Mesane kanseri kas invazyonunun radyomik özellikler ve makine öğrenimi modelleri kullanılarak değerlendirilmesi: Açıklanabilir yapay zekâ yaklaşımı
Assessment of muscle-invasive bladder cancer using radiomic features and machine learning models: An explainable artificial intelligence approach
- Tez No: 978581
- Danışmanlar: DOÇ. DR. AYTÜL HANDE YARDIMCI
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Kas invazyonu, Makine öğrenimi, Mesane kanseri, Multiparametrik MRG, Radyomik, VI-RADS (Vesical Imaging-Reporting and Data System), Bladder cancer, Machine learning, Multiparametric MR, Muscle invasion, Radiomics, VI-RADS (Vesical Imaging-Reporting and Data System)
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Başakşehir Çam ve Sakura Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç Bu çalışmanın amacı, multiparametrik manyetik rezonans görüntüleme verilerinden elde edilen radyomik özellikler ile makine öğrenimi algoritmalarını entegre ederek, mesane kanserinde kas invazyonunu non-invaziv bir yöntemle erken ve doğru biçimde tahmin eden açıklanabilir bir model geliştirmektir. Çalışma, radyolog temelli VI-RADS skorlamasını kantitatif radyomik analizle destekleyerek tanısal performansı artırmayı hedeflemiştir. Gereç ve Yöntem Ocak 2021–Haziran 2025 tarihleri arasında kurumumuzda mesane kanseri tanısı almış, preoperatif mpMRG (T2A, DAG, ADC ve DKG) incelemesi yapılmış ve histopatolojik olarak doğrulanmış 187 hasta retrospektif olarak değerlendirilmiştir. Görüntülerde N4ITK algoritmasıyla bias düzeltmesi uygulanmış, tüm sekanslar 1×1×1 mm³ voksel boyutuna yeniden örneklenmiştir. En ileri evreli tümörler manuel olarak 2D tek kesit üzerinden segmente edilmiştir. PyRadyomik ile 428 radyomik özellik çıkarılmış, Temel Bileşen Analizi (PCA) ve K-Means algoritmalarıyla endofenotip kümeleri oluşturulmuştur. Eğitim setinde dengesizlik ADASYN yöntemiyle giderilmiş, yalnızca radyomik imzaları kullanan Model 1 ve VI-RADS entegrasyonlu Model 2 eğitilmiştir. Bulgular Model 1 test setinde AUC: 0,87 ve duyarlılık: 0,57 göstermiştir. VI-RADS entegrasyonlu Model 2, AUC: 0,99, duyarlılık: 1,0, doğruluk: %92,9 ve F1 skoru: 0,87 ile mükemmel performans sergilemiştir. Bootstrap analizi, Model 2'nin AUC değerinin Model 1'e göre anlamlı düzeyde yüksek olduğunu göstermiştir (ΔAUC=0,12; p<0,05). Özellik önem analizinde T2 sekansından elde edilen birinci derece istatistiksel ve şekil temelli özellikler en yüksek katkıyı sağlamıştır. Sonuç Radyomik endofenotiplerin VI-RADS skoru ile entegrasyonu, mesane kanserinde kas invazyonunu öngörmede AUC: 0,99 ve mükemmel duyarlılık (%100) sunmuştur. Bu hibrit model, VI-RADS değerlendirmesini kantitatif radyomik analizle güçlendirerek tanısal doğruluğu artırmakta ve tedavi planlamasında klinik karar süreçlerine değerli katkı sağlamaktadır.
Özet (Çeviri)
Objective The aim of this study was to develop an explainable model that integrates radiomic features derived from multiparametric magnetic resonance imaging with machine learning algorithms to predict muscle invasion in bladder cancer non-invasively, accurately, and at an early stage. The study aimed to enhance diagnostic performance by supporting the semi-qualitative VI-RADS scoring system with a quantitative radiomic approach. Material and Methods This single-center retrospective cohort study included 187 patients diagnosed with bladder cancer between January 2021 and June 2025 who underwent preoperative mpMRG (T2W, DWI, ADC, and DCE) and had histopathologically confirmed muscle invasion status. Images were bias-corrected using the N4ITK algorithm and resampled to an isotropic voxel size of 1×1×1 mm³. The largest or most advanced primary tumor in each patient was manually segmented on a single 2D slice from all sequences. A total of 428 radiomic features were extracted using PyRadyomik, including shape, first-order, and texture-based features (GLCM, GLRLM, GLSZM, GLDM, NGTDM). Principal Component Analysis (PCA) and K-Means clustering were used to generate radiomic endophenotypes. The dataset was split into training, validation, and test sets with class balance adjusted using the ADASYN method. Two models were trained: Model 1 (radiomic endophenotypes only) and Model 2 (radiomic endophenotypes + VI-RADS integration). Results Model 1 achieved an AUC of 0.87 and a sensitivity of 0.57 on the test set. Model 2 demonstrated superior performance with an AUC of 0.99, sensitivity of 1.0, accuracy of 92.9%, and F1 score of 0.87. Bootstrap analysis confirmed a statistically significant improvement in AUC for Model 2 compared to Model 1 (ΔAUC = 0.12; p < 0.05). Feature importance analysis highlighted first-order statistical and shape-based features derived from T2-weighted images as the most influential. Conclusion Integrating radiomic endophenotypes with VI-RADS scoring achieved AUC: 0.99 and perfect sensitivity (100%) in predicting muscle invasion in bladder cancer. This hybrid model enhances the diagnostic capability of standardized VI-RADS assessment by incorporating quantitative radiomic analysis and has potential value for treatment planning and patient selection for neoadjuvant chemotherapy.
Benzer Tezler
- Mesane kanserinde kas invazyonunun değerlendirilmesinde VI-RADS (Vesical imaging-reporting and data system) skorlamasının validasyonu
Validation of vesical imaging-reporting and data system (VI-RADS) scoring in the evaluation of muscle invasion in bladder cancer
ÖZKAN ÖNER
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ERCAN İNCİ
- Mesane kanserinde multiparametrik manyetik rezonans görüntüleme: Lokal evrelemede kas invazyonunun belirlenmesi
Multiparametric magnetic resonance imaging in bladder cancer: Determination of muscle invasion in local staging
AHMET AKÇAY
Tıpta Uzmanlık
Türkçe
2020
Radyoloji ve Nükleer TıpPamukkale ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. AHMET BAKİ YAĞCI
- VI-RADS 3 mesane kanserlerinde idrar sitolojisinin kas invazyonunu değerlendirmedeki etkisi
The impact of urinary cytology on the assessment of muscle invasion in VI-RADS 3 bladder cancer
ERTÜRK ALTUN
- Lezyon sferisitesinin mesane tümörlerinde kas invazyonu öngörmede VI-RADS skorlama sistemine katkısı
Contribution of lesion sphericity to the VI-RADS scoring system for predicting muscle invasion in bladder tumors
MAHMUT BİLAL DOĞAN
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer Tıpİstanbul Medeniyet ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. NESRİN GÜNDÜZ
- Mesane kanseri tur materyallerinin histopatolojik değerlendirmesinde yapay zekanın rutine katkısı
The role of artificial intelligence in the workflow of histopathological evaluation of bladder cancer in transurethral resection specimens
NACİYE BETÜL BARUT
Tıpta Uzmanlık
Türkçe
2025
Patolojiİstanbul ÜniversitesiPatoloji Ana Bilim Dalı
PROF. DR. MESUDE YASEMİN ÖZLÜK