Yüksek rezolüsyonlu temporal kemik BT incelemelerinde radiomıcs özelliklerinden makine öğrenmesi algoritmaları kullanılarak elde edilen modellerin otitis media ve kolesteatom ayırıcı tanısındaki yeri

Amaç: Orta kulak hastalıkları içerisinde en sık görülen hastalıklardan kolesteatom ve otitis media (OM) farklı etyoloji, klinik bulgu ve tedavi yöntemlerine sahip olduğundan ayırıcı tanısı önemli iki antitedir. Klinik ve fizik muayene, kolesteatom ve OM ayırıcı tanısında her zaman belirleyici olmayabilir. Bu nedenle sıklıkla radyolojik görüntüleme yöntemlerine başvurulur. Amacımız radyolojik, klinik, patolojik verilere göre sınıflandırılan OM ve kolesteatom tanılı hasta gruplarını ayırt etmede bilgisayarlı tomografi (BT) görüntüleri üzerinden orta kulaktaki patolojik dansitelerin radiomics verilerini, makine öğrenme (MÖ) algoritmaları ile kombine ederek bu iki antitenin