Glioblastoma hastalarında radyomik özellikler ve klinik verilerin analizi
Analysis of radiomic features and clinical data in glioblastoma patients
- Tez No: 916582
- Danışmanlar: DOÇ. DR. TİMUR KOCA
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyasyon Onkolojisi, Radiation Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyasyon Onkolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giriş ve Amaç: Glioblastoma (GBM), santral sinir sisteminin en yaygın ve agresif primer beyin tümörüdür ve ortalama sağkalım yaklaşık 15 aydır. Bu çalışmada, radyoterapi simülasyonu için alınan bilgisayarlı Tomografi (BT) görüntülerinden elde edilen radyomik özelliklerin, klinik ve moleküler verilerle birleştirip derin öğrenme algoritmaları kullanarak GBM hastalarının genel sağkalım (GS) ve progresyonsuz sağkalım (PS) sonuçlarını öngörmeyi amaçlayan bir model geliştirmeyi amaçlanmaktadır. Yöntemler: Bu çalışmaya, 2018-2024 yılları arasında Akdeniz Üniversitesi'nde tedavi edilen 115 GBM hastası dahil edilmiştir. Klinik veriler retrospektif olarak toplanmıştır. BT görüntülerinden radyomik özellikler çıkarılmış ve standartlaştırma için ön işlemler uygulanmıştır. Sağkalım analizleri Kaplan-Meier ve Cox regresyon yöntemleriyle yapılmıştır. Model geliştirme için yapay zeka tabanlı makine öğrenmesi algoritmaları kullanılmıştır. Bulgular: Çalışmaya dahil edilen hastaların medyan yaşı 60, medyan GS süresi 13 ay ve medyan PS süresi 6 ay olarak saptanmıştır. Bir yıllık GS oranı %52,7, 6 aylık PS oranı ise %62,6 bulunmuştur. Multifokal tümör varlığı, bilateral tümör varlığı, düşük performans skoru ve ileri yaş, sağkalımı olumsuz etkileyen faktörler olarak belirlenmiştir. Gross total rezeksiyon ve eşzamanlı temozolomid kullanımı, sağkalımı anlamlı şekilde iyileştiren faktörlerdir. Klinik ve radyomik verilerin entegrasyonuyla oluşturulan, 1 yıllık GS modelinde Lojistik Regresyon modeli %73,9 doğrulukla en iyi performansı sergilerken, 6 aylık PS tahmininde Gradyan Artırma modeli, %66,7 ile en yüksek doğruluk oranını vermiştir. Sonuç: Radyomik özelliklerin klinik ve moleküler verilerle entegrasyonu, GBM için kişiselleştirilmiş prognostik modellemede büyük bir potansiyele sahiptir. Bu bulgular, radyomiklerin tedavi stratejilerini geliştirmek için değerli bir araç olduğunu göstermektedir. Bulguların doğrulanması için daha geniş kapsamlı çalışmalar gereklidir.
Özet (Çeviri)
Background: Glioblastoma (GBM) is the most common and aggressive primary brain tumor of the central nervous system, with a median overall survival of approximately 15 months. This study aims to develop a predictive model for overall survival (OS) and progression-free survival (PFS) in GBM patients by integrating radiomic features extracted from computed tomography (CT) images acquired during radiotherapy simulation with clinical and molecular data using deep learning algorithms. Methods: The study included 115 GBM patients treated at Akdeniz University between 2018 and 2024. Clinical data were retrospectively collected. Radiomic features were extracted from CT images, and preprocessing steps were applied for standardization. Survival analyses were performed using Kaplan-Meier estimation and Cox regression models. Artificial intelligence-based machine learning algorithms were employed for model development. Results: The median age of the patients included in the study was 60 years, with a median OS of 13 months and a median PFS of 6 months. The one-year OS rate was determined to be 52.7%, while the six-month PFS rate was 62.6%. Factors negatively affecting survival included the presence of multifocal tumors, bilateral tumor involvement, poor performance status, and advanced age. Gross total resection, in conjunction with concurrent temozolomide therapy, was found to be significantly associated with enhanced survival outcomes. Among the predictive models, logistic regression demonstrated the highest accuracy (73.9%) for one-year OS prediction, whereas the gradient boosting model achieved the best performance (66.7% accuracy) for six-month PFS prediction. Conclusion: Integrating radiomic features with clinical and molecular data holds substantial potential for personalized prognostic modeling in GBM. These findings indicate that radiomics could be a valuable tool for enhancing treatment strategies. However, additional large-scale studies are necessary to validate these results.
Benzer Tezler
- Santral sinir sistemi tümörlerinde preoperatif, postoperatif IL-2 (Interleukin-2) ve TNF (tümör nekroz faktör) düzeyleri
Başlık çevirisi yok
SELİM YILMAZ
- Glioblastoma multiforme ve anaplastik astrositonların adriamycinle adjuvant lokal kemoterapisi
Başlık çevirisi yok
İSMAİL TANER
- Beyin tümörlerinde doku superoksit dismutaz, katalaz ve glutatyon peroksidaz aktiviteleri
Başlık çevirisi yok
ÖMER AKYOL
- İnsan glioblastoma multiforme hücre dizisi (cell line) oluşturulması
Başlık çevirisi yok
ABDURRAHMAN BAKIR
