Pulmoner hamartom ve pulmoner karsinoid tümör ayrımında BT tabanlı makine öğrenimi modeli

Creative Commons License

Kayı Cangır A., Orhan K., Kahya Y., Gürsoy Çoruh A., Baloğlu S., Yücemen A. U., ...Daha Fazla

Türk Toraks Derneği 24. Yıllık Ulusal Kongresi, Antalya, Türkiye, 17 - 21 Kasım 2021, ss.67

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: Antalya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.67
  • Ankara Üniversitesi Adresli: Evet

Özet

GİRİŞ VE AMAÇ: Pulmoner maligniteleri taklit edebilen benign soliter pulmoner lezyonların radyolojik olarak malign lezyonlardan ayrımı kolay değildir. Bu ayrımın zor olduğu durumların başında pulmoner hamartom (PH) ve pulmoner karsinoid tümör (PKT) ayrımı gelmektedir. Bilgisayarlı tomografi (BT) tabanlı yapay zeka tanı sistemleri BT görüntülerinin; yorumlanmasında, sınıflandırılmasında ve karar verme aşamasında klinisyenlere yardımcı olabilir. Literatürde ilk olma özelliği taşıyan bu çalışmada PH ve PKT ayrımında BT tabanlı radiomiks yönteminin sonuçlarının sunulması amaçlandı.

YÖNTEM: Ankara Üniversitesi Tıp Fakültesi Göğüs Cerrahisi Anabilim Dalı’nda 2012-2019 yılları arasında PH veya PKT tanısı konulan ardışık 227 hasta içinden: 1) cerrahi rezeksiyon uygulanmış olan, 2) histopatolojik olarak PH veya PKT tanısı konfirme edilmiş olan, 3) cerrahiden önceki 4 hafta içinde çekilmiş BT görüntüleri hastane elektronik veri tabanı sisteminde olan, 4) başka bir malignite öyküsü olmayan, 5) patognomonik kalsifikasyon içermeyen PH’u olanlar, 6) yalnız periferal lokalizasyonlu lezyonları olan 138 hasta (PKT/PH=78/60) çalışmaya dahil edildi. Görüntülemenin ve klinik verilerin yönetilmesi ve istatistiksel radiomiks analizinin yapılması için Radcloud platformu (Huiying Medical Technology Co., Ltd.) kullanıldı. Eğitim ve doğrulama veri kümeleri rastgele şekilde; 2:8 oranında ve 620 çekirdek ile ayrıldı. PH/PKT ayrımı (1. modelleme) ve yağ içermeyen PH’lu 38 hasta ile PKT ayrımının (2. modelleme) tanı performanslarını belirlemek için ROC eğrisi analizi yapıldı. ROC eğrisi altında kalan alan (Area under the ROC Curve=AUC) değerinin 0,8≥AUC>0,7 olması iyi bir ayrımın göstergesi olarak kabul edildi.

BULGULAR: Makine öğrenimi için en iyi yöntem ‘’Random forest’’ (RF) olarak bulundu. AUC değerleri; 1. modellemede PH için 0.999 ve PKT için 0.999, 2. modellemede PH için 0.836 ve PKT için 0.836 olarak hesaplandı.

TARTIŞMA VE SONUÇ: Bu çalışmada, preoperatif dönemde BT tabanlı makine öğrenim modeli ile PH ve PKT ayrımının yüksek doğrulukla yapılabileceğini gösterilmiştir. PH ile PKT’nin ayrımında yağ içeriği halen çok belirleyici olsa da yağ içeriği olmayan PH’lu olgularda da radiomiksin yararlı olabileceği bilinmelidir.