Glioblastom ve soliter beyin metastazı ayırıcı tanısında konvansiyonel MR sekanslarından otomatik segmentasyonla elde edilen radiomics verileri ile oluşturulan yapay zeka modellerinin başarısı

Giriş-Amaç: Biz çalışmamızda hastaların konvansiyonel MR görüntüleri üzerinden yapay zeka temelli otomatik tümör segmentasyonu ile elde edilen Radiomics verileri ile geliştirilen makine modelleri ile glioblastom (GBM)- soliter beyin metastazı ayrımı yapmayı amaçladık. Gereç ve Yöntemler: Çalışmamız Afyonkarahisar Sağlık Bilimleri Üniversitesi Sağlık Uygulama ve Araştırma Merkezinde tek merkezli ve retrospektif olarak yapılmıştır Çalışmada Ocak 2011-Haziran 2020 tarihleri arasında hastanemiz patoloji kayıtlarında glioblastom ve beyin metastazı tanıları kanıtlanmış hastalar retrospektif olarak tarandı ve medikal bilgileri ile PACS sistemindeki görüntüleri incelendi. Soliter beyin metastazı ve glioblastoma tanıları kanıtlanmış operasyon öncesi kontrastlı beyin MRG tetkiki uygulanmış hastalar dahil edildi. Görüntü kalitesi yetersiz, patoloji raporu uygunsuz hastalar dışlandı. Çalışmaya 35 GBM ve 25 soliter beyin metastazı hastası alındı. Hastaların T1 ağırlıklı, postkontrast T1 ağırlıklı, T2 ağırlıklı ve T2 fluid attenuated inversion recovery (FLAIR) ağırlıklı görüntüleri BraTumIA isimli programa hastaların anonimize edilmiş görüntüleri çevrimdışı ortamda yüklendi. Programla hastaların lezyonları nekroz, kontrastlanmayan solid alan, kontrastlanan solid alan ve peritümoral ödem olarak yapay zeka aracılığıyla 4 farklı segmente ayrıldı. Sonrasında segmentasyon kusurları manüel olarak düzeltildi. 3DSlicer versiyon 4.11 paket programına ait "Radiomics" eklentisi ile T1 post-kontrast ve T2 AG FLAIR görüntüler üzerinden radiomics özellikleri çıkartıldı. Yapay zeka modelleri geliştirmek amacıyla Orange veri madenciliği programı ve Python Sci-Kit Learn kütüphanesi kullanıldı. Aşırı uyum ve eş doğrusallıktan kaçınmak için boyut azaltımı işlemi uygulandı. Sonrasında bu özniteliklerle 10 kat çapraz doğrulama metodu kullanılarak Derin Sinir Ağları (DNN), Destek Vektör Makineleri (Support Vector Machine, SVM), Rastgele Orman (Random Forest, RF), Naive Bayes (NB) modellemeleri yapıldı. Model performansı değerlendirilmesinde doğruluk, sensitivite, spesifite, eğri altında kalan alan (AUC) parametreleri kullanılmıştır. Bulgular: GBM ve metastaz grupları arasında yaş, cinsiyet ve lokalizasyon açısından bir fark izlenmedi. Geliştirilen makine modellerinde en başarılı sonuçlar nöral ağ ve destek vektör makine algoritmalarında elde edildi. Nöral ağ sınıflandırıcısında; GBM ve metastaz ayırt etmede AUC, doğruluk, F ölçütü, pozitif kestirim değeri, sensitivite, spesifite sırasıyla 0.975 , 0.917, 0.917, 0.922, 0.917, 0.900 bulunmuştur. Destek vektör makine sınıflandırıcısında; GBM ve metastaz ayırt etmede AUC, doğruluk, F ölçütü, pozitif kestirim değeri, sensitivite, spesifite sırasıyla 0,974, 0,901, 0,900, 0,919, 0,900, 0,929 bulunmuştur. Sonuç: GBM ve soliter beyin metastazı ayırıcı tanısında radiomics temelli yapay zeka modellemeri sadece konvansiyonel sekanslarla cihaz bağımlılığı olmadan yüksek doğrulukla ayırabilmektedir. Anahtar Kelimeler: radiomics, makine öğrenmesi, glioblastom, metastatik beyin tümörü, texture analiz, otomatik segmentasyon