Akademik Veri Yönetim Sistemi
43.Ulusal Radyoloji Kongresi-TÜRKRAD 2022, Antalya, Türkiye, 1 - 05 Kasım 2022, ss.101-103
Giriş ve Amaç: Prostat kanseri, erkeklerde en sık teşhis edilen
ikinci kanserdir (1). Multiparametrik prostat manyetik rezonans görüntülemenin (MPMR), klinik olarak anlamlı prostat kanserinin saptanmasında hedeflenen biyopsilerin planlanması için anahtar bir
yöntemdir (2,3,4). Makine öğrenimi (ML), bilgisayarların önceden
belirli programlama olmaksızın verilerden öğrenebileceği ve tahmin er gerçekleştirebileceği algoritmaların geliştirilmesi ve eğitilmesine
dayanan yapay zeka tekniklerinin bir dalıdır (1).
Kemik metastazları (KM), metastazlı hastaların büyük bir kısmını
oluşturur ve bu hastalarda 5 yıllık sağkalım ve yaşam kalitesi önemli
ölçüde azalmaktadır (5,6).
Çalışmamızda perfüzyon bilgilerini kullanarak ML teknikleriyle nicel görüntü özelliklerinden yararlanarak tanı anında kemik metastazı
tahmin etmeyi amaçladık.
Ocak 2018-Aralık 2020 tarihleri arasında tanısı patolojik olarak
doğrulanmış prostat karsinomu hastaları tarandı. Biyopsi öncesinde yapılan MPMR görüntüleri incelendi. Prostat üzerine volüm alanı
(VOI) manuel olarak yerleştirildi. VOI alanındaki görüntüler işlenerek
Ktrans, Kep,Ve
, kontrastlanma oranı (CER), MaxSlope ve başlangıç gadolinium eğrisinin altında kalan alan (IAUGC) perfüzyon haritaları
elde edildi (Resim 1). ADC haritalamada saptanan lezyonun en düşük ADC değerlerine sahip bölgesine uygun boyutta ROI (Region of
interest) yerleştirildi (Resim 2). Yerleştirilen ROİ perfüzyon haritalarına kopyalanarak lezyonun farmakokinetik verileri elde edildi. MpMR
sekanslarından aksiyal T2 ağırlıklı görüntülerden transvers, sagittal
T2 ağırlıklı sekanstan kraniokaudal ve anteroposterior prostat çapları
ölçüldü. Elde edilen değerlerden “transvers x kraniokaudal x anteroposterior x 0,52” formulü ile prostat volümü hesaplandı. Total PSA
değeri prostat volümüne bölünerek PSA dansite değeri elde edildi.
KM varlığı biyopsi sonrası yapılan kemik tarama sintigrafisi ve/
veya PET/BT ile değerlendirildi.
ML modeli oluşturmak için Orange data mining software v3.32
kullanıldı.Veriseti farmakokinetik veriler ile PSA dansite değeri
birleştirilerek oluşturuldu. Veriler 0-1 aralığında normalize edildi.
Verisetindeki gruplar arasında dağılım dengesizliğini azaltmak amacıyla kemik metastazı olan gruba kendi içinde %100 oranında oversampling uygulandı.
Veri seti %80 ve %20 sabit oranı ile eğitim ve test seti olarak ayrıldı. Eğitim seti 10-fold cross validation işlemi ile 10 alt gruba ayrıldı.
9 grup eğitim için, 1 grup validasyon için kullanıldı ve bu işlem her
alt grup için ayrı ayrı uygulandı. Çıkan sonuçların ortalaması alınarak
modellerin validasyon değeri elde edildi. Test setleri modellerin doğruluğunu değerlendirmek için kullanıldı. ML algoritması oluşturmak
için “resim 3” de belirtilen modeller kullanıldı. Doğruluk oranı eğri
altında kalan alan (AUC) ile değerlendirildi.
Çalışmaya 122 hasta dahil edildi. 26 hastada tanı anında kemik
metastazı mevcut iken 96 hastada kemik metastazı mevcut değildi.
PSA dansite değeri kemik metastazı olmayan grupta 0,51 ±0,93,
kemik metastazı olan grupta 2,45 ±4,46 olarak bulundu (Mann
whitney p<0,001).
IAUGC değeri kemik metastazı olmayan grupta 0,14779
±0,08550, kemik metastazı olan grupta 0,21007 ±0,12509, maxslope değeri kemik metastazı olmayan grupta 0,01352 ±0,02068,
kemik metastazı olan grupta 0,02079 ±0,02428 olarak bulundu
(Sırasıyla p=0,035, p=0,050). Diğer farmakokinetik veriler ile kemik metastazı arasındaki ilişki istatiksel olarak anlamlı buluınmadı.
KM tahmini için modeller oluşturulduğunda 0,830 validasyon ve
0,857 test performansı ile en yüksek doğruluk oranı gradient boosting modeli ile elde edildi. (Resim 3,4,5).
PCa hastalarında KM saptamak için mevcut yöntem kemik taramasıdır. Radyasyon etkisi ve pahalı olması nedeniyle hangi hastanın
kemik taraması yapması gerektiğini belirlemeye yardımcı olacak yeni
teknikler araştırılmaktadır (6,7).
PSA dansitesi kemik metastazı için bağımsız bir risk faktörü olup
1,48 ve üzeri değerler için %98 spesifite bildirilmektedir (8).
Prostat MRG’de ML uygulanmasının, MRG’de şüpheli alanları
vurgulayarak tanısal doğruluğu iyileştirebileceğini ve okuyucular arası değişkenliği azaltabileceğini ve rapor okunması esnasında radyolog tarafından daha odaklanmış bir yorumlamaya olanak tanıyacağı
ileri sürülmektedir(3,4) ML’nin lezyon agresifliğini ve tedavi yanıtını
öngörebildiği de gösterilmiştir(1).
ML, karmaşık klinik verileri analiz ederek metastaz teşhisini kolaylaştırabilir (7). Winkel ve arkadaşları (2) klinik anlamlı prostat kanserini tahmin etmede oluşturduğu RF modelinde %89.9 doğruluk ile en iyi performansa ulaşmıştır. Gradient boosting modeli %86.4
doğruluk ile ikinci sırada yer almaktadır .
Bizim çalışmamızda KM riskini tahmin etmede en iyi performansı
%85,7 ile gradient boosting tahmin modeli göstermiştir.
Sonuç olarak ML tahmin modelleri, klinisyenlere PCa tedavisi için
kişiselleştirilmiş kararlar vermelerine ve KM açısından yüksek riskli
hasta grubunu belirlemede yardımcı olabilir.