Kronik hepatit B ve C tanısı olan hastalarda histopatolojik karaciğer fibrozis evresinin radyomiks analizi ile karşılaştırılması

Bu çalışmada radyomiks özellikleri kullanarak kronik hepatit B ve C hastalarının karaciğer fibrozisini ve nekroinflamasyonunu değerlendirmeyi, böylece hastaları biyopsi komplikasyonlarından korumayı, klinisyenlere daha kolay, tekrar edilebilir, non-invaziv bir tanı yöntemi sunmayı amaçladık. Çalışma için yerel etik kurul onayı alındıktan sonra, Ocak 2015-Ocak 2024 tarihleri arasında hastanemizde karaciğer biyopsisi yapılmış olan hastalardan histopatolojik olarak kronik hepatit B ve C tanısı olanlar retrospektif olarak değerlendirildi. Bu hastalardan biyopsi öncesindeki 6 ay içerisinde kontrastlı batın manyetik rezonans (MR) tetkiki ve 1 ay içerisinde laboratuvar testleri (Albümin,ALT,AST,Trombosit sayısı,INR,PT) bulunanlar çalışmaya dahil edildi. Çalışmaya dahil edilme ve dışlanma kriterleri uygulandıktan sonra farklı karaciğer fibrozis evrelerine sahip 50 hasta çalışmaya dahil edildi. Ayrıca karaciğer hastalığı ve karaciğerde lezyonu bulunmayan 30 hasta fibrozisi 0 kabul edilerek çalışmaya dahil edildi. Böylece karaciğer fibrozisi 0 ile 6 arasında değişen toplam 80 hasta çalışmaya dahil edildi. Bu hastaların kontrastlı batın MR tetkiklerinden aksiyel T2 ağırlıklı(T2A), portal ve geç fazlarda kontrastlı T1 ağırlıklı (T1A) sekanslarının görüntüleri 3D Slicer programına yüklendi. Bu programla karaciğer 3 boyutlu volümetrik olarak segmente edildi. Daha sonra segmente edilen VOI (Volume of Interest)den radyomiks özelliklerin çıkarılması için programa eklenen PyRadiomics 3.0.1 yazılım paketi kullanıldı. Her sekans için 130 radyomiks özellik çıkarıldı. Çıkarılan özelliklerden tek sayısal değer içermeyen veya metin içerenler çıkarıldı. Her sekans için 106 radyomiks özellik kullanıldı. Üç farklı sekansta yapılan ölçümler sonucunda toplam 318 radyomiks özellik elde edildi. Radyomiks özellikler çıkartıldıktan sonra model oluşturma aşamasına geçmeden önce hastalar 3:1 oranında (60:20) rastgele dağılım yöntemiyle eğitim ve test gruplarına ayrıldı. Model oluşturulması ve modelin eğitimi eğitim (train ) grubunda, oluşturulan modelin performans değerlendirilmesi test grubunda yapıldı. Radyomiks özelliklerden Random Forest algoritması kullanılarak en yüksek bilgi katkısı sağlayan ilk 7 değişken seçildi. Seçilen 7 değişken ile radyomiks model oluşturuldu. Laboratuvar verileri kullanılarak klinik model ve bunların birleştirilmesi ile kombine model oluşturuldu. Daha sonra radyomiks özelliklerin fibrozisi öngörme başarısını değerlendirebilmek için hastaları fibrozis evresi ve histolojik aktivite indeksi (HAI)'ne göre ikili gruplara ayırdık. 5 farklı grup oluşturduk. Bunlar Grup 1: Fibrozis 0-2 vs. 3-6, Grup 2: Fibrozis 0 vs. 1-6, Grup 3: Fibrozis 0-1 vs. 2-6, Grup 4 :HAI 0-12 vs 13-18, Grup 5 : HAI 0-5 vs. 6-18 olarak belirlendi. Oluşturulan her grup için 6 farklı makine öğrenmesi metodu ile model oluşturularak grupları ayırt edebilme başarısı değerlendirildi. Kullanılan makine öğrenmesi algoritmaları Logistic regression,Random Forest,SVM(Linear),SVM(RBF),KNN,Naive Bayes ve XGBoosttur. Performans değerlendirme sürecinde duyarlılık (sensitivity), kesinlik (precision), doğruluk (accuracy), F1 skoru ve ROC eğrisi altındaki alan (AUC) gibi ölçütler kullanıldı. Fibrozis 0–2 ile 3–6 evrelerini ayırt etmede en başarılı sonuçlar klinik modellerde elde edildi. Özellikle SVM(RBF) algoritması, %70 doğruluk, 0.667 AUC ve 0.5 F1-skor ile öne çıkmaktadır. Radyomiks modellerde doğruluk ve AUC için benzer başarıyı gösteren modeller olsa da , pek çok modelde F1-skor değerleri 0.400'ün altında kalmıştır. Fibrozis 0 ile 1–6 evrelerini ayırt etmede tüm modeller yüksek başarı göstermekle birlikte radyomiks ve kombine modeller mükemmel bir performans gösterdi. Random Forest ve Naive Bayes algoritmaları %100 doğruluk, 1.000 AUC ve 1.000 F1-skor değerleriyle tüm metriklerde tam performans sağladı. Fibrozis 0–1 ile 2–6 evrelerini ayırt etmede tüm modeller yüksek performans sergiledi. Ancak radyomiks modeller çok daha yüksek bir başarı gösterdi. SVM (RBF) modeli %98 doğruluk, 0.98 AUC ve 0.952 F1-skor ile en başarılı sonuçları elde etti. HAI 0–12 ile 13–18'in ayırt edilmesinde radyomiks modellerden SVM (Linear) algoritması, %95 doğruluk, 0.961 AUC ve 0.857 F1-skor ile en başarılı model oldu. HAI 0–5 ile 6–18'in ayrımı için oluşturulan modeller içinde kombine modellerden Random Forest %95 doğruluk, 0.98 AUC ve 0.952 F1-skor ile en yüksek performansı gösterdi. Sonuç olarak radyomiks modeller fibrozis olan-olmayan ( F0 vs F1-6) ve ≥F2 hastaları belirlemede yüksek başarı gösterdi. Ayrıca HAI ≥13 ve HAI ≥6 olan vakaları da yüksek doğrulukla sınıflandırabildi. 2023 Türkiye Hepatit B Tanı ve Tedavi Kılavuzunda F ≥2 ve HAI≥ 6 tedavi endikasyonu olarak belirtilmiştir. Oluşturduğumuz model bu hasta grubunu non-invaziv olarak belirlemeye olanak tanımaktadır. Bununla birlikte F0-2 ile F3-6 ayrımında yeterli başarıyı gösteremedi ve klinik model daha başarılı bulundu. Yine de radyomiks modellerin hastaların rutin takiplerinde fibrozis düzeyi ve nekroinflamasyon hakkında öngörü sağlayabilecek potansiyeli vardır. Ancak prospektif çok merkezli çalışmalar yapılmasına ihtiyaç vardır. Çalışmamızda kullandığımız 6 farklı makine öğrenmesi algoritmasının başarılarında belirgin farklılıklar gördük. Bu da radyomiks çalışmalarında doğru algoritma seçiminin önemini göstermektedir. Bizim kullandığımız algoritmalarda genel olarak Random Forest (RF) ve Destek Vektör Makinesi (SVM) daha başarılı oldu. Anahtar Kelimeler: Hepatit, Karaciğer Fibrozisi, HAI, Radyomiks, Makine Öğrenmesi, Segmentasyon