Prostat biyopsisi için aday hastalarda, yapay zekanın multiparametrik prostat manyetik rezonans görüntülemedeki PI-RADS 3 lezyon için maligniteyi öngörmedeki rolü
The role of artificial intelligence in prediction of malignity for PI-RADS 3 lesion in multiparametric prostate magnetic resonance imaging in candidate patients for prostate biopsy
- Tez No: 808459
- Danışmanlar: PROF. DR. CAVİT CEYLAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Prostat kanseri, Multiparametrik Prostat Manyetik Rezonans Görüntüleme(MP PROSTAT MRG), Makine öğrenimi, Yapay Zeka, Prostate Imaging Reporting and Data System (PIRADS), Makine öğrenmesi, Manyetik rezonans görüntüleme, Neoplazmlar, Prostat hastalıkları, Üriner sistem, Machine learning, Magnetic resonance imaging, Neoplasms, Prostatic diseases, Artificial intelligence, Urinary tract
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Prostat biyopsisi için aday hastalarda, yapay zekanın multiparametrik prostat manyetik rezonans görüntülemedeki PI-RADS 3 lezyonu için maligniteyi öngörmedeki rolü incelenmesi amaçlanmıştır. Gereç ve Yöntem: Çalışmamız retrospektif olarak Mayıs 2019-Şubat 2023 tarihleri arasında çekilen Mp Prostat MRG'de saptanan tek lezyonlu sadece PI-RADS 3 lezyonu olan hastalar belirlendi. Tüm hastaların Total PSA değeri:4-10 ng/ml aralığında olanlar çalışmaya alındı. Kliniğimizde TRUSG Prostat biyopsisi yapılanlar arasından patoloji sonucunda malign olan 50 hasta ve benign olan 50 hasta olarak toplam 100 hasta dahil edildi. Mp Prostat MRG'leri 10 ve 15 yıllık tecrübeye sahip radyologlar tarafından raporlandı. İki okuyucu tarafından 3D SLİCER programı ile MRG'leri yüklenerek T2WI ve ADC görüntülerindeki PI-RADS 3 lezyonlarından segmentasyon yapılarak radiomik özellikleri çıkartıldı. Her hasta için T2WI ve ADC haritaları için toplam 260 tekstür özellik çıkarıldı ve bunun içinde 214 özellik kullanıma dahil edildi. Her iki okuyucu arasındaki uyumlu özellikleri belirlemek için SPSS 22.00 versiyonunda ICC(intraclass correlation coefficient) testi kullanılarak T2WI görüntülemeden 8 özellik uyumlu bulundu ve ICC değeri＞0.61 kabul edildi. ADC görüntüleme özelliklerinde ICC ＜0.45 olduğu için kabul edilmedi. Ortak uyumlu bulunan 3 özellik 0.7 üzerinde bulundu:First Order Grubundan(Mean+Median+Root Mean Squared),5 özellik 0.61 üzerinde bulunduğu için kabul edildi(144,145).Bu 5 özellik:First Order grubundan(10 Percentile ve Minimum),GLDM(Gray Level Non Uniformity),GLRLM(Gray Level Non Uniformity),GLSZM(Gray Level Non Uniformity). Alınan 8 özellikle birlikte Yaş,Total PSA,PSA-Dansitesi,PRM bulguları PYTHON yazılım programında PyCarret kütüphanesinde değerlendirildi ve anlamlı bulunan ET(Extra Trees) ve XGBoost(Extreme Gradient Boosting) algoritma modelleri kullanıldı.ROC analizi,Kolmogorov-Smirnov testi otomatik olarak PYTHON programından alındı. Bulgular: Çalışmaya alınan 100 hastanın demografik verileri SPSS 22.00 versiyonunda değerlendirildi. Tüm hastaların ortalama yaş değeri 65,97±2,52.Malign grupta :66,46±2,32,benign grupta:65,46±2,69, p=0,3 olarak bulundu.Total PSA değeri 6,46±2,52,malign grupta:6,76±2.32,benign grupta:6,17±2,69,p=0,13.Tüm hastalarda PSA-D:0.11±0,07,malign grubunda PSA-D 0.13±0.09 ve benign grubun PSA-D 0,09±0,05 olup p<0,001 iki grubun arasında anlamlı fark görüldü. Malign grupta 12(%24) hastada Gleason skoru >6 geldi. Diğer 38(%76) hastada Gleason skoru=6 saptandı. PYTHON yazılımı ile PyCarret kütüphanesinde 14 MÖ(makina öğrenme) algoritmasından 2 adet algoritma anlamlı bulundu.1)ET modelinde AUC:%79,Doğruluk:%72 bulundu,PPD:%82 . 2)XGBoost modelinde AUC:%75,Doğruluk:%72,PPD:%82. Her iki modeli harmanlayınca AUC: %79, Doğruluk: %70 , PPD: %80 olarak bulundu. Bulunan Yapay Zeka sonuçları PI-RADS 3 lezyonlarını RT,PSA,PSA-D yanında non invaziv parametre olarak Prostat Kanserin öngörmede kullanabilirliğini göstermektedir. Sonuç: PI-RADS 3 lezyonunda prostat biyopsisi için aday hastalarda maligniteyi öngörmede PSA,PRM,PSA-D gibi Yapay Zeka programını non invaziv tanı yöntemi olarak kullanılabilirliği yönünde sonuçlar elde ettik. Böylece ara kategori lezyonlarda gereksiz prostat biyopsilerin azaltılabileceği düşünülebilir. Yeni araştırılan tanı yöntemi olarak belirlenmiş bir konsensus ve radiomik özelliklerin cut-off değerleri henüz oluşmadığı için Yapay Zeka üzerinde fazla çalışmaya ihtiyaç görülmektedir.
