İnfertil ve fertil erkeklerin testis ultrasonunda tekstür analizi

Amaç: Erkek infertilitesi multifaktoriyel bir patoloji olup altın tanı yöntemi olan spermiyogram ile birlikte yardımcı olan radyolojik görüntüleme yöntemleri mevcuttur. Amacımız testis ultrasonu ile elde edilen testis parankim görüntülerini segmente edip, makine öğrenme algoritmaları ile kombine ederek spermiyogram parametrelerini tahmin etmedeki etkinliğini ölçmektir. Gereç ve Yöntem: Bu retrospektif çalışmada, kurumumuzda testis ultrasonu ve bir ay içerisinde spermiyogram tetkiki yapılmış olan 169 olgu incelemeye alındı. Hastalardan 5'i daha önce çocuğu olan ve/veya testislere darbe aldıktan sonra spermiyogram kontrolü için gelen küçük bir grubu temsil ederken geri kalanları infertilite şüphesi ile kliniğimize başvurdu. Hastalar spermiyogram parametrelerinden sperm konsantrasyonu, total sperm sayısı, total motilite, progresif motilite, morfoloji ve TZI indeksi değerlerinden oluşturulan 5 persantil altı ile 5-95 persantil gruplarına ayrıldı. Testis uzun uzun aksta alınan ultrasonografi görüntülerinin 2 boyutlu segmentasyon işlemi ve radiomics özelliklerin çıkarımı "3D slicer" programı ile tek hekim tarafından yapıldı. Testis parankimi manuel çizilerek segmente edildi. Radyomiks çıktıları, orijinal, ince- kaba Laplacian of Gaussian ve wavelet transform filtreli görüntülerden oluşmakta idi. Her iki testis için toplam 1702 adet radyomiks özellik elde edildi. Voksel yeniden örnekleme 1x1x1 mm³ olarak standardize edildi. Makine Öğrenmesi (MÖ) için Orange Data Mining programı kullanıldı. Özellik azaltma için relieff, X2, Gain ratio ve Information gain metodları uygulandı. MÖ algoritmaları olarak k-nearest neighborhood (kNN), decision tree, random forest, logistic regression, support vector machine (SVM), naive bayes, neural network, Adaboost ve Gradient boost sınıflandırmaları kullanıldı. Sınıflandırmaları karşılaştırmak için çalışma karakteristik eğrisi (ROC) oluşturularak area under curve (AUC), duyarlılık (sensitivity, recall), özgüllük (spesifite), ve hata matriksi parametreleri hesaplandı. Tüm istatiksel sonuçlar için p <0,05 değeri anlamlı kabul edildi. Bulgular: Sperm konsantrasyonu 5 persantil altı grubu tahmin etmede en yüksek başarıyı Naive Bayes modeli elde etti (AUC 0,77, duyarlılık 0,59, özgüllük 0,75). Total sperm sayısı 5 persantil altı grubu tahmin etmede en yüksek başarıyı Naive Bayes modeli elde etti (AUC 0,77, duyarlılık 0,60, özgüllük 0,76). Total sperm motilitesi 5 persantil altı grubu tahmin etmede en yüksek başarıyı Naive Bayes modeli elde etti (AUC 0,81, duyarlılık 0,65, özgüllük 0,82). Progresif sperm motilitesi 5 persantil altı grubu tahmin etmede en yüksek başarıyı Naive Bayes modeli elde etti (AUC 0,80, duyarlılık 0,55, özgüllük 0,80). Sperm morfolojisi 5 persantil altı grubu tahmin etmede en yüksek başarıyı Naive Bayes modeli elde etti (AUC 0,73, duyarlılık 0,64, özgüllük 0,65). Sperm TZI indeksi 5 persantil altı grubu tahmin etmede en yüksek başarıyı SVM modeli elde etti (AUC 0,73, duyarlılık 0,54, özgüllük 0,81). Ayrıca testisin konvansiyonel kalitatif ve kantitatif değerleri ile sperm konsantrasyonu ve total sperm sayısı grupları arasında karşılaştırma yapıldı. Bu işlem için SPSS programı kullanıldı. Testis hacmi ve Valsalva manevrası sonrası ölçülen reflü saniyeleri ile 5 persantil altı gruplar arasında güçlü derecede negatif korelasyon sağlandı. Ayrıca testis ekojenite sınıflandırmaları ile de sperm konsantrasyonu ve total sperm sayısı grupları arasında istatistiksel olarak anlamlı farklılık saptandı (p<0,05). Sonuç: Çalışmamızda testis ultrasonunda kaydedilen parankim segmentasyon verilerini kullanarak elde ettiğimiz MÖ algoritmalarının, spermiyogram parametrelerinin 5 persantil altı gruplarını tahmin etmede kullanılabilecek bir alternatif olduğunu gösterdik. Anahtar kelimeler: Erkek infertilitesi, testis ultrasonu, spermiyogram, makine öğrenmesi, radiomics, yüksek düzey doku özellikleri