Clear cell ve non-clear cell renal hücreli karsinomların bilgisayarlı tomografi radyomiks özellikler ile makine öğrenimi yöntemleri kullanılarak ayırt edilmesi

ÖZET Mert Can ÖZMAN, Clear Cell ve Non-Clear Cell Renal Hücreli Karsinomların Bilgisayarlı Tomografi Radyomiks Özellikler ile Makine Öğrenimi Yöntemleri Kullanılarak Ayırt Edilmesi, Zonguldak Bülent Ecevit Üniversitesi Tıp Fakültesi, Radyoloji Anabilim Dalı, Tıpta Uzmanlık Tezi, Zonguldak 2025. Amaç: Çalışmamızın amacı, renal hücreli karsinom tanısı almış hastalarda, tanı öncesi BT görüntülerinde tespit edilen lezyonların radyomiks analizini yaparak, özniteliklerin elde edilmesi ve makine öğrenimi algoritmaları kullanılarak clear cell renal hücreli karsinom ve non-clear cell renal hücreli karsinomların ayırt edilmesini sağlayacak özellikleri incelemek olarak belirlenmiştir. Gereç ve Yöntem: Zonguldak Bülent Ecevit Üniversitesi Tıp Fakültesi Hastanesi'nde 2012-2023 yılları arasında, Renal Hücreli Karsinom tanısı alan ve tanı öncesi Bilgisayarlı Tomografi tetkiki bulunan hastalar, hastane bilgi sistemi kayıtlarından retrospektif olarak tarandı. Bilgisayarlı Tomografi görüntüleri radyomiks inceleme açısından uygun kalite ve parametrelerde olan 70 olgu çalışmaya dahil edildi. Olguların histopatolojik incelemeleri patoloji raporlarından alınarak kayıt edildi. Sonrasında, hastaların görüntüleri hastane PACS (Picture Archiving and Communication System) sisteminden alınarak kayıt edildi. Radyolojik bulguları değerlendirildi ve istatistiksel analiz amacıyla toplandı. Eş zamanlı olarak, radyomiks inceleme ve özniteliklerin elde edilmesi amacıyla lezyonlara manuel olarak 3D volumetrik segmentasyon uygulandı. Ardından radyolojik bulgular, lezyonların histopatolojik alt tiplerine göre karşılaştırılarak değerlendirildi. Segmentasyon sonrası elde edilen öznitelikler şekil, histogram ve tekstür özellikleri olarak kategorize edilerek listelendi. LASSO (Least Absolute Shrinkage and Selection Operator), PSO (Particle Swarm Optimizastion), WT (Wavelet Transformasyon) gibi yöntemlerle özniteliklerin sayısı ve boyutu indirgendi. Ardından uygun özniteliklere, 34 farklı makine öğrenimi algoritmasıyla modelleme işlemi gerçekleştirildi. Yüksek performans gösteren algoritmalar tespit edilerek, 10-fold cross validasyon yöntemi ile test edildi, performans metrikleri hesaplanıp konfüzyon matrisleri, ROC (Receiver Operating Characteristic) eğrileri ve AUC (Area Under the Curve) değerleri ile görselleştirildi. Yüksek performans gösteren algoritmalar kendi aralarında karşılaştırıldı. Bulgular: Elde edilen tıbbi görüntülere uygulanan segmentasyon ile, görüntü ön işleme basamaklarından sonra 863 adet öznitelik elde edildi. Öznitelik sayı ve boyut indirgeme işlemlerinden sonra, k-NN (k-Nearest Neighbors) %68,57 doğruluk ve 0,6498 AUC değeriyle, lineer SVM (Support Vector Machines) %74,29 doğruluk ve 0,7982 AUC değeriyle, LDA (Lineer Diskriminant Analiz) %82,86 doğruluk ve 0,8311 AUC değeriyle, LR (Lojistik Regresyon) %71,43 doğruluk ve 0,5796 AUC değeriyle, Bagged Trees %77,1 doğruluk ve 0,7378 AUC değeriyle performans gösterdi. Sonuç: Çalışma sonucunda renal hücreli karsinomlarda clear cell ve non-clear cell alt tiplerini ayırt etmede radyomiks tabanlı makine öğrenimi yöntemlerinin değişen oranlarda yüksek performans gösterdiği tespit edilmiştir. Anahtar Kelimeler: Renal Hücreli Karsinom, Bilgisayarlı Tomografi, Radyomiks Analizi, Makine Öğrenimi