Özet (Çeviri)
Objective: In patients who are candidates for Prostate Biopsy, the role of artificial intelligence in predicting malignancy for the PI-RADS 3 lesion in multiparametric prostate magnetic resonance imaging was aimed. Materials and Methods: Patients with single-lease isolated PI-RADS 3 lesions detected by Mp Prostate MRI, which were taken between May 2019-February 2023 in our clinic were retrospectively determined. Patients whose Total PSA values were between 4-10 ng/ml were included in the study. Among those who underwent TRUSG Prostate biopsy in our clinic, a total of 100 patients, 50 patients who were malignant as a result of pathology and 50 patients who were benign were included. Mp Prostate MRIs were reported or evaluated by two radiologists with 10 and 15 years of experience in this department. The two separate evaluators used 3D SLICER program to upload the MRI images and radiomic features were achieved by segmenting the PI-RADS 3 lesions in T2WI and ADC images. For each patient, a total of 260 textures were removed for T2WI and ADC maps and 214 features were included for use. To determine compatible features between both readers, SPSS 22.00 version (intraclass correlation coefficient) test was used and 8 features were found compatible from T2WI imaging and ICC value of＞0.61 was accepted. ADC imaging features were not accepted due to ICC value <0.45. The three common compatible features were found to be over on 0.7: (from the first Order Group (Mean+Median+Root Mean Squared), 5 features were accepted because they were ＞ 0.61 (144,145). These 5 features are: from the First Order group (10 Percentile and Minimum), GLDM (Gray Level Non Uniformity), GLRLM (Gray Level Non Uniformity), GLSZM (Gray Level Non Uniformity).The accepted 8 features in addition to Age, Total PSA, PSA-Dansity, DRE findings were evaluated in the PyCarret library in Python software program and the significant ET (Extra Trees) and XGBoost (Extreme Gradient Boosting) algorithm models were used. ROC analysis and Kolmogorov-Smirnov test were automatically taken from the Python program. Results: Demographic data of 100 patients included in the study were evaluated in SPSS 22.0. The mean age value of all patients was 65.97±2.52 years old. The mean age value was found: 66.46±2.32 years old in the malignant group and 65.46±2.69 years old in the benign group with p=0.3. The total PSA value of all patients was 6.46±2.52, in the malignant group was 6.76±2.32 and in the benign group was 6.17±2.69. P value is =0.13. The total PSA-D value of all patients was 0.11±0.07, in the malignant group was 0.13±0.09 and in the benign group was 0.09±0.05. There was a significant difference between the two groups p<0.001. Gleason score was ＞6 in 12 (24%) patients in the malignant group. Gleason score =6 was detected in the other 38 (76%) patients. With Python software, 2 algorithms from 14 ML (machine learning) algorithms were found to be meaningful in the PyCarret library.1) ET Model: AUC:79%, Accuracy: 72%, PPD: 82% were found in the model. 2) XGBoost model: AUC: 75%, Accuracy: 72%, PPD: 82%. When blending both models, AUC was found to be 79%, Accuracy: 70%, PPD: 80%. The results show that we can use AI for PI-RADS 3 lesions as a non-invasive parameter in the prediction of Prostate Cancer as well as RT, PSA, PSA-D. Conclusion: We found that Artificial Intelligence software is non-invasive method such as PSA, DRE, PSA-D can be used to predicting malignancy in candidate patients for prostate biopsy in PI-RADS 3 lesion. Since the cut-off values of the consensus and radiomic properties determined as the newly researched diagnostic method have not been formed yet, more studies on Machine Learning(ML) are needed. Keyworrds:Machine Learning(ML),Radiomics,Prostate cancer, Prostate Imaging Reporting and Data System (PIRADS) ,
Benzer Tezler
- Using data mining to reduce false positivies for pre-biopsy patients with moderate chance of having prostate cancer
Prostat kanseri olma olasılığı olan biyopsi öncesi hastalarda yanlış tanıyı azaltmak için veri madenciliği uygulaması
SELMİN DANIŞ
Yüksek Lisans
İngilizce
2003
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İLKAY BODUROĞLU
- Prostat kanseri ve bening prostat hiperplazili hastalarda plazma speksin, fraktalkin, TNF-α, IL-1β, IFN-γ ve IL-10 düzeylerinin değerlendirilmesi
Evaluation of plasma spexin, fractalkine, TNF-α, IL-1β, IFN-γ and IL-10 levels in patients with prostate cancer and benning prostate hyperplasia
FURKAN YILDIZ
- PSA seviyesi 4-10 ng/ml arasında olan asemptomatik hastalarda gereksiz prostat biyopsilerinin önlenmesinde antibiyoterapinin yeri
The role of antibiotherapy in preventing unnecessary prostate biopsies in asymptomatic patients with a serum PSA level between 4 and 10 ng/ml
ALİ SARIBACAK
- Transperitoneal robotik radikal prostatektomi cerrahisinde izole anterior ve posterior diseksiyon yaklaşımlarının pentafekta üzerine etkilerinin karşılaştırılması
Comparison of the effects of isolated anterior and posterior dissection approaches on pentafecta in transperitoneal robotic radical prostatectomy surgery
FURKAN ÇAPAR
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. AHMET NİHAT KARAKOYUNLU
- Robotik radikal prostatektomi vakalarında peritoneal retzius yaklaştırma tekniğinin erken ve geç dönem sonuçları
Early and late outcomes of the peritoneal retzius approximation technique in robotic radical prostatectomy cases
ÖMER FARUK ÖRNEK
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. HACI MURAT AKGÜL