Malign melanom hastalarında metastatik lenf nodlarının F18-FDG pet ve bilgisayarlı tomografide yapılan doku analizi ve makine öğrenmesi algoritmaları ile öngörülmesi

GİRİŞ VE AMAÇ: 1990'ların başından bu yana, AJCC evrelemesine göre T1b, T2, T3 olan ve klinik olarak lenf nodu negatif kutanöz malign melanom hastalarında lenfatik haritalama ve sentinel lenf nodu biyopsisi (SLNB); rutin olarak bir evreleme prosedürü olarak kullanılmaktadır1. Bununla birlikte, bilgisayarlı tomografi tekstür analizi gibi daha yeni görüntüleme tekniklerinin, onkolojik görüntülemede lenf nodu metastazı ve hastaların prognozunun tahmin edilmesinde faydalı olduğu düşünülmektedir. Bu çalışmada malign melanom hastalarında Pozitron Emisyon Tomografisi-Bilgisayarlı Tomografi (PET-BT) incelemesindeki PET ve bilgisayarlı tomografi görüntülerinde lenf nodlarının tekstür analiz parametreleri ile postoperatif lenf nodlarının patolojisi korele edilecektir. Bu çalışma ile tekstür analizi ve makine öğrenmesi kullanılarak malign melanom hastalarında metastatik lenf nodlarını tespit edebilmeyi hedeflemekteyiz. MATERYAL VE METOD: SLNB işlemi öncesi yapılan PET-BT görüntülemelerindeki PET ve BT kesitlerinde lenf nodlarına iki radyolog tarafından Canon firmasına ait 'OLEA' yazılımı üzerinden serbest el region of interest (ROI) yerleştirilerek volümetrik segmentasyonları yapıldı. Tekstür analizi paramterelerinden metastatik ve non metastatik grupta istatiksel olarak anlamlı farklılık gösteren özellikler saptandı. Öznitelik seçilimi aşamasında, intra-class correlations(ICC) analizi (threshold 0.75) ile tekrarlanabilir öznitelikler seçildi. PET ve BT görüntülerinden elde edilen tekrarlanabilir öznitelikler birleştirilerek yeni bir kombine grup oluşturuldu. Pearson korelasyon katsayılarına göre birbiri ile 0.7'den fazla korelasyon göstermeyen öznitelikler üçüncü aşamaya alındı. Son aşamada wrapper tabanlı ardışık öznitelik seçim algoritması (AÖS) kullanılarak öznitelikler seçildi. Support vector machine(SVM) ve Logistic Regression(LR) algoritmaları kullanılarak modeller oluşturuldu. Çift katmanlı çapraz validasyon tekniği ile modellerin optimizasyonu sonrasında validasyonu yapıldı. BULGULAR: Çalışmaya malign melanom tanısı almış, hastalığın evresini belirlemek için lenf nodu metastazını değerlendirmek amacıyla PET-BT görüntülemesi yapılan ve histopatolojik olarak verifiye; 44 hasta dahil edildi (24 malign, 20 benign). Her görüntüden 111 adet olmak üzere PET ve BT'den iki gözlemci için toplamda 444 adet öznitelik çıkarıldı. BT tekstür analizinde iki gözlemcide de metastatik ve metastaz olmayan hasta gruplarında 111 adet öznitelikten 67, PET tekstür analizinde 50 tanesi istatiksel olarak anlamlı farklılık göstermekteydi. PET ve BT'den iki gözlemci için toplamda 444 öznitelik çıkarıldı. ICC analizi sonucunda BT 364, PET 356 öznitelik çıkarıldı. Pearson korelasyonu sonrasında AÖS BT, PET ve kombine grupta sırasıyla, 6 ,7 ve 8 öznitelik seçti. BT görüntüleri ile oluşturulan SVM ve LR modellerinin doğruluk oranları ikisinin de %81, PET modellerinin sırasıyla %75 ve %68, kombine modelin ise sırasıyla %84 ve %78 olarak bulundu. Wilcoxon testinde SVM modeli kombine ve PET görüntülerde LR modeline göre daha başarılı bulundu(p = 0.027, 0.043). LR modelleri Friedman testi ile birbirleriyle kıyaslandığında BT görüntülerle oluşturulan model, PET görüntülere göre başarılı bulundu(p = 0.012). SVM modellerinde görüntü setleri arasında anlamlı farklılık saptanmadı(p = 0.607). SONUÇ: Malign melanom tedavi-evrelemesinde lenf nodu metastazı önemli bir faktördür. Çalışmamızdan elde edilen sonuçlar sayesinde tekstür analizi incelemesi malign melanom hastalarında metastatik lenf nodu tanısında umut vaat etmektedir. SLNB ile kıyaslandığında invaziv olmaması, tekrarlanılabilirliliği önemli avantajdır. PET-BT tetkikleri ile kıyaslandığında BT'nin yüksek anatomik detay sağlaması, radyonüklid maruziyetinin bulunmaması pozitif yön olarak öne çıkmaktadır. Çalışmamız literatürde malign melanomun lenf nodu metastazını PET ve BT'de radiomics tabanlı değerlendiren tek çalışmadır. Bu sebeple bulguların doğrulanması için daha büyük ölçekli araştırmalara ihtiyaç duyulmaktadır.