ve F1 skoru metrikleri kullanılarak karşılaştırıldı. Bulgular: Radyomik ve farmakokinetik özelliklerin tüm patolojik hedef değişkenler için anlamlı ve tutarlı bir ayırt edici performans sergilediği saptandı. AUC skorları esas alınarak yapılan değerlendirmede, histolojik Grade tahmininde lojistik regresyon modeli AUC=0,826 ile en yüksek performansı sağladı. TIL düzeyinin öngörülmesinde destek vektör makineleri modeli AUC=0,792 ile en yüksek ayırt ediciliği gösterdi. Hormon reseptör durumlarına yönelik analizlerde ER tahmininde lojistik regresyon modeli AUC=0,808, PR tahmininde rastgele orman modeli AUC=0,732 ile en yüksek başarıyı sağladı. HER2 durumunun tahmininde destek vektör makineleri modeli AUC=0,805 ile öne çıkarken, Ki-67 proliferasyon indeksinin tahmininde lojistik regresyon modeli AUC=0,845 ile en yüksek sınıflandırma performansı elde edildi. Model yorumlanabilirlik analizleri, özellikle doku heterojenitesi, entropi ve kontrastlanma kinetiklerini yansıtan radyomik ve farmakokinetik özniteliklerin sınıflandırma performansına en yüksek katkıyı sağladığını ortaya koydu. Sonuç: MRG temelli radyomik ve farmakokinetik parametreler, meme kanserinde patolojik biyolojik özelliklerin noninvaziv olarak öngörülmesinde önemli bir potansiyel sunmaktadır.
Özet (Çeviri)
Aim: The aim of this study was to evaluate the relationship between radiomic and pharmacokinetic parameters derived from dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) and histopathological and immunohistochemical data in breast cancer cases using machine learning models, and to investigate the potential of these parameters as noninvasive imaging biomarkers. Materials and Methods: A total of 249 breast cancer cases with pathologically confirmed diagnoses and available preoperative DCE-MRI examinations were retrospectively included in the study. Tumor lesions were delineated using a three-dimensional semi-automatic segmentation method. From original images as well as Laplacian of Gaussian– and wavelet-filtered images, a total of 1130 radiomic features were extracted, including first-order statistical features, texture matrix–based features, and shape features. Pharmacokinetic parameters (Ktrans, Kep, Ve, and iAUC) were calculated from DCE-MRI data using the Tofts pharmacokinetic model. Histopathological variables (Grade, tumor infiltrating lymphocytes [TIL], estrogen receptor [ER], progesterone receptor [PR], HER2 status, and Ki-67 proliferation index) were analyzed using a binary classification approach. Feature selection was performed using statistical pre-filtering, correlation elimination, and multi-stage machine learning–based methods. Logistic regression (LR), support vector machines (SVM), random forest (RF), XGBoost, k-nearest neighbors (KNN), and multilayer perceptron (MLP) models were evaluated using 10 fold cross-validation, and model performance was compared using area under the curve (AUC), accuracy, sensitivity, specificity, and F1-score metrics. Results: Radiomic and pharmacokinetic features demonstrated significant and consistent discriminative performance across all pathological target variables. Based on AUC scores, logistic regression achieved the highest performance for histological Grade prediction with an AUC of 0.826. For prediction of TIL levels, the support vector machine model showed the highest discriminative ability with an AUC of 0.792. In hormone receptor analyses, logistic regression yielded the best performance for ER prediction (AUC = 0.808), while the random forest model achieved the highest performance for PR prediction (AUC = 0.732). For HER2 status prediction, the support vector machine model was superior with an AUC of 0.805. The highest classification performance for Ki-67 proliferation index prediction was obtained using logistic regression with an AUC of 0.845. Model interpretability analyses revealed that radiomic and pharmacokinetic features reflecting tissue heterogeneity, entropy, and contrast enhancement kinetics contributed most substantially to classification performance. Conclusion: MRI-based radiomic and pharmacokinetic parameters demonstrate significant potential for the noninvasive prediction of pathological biological characteristics in breast cancer.
Benzer Tezler
- Meme MRG görüntülerinde tekstür analizi ile meme kanseri moleküler alt tiplerinin belirlenebilirliğinin araştırılması
Investigation of the determinability of breast cancer molecular subtypes by texture analysis in breast MRI images
ŞAHİKANUR YASAK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. MURAT BAYKARA
- Meme kanserli olgularda meme manyetik rezonans görüntülemesinden elde edilen radyomiks parametrelerinin neoadjuvan tedaviye yanıt açısından histopatolojik korelasyonu
Histopathologic correlation between breast mri–derived radiomic features and response to neoadjuvant therapy in patients with breast cancer
CENNET YANARDAĞ BİÇER
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MELTEM GÜLSÜN AKPINAR
- Cam ve plastik seraların sonbahar domates üretimi yönünden karşılaştırılması
Başlık çevirisi yok
ERGUN DURAN
- Kreatin kinaz izozimlerinin sıçan kalbinden saflaştırılması kinetik özelliklerinin ve nitrozolu karsinojen bileşiklerin etkilerinin araştırılması
The Investigation on creatine kinase isozymes purfied from mouse liver kinetic properties and the effects of carcinogen nitroso compounds
YÜKSEL KOCA
- Toraks ölçümleri ve solunum fonksiyonlarının antrenmanlarla değişimi
Başlık çevirisi yok
ERDOĞAN LİMAN