Radyogenomik veri setleri için yapay zekâ tabanlı bir hassas tıp karar destek sisteminin geliştirilmesi

Amaç: Bu çalışmanın amacı, KHDAK hastaların biyomedikal görüntüleri ve ilgili klinik veriler kullanılarak derin öğrenme yöntemine dayalı DICOM görüntülerden süper piksel segmentasyon, otsu eşikleme ve hastalığın referans konumu belirlenmiştir. Görüntülerden alınan nicel veriler klinik veriler ile entegre edildi. Biyobelirteçlerin belirlenmesi için çeşitli makine öğrenme yöntemleri uygulanarak sınıflandırma performanslarını, klinik veriler, kilinik veriler+görüntü verileri ve modele ilişkin iyileştirme oranlarını belirlemektir. Materyal ve Metot: Çalışmada kullanılan klinik veri setinde, EGFR mutasyonuna sahip 43, mutasyon olamayan 168 ve KRAS mutasyonuna sahip 38, mutasyon olmayan 173 birey olmak üzere her bir mutasyonda 211'er KHDAK bulunmaktadır. İşlenen görüntü sayısı 2.231 ve her bir görüntü VGG16 derin öğrenme modeli ile 25.088 değişken çıkarıldı. Sınıflandırma algoritmalardan, XGBoost, CatBoost, Random Forest, DVM modelleri uygulanmıştır. Bulgular: Küçük hücreli Dışı Akciğer kanseri hastaların EGFR ve KRAS mutasyon durumları biyomedikal klinik verilerde anlamlı farklılıklar bulunmuştur. Random forest yöntemi ile en önemli 50 değişken seçilerek model eğitiminde kullanılmıştır. En iyi sınıflandırma model performansının XGBoost, CatBoost yöntemlerine ait olduğu belirlenmiş ve bu modellere ilişkin sınıflandırma performansları doğruluk, dengelenmiş doğruluk, kesinlik, duyarlılık, F1-skoru, ROC-AUC metrikleri ile değerlendirilmiş ve bunlar sırasıyla, (0.965 ± 0.015), (0.954 ± 0.021), (0.953 ± 0.024), (0.994 ± 0.007), (0.973 ± 0.011) ve (0.990 ± 0.005) olarak hesaplanmıştır. Sonuç: Gerçekleştirilen çalışmada makine öğrenmesi yöntemleri sonuçlarından hareketle, görüntü verilerinde KRAS mutasyon durumunu tahmin etmede etkili olduğu XGBoost ve CatBoost modelleri daha başarılı performans gösterdiği saptanmıştır. EGFR mutasyon durumunu tahmin etmede CatBoost daha başarılı performans göstermiştir. Anahtar Kelimeler: Akciğer Kanseri, Biyomedikal, Dijital Görüntüleme, Makine Öğrenme