Akademik Veri Yönetim Sistemi
XI. Ulusal Göğüs Cerrahisi Kongresi, Antalya, Türkiye, 24 - 27 Ekim 2021, ss.39
Amaç: Pulmoner karsinoid tümörlerde (PKT) radyolojik olarak tipik (TK)/atipik(AK) ayrımı kolay değildir. Bilgisayarlı tomografi (BT) tabanlı yapay zeka tanı sistemleri BT görüntülerinin; yorumlanmasında, sınıflandırılmasında ve karar verme aşamasında klinisyenlere yardımcı olabilir. Bu çalışmada TK ve AK ayrımında BT tabanlı radiomiks yönteminin sonuçlarının sunulması amaçlandı. Gereç-Yöntem: Ankara Üniversitesi Tıp Fakültesi Göğüs Cerrahisi Anabilim Dalı’nda 2012-2019 yılları arasında ardışık 83 PTK hastası içinden; 1) cerrahi rezeksiyon uygulanmış olan, 2) histopatolojik olarak TK/AK tanısı konfirme edilmiş olan, 3) neoadjuvan tedavi öyküsü olmayan, 4) cerrahiden önceki 4 hafta içinde çekilmiş BT görüntüleri hastane elektronik veri tabanı sisteminde olan, 5) başka bir malignite öyküsü olmayan 78 hasta (TK/AK=68/10) 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 593 çekirdek ile ayrıldı. 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 ‘’Support Vector Machine’’ (SVM) ve ‘’Logistic Regression’’ (LR) bulundu. Eğitim ve validasyon seti için ROC eğrisi altında kalan AUC değerleri sırasıyla 0,893 ve 0,804 bulundu. Sonuç: Bu çalışmada, preoperatif dönemde BT tabanlı makine öğrenim modeli ile TK/AK ayrımının yüksek doğrulukla yapılabileceğini gösterilmiştir. TK’li hastalarda parankim koruyucu rezeksiyonlar tedavi için yeterli olsa da AK’li hastalarda standart rezeksiyon şekli lobektomidir. Bu nedenle radiomiks ile preoperatif dönemde TK/AK ayrımını bilmek rezeksiyon genişliğini önceden planlamak açısından önemlidir.