Akademik Veri Yönetim Sistemi
IX. Ulusal Akciğer Kanseri Kongresi, Antalya, Türkiye, 19 - 22 Aralık 2021, ss.30-31
Giriş: Pulmoner karsinoid tümörlerin (PKT) prognozu
tipik (TK)/atipik (AK) subtipler arasında farklılık gösterir.
Bilgisayarlı tomografi (BT) tabanlı radiomiks yöntemleri
BT görüntülerinin; yorumlanmasında, sınıflandırılmasında
ve karar verme aşamasında klinisyenlere yardımcı olur. Ra-
diomiks, klinikopatolojik ve her ikisinin kombine edilmesi
ile elde edilen veriler ışığında geliştirilen algoritmalar ise
kanserli hastalarda prognozu öngörebilir. Bu çalışmada
pulmoner karsinoid tümörlerin prognoz tahmininde maki-
ne öğrenimi modeli sonuçlarının sunulması amaçlandı.
Materyal-Metot: Ankara Üniversitesi Tıp Fakültesi Gö-
ğüs Cerrahisi Anabilim Dalı’nda 2012-2019 yılları arasında
ardışık 83 PTK hastası içinden; 1) cerrahi rezeksiyon uygu-
lanmış 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) çalış-
maya dahil edildi. Radcloud platformu (Huiying Medical
Technology Co., Ltd.) üzerinde; 1) BT görüntüleri işlendi
ve niteliklerine göre sınıflandırıldı, 2) BT ile TK/AK ayrımı
için en uygun algoritma bulundu, 3) prognoz tahmini için
radiomiks, klinikopatolojik ve kombine veriler analiz edildi.
İstatistiksel analiz: Radiomiks niteliklerinin boyut-
sallığını ve optimum özellikleri seçmek için varyans eşiği
yöntemleri kullanıldı. Makine öğrenimi için oluşturulan
eğitim ve doğrulama veri setleri 2:8 oranında rastgele şe-
kilde ayrıldı. TK/AK ayrımı için geliştirilen algoritmaların
[Logistic regression (LR), random forest (RF), decision tree
(DT), k-nearest neighbors (KNN), XGBoost, support vec-
tor machine (SVM)] tahmin düzeyi veri setleri üzerinde test
edildi ve ROC eğrisi ile analiz edildi. ROC eğrisi altında
kalan alan (Area under the ROC Curve=AUC) değerinin
0,8≥AUC>0,7 olması iyi bir ayrımın göstergesi olarak ka-
bul edildi. 4 indikatörle yapılan analiz ile en iyi sınıflan-
dırmayı yapan algoritma bulundu. Radiomiks, klinikopa-
tolojik ve kombine veriler ile genel sağkalım için prognoz
tahmini SVM regression ile yapıldı.
Sonuç: Makine öğrenimi için en iyi algoritmalar ‘’Sup-
port Vector Machine’’ (SVM) ve ‘’Logistic Regression’’ (LR)
bulundu. Eğitim ve validasyon seti için ROC eğrisi altın-
da kalan AUC değerleri sırasıyla 0,893 ve 0,804 bulun-
du. TK/AK ayrımı SWM ile %88,5 doğruluk oranıyla ya-
pılabildi (Resim 1). SWM regression yöntemi ile; 1) klinik
model için tümör tipi ve cerrahi tipi, 2) radiomiks modeli
için Gradient-glszm-Zone Variance, Exponential-glszm-Zo-
ne Variance, Wavelet-LLH-glszm-Large Area Emphasis ve
Wavelet-HLH-glszm-Low Gray Level Emphasis, 3) kombi-
ne model için Wavelet-LLH-glszm-Large Area Emphasis,
tümör tipi ve cerrahi tipi anlamlı prognostik göstergeler
olarak bulundu. TK’li hastalarda lobektomi kötü prognoz
ile ilişkili bulundu (p<0,05). BT’de kompleks yapıdaki he-
terojen ve düzensiz sınırlı lezyonların da kötü prognoz ile
ilişki olduğu bulundu (p<0,05) (Resim2, 3).
Tartışma: Bu çalışmada, preoperatif dönemde BT ta-
banlı makine öğrenim modeli ile TK/AK ayrımının yüksek
doğrulukla yapılabileceğini gösterildi. Prognoz analizine
göre; TK hastalarında parankim koruyucu cerrahilerin ter-
cih edilmelidir. Heterojen ve düzensiz sınırlı lezyonu olan
hastalarda prognozun kötü olacağı bilinmeli tedavi seçimi
buna göre şekillenmelidir.