Akciğer metastazlarında primer tümör kaynağının yapay zeka algoritmaları ile değerlendirilmesi

Akciğerler metastatik lezyonların en sık görüldüğü yerlerden biri olup akciğer dışı malignitelerin %20-54'ünde görülmektedir. Akciğer metastazlarında tanı genellikle BT ile mümkün olup karakteristik olarak bilateral alt zon periferik ağırlıklı yerleşim gösteren multipl nodüler solid lezyonlar şeklinde görülmektedir. Akciğer metastazı ile seyreden malignitelerin ayrımında kaviteleşme, kalsifikasyon, hemoraji, ödem ve difüz miliyer patern gibi belirleyici özellikler faydalı olabilmektedir. Ancak olguların çoğunda BT görüntüleri üzerinden primer malignitenin kaynağına yönelik bir ayrım yapmak mümkün olmamaktadır. Yapay zeka ile görüntü işleme metotlarının yaygınlaşması son yıllarda radyoloji ve diğer bazı tıp branşlarında yeni gelişmelerin habercisi olmuştur. Radyoloji görüntülerinden şekil, kontur yada pikseller arası dansite ilişkileri gibi bilgiler elde etmemizi sağlayan radyomik görüntü özelliklerinin çıkarılması ile bu özelliklerin bir görüntüleme biyobelirteci gibi kullanılarak tanıda, hastalık evrelemesinde, tedavi yanıtının ve hastalık prognozunun belirlenmesi gibi işlevlerde kullanılması mümkün olmuştur. Çalışmamızda Toraks BT görüntülerinde akciğer metastazı saptanan olguların radyomik görüntüleme özellikleri ve farklı yapay zeka algoritmaları kullanılarak primer tümör kaynağını saptamadaki başarısını ölçmeyi amaçladık. Retrospektif olarak Ocak 2014-Aralık 2020 tarihleri arasında Toraks BT'sinde akciğer metastazı saptanan 165 olgu ve 482 metastatik lezyon çalışmaya dahil edildi. Olgular primer tümörlerin histopatolojik tanılarına göre kolorektal kanser, böbrek hücreli kanser, mesane kanseri, meme kanseri, pankreas kanseri, prostat kanseri ve sarkomatöz kanserler olarak 7 alt gruba ayrıldı. Toshiba Aquilion 64-dedektör (Toshiba Medical Systems, Otawara, Japonya) ve Siemens Somatom Definition Flash 128-dedektör (Siemens Healthcare, Erlangen, Almanya) BT cihazlarında intravenöz kontrast madde verilmesini takiben elde edilen görüntüler 3D Slicer (http://www.slicer.org, versiyon 4.11) adlı ücretsiz yazılım ve "Segmentation Wizard" adlı yarı-otomatik segmentasyon modülü kullanılarak işaretlendi. Ön işleme metodu olarak tümör olarak işaretlenmiş alanların gri piksel değeri 0-255 aralığına sabitlenmek suretiyle normalizasyon uygulandı. Daha sonra açık kaynak kodlu ve ücretsiz Python kütüphaneleri kullanılarak 34 adet birinci derece ve Haar benzeri özellik çıkarıldı. Eldeki verilerin %30'u model başarısını test etmek amacıyla ayrıldı. K-en yakın komşu (KNN), destek vektör makinesi (SVM), rastgele orman (RF) ve gradyan artırma (GB) modelleri eğitilerek en iyi sonuç veren modeller belirlendi. Model performansını değerlendirmek amacıyla doğruluk, kesinlik, duyarlılık ve F1 skoru kullanıldı. Test verileri üzerinde en fazla doğruluk oranı KNN modelinde pankreas ve prostat kanseri grubunda (sırasıyla 0.93 ve 0.92), SVM modelinde prostat, pankreas ve sarkomatöz kanserler grubunda (sırasıyla 0.93, 0.90 ve 0.90), GB modelinde pankreas ve sarkomatöz kanserler grubunda (0.94 ve 0.94), RF modelinde ise prostat ve pankreas kanseri grubunda (sırasıyla 0.93 ve 0.90) elde edildi. F1 skoru olarak değerlendirildiğinde en iyi ayrım KNN, SVM ve RF modellerinde sırasıyla 0.62, 0.66 ve 0.50 ile meme kanseri grubunda elde edildi. GB modelinde en yüksek F1 skoru 0.77 ile sarkomatöz kanserler grubunda elde edildi. Meme kanseri grubunda ise F1 skoru 0.74 olarak izlendi. Genel olarak bakıldığında 4 model arasından F1 skoru olarak en iyi değer meme ve sarkomatöz kanserler grubunda GB ve SVM modeli ile elde edildi. Radyomik görüntü özellikleri ve yapay zeka modelleri, akciğer metastazlarının alt tiplerinin belirlenmesinde girişimsel olmayan bir tanı aracı olarak potansiyel değere sahip olabilir. Bunun için özellikle geniş ve bağımsız veri setleri üzerinde ve standardize yöntemler kullanılarak elde edilecek sonuçlara dayanan çalışmalara ihtiyaç duyulmaktadır. Anahtar kelimeler: Yapay zeka, BT, akciğer metastazı, radyomik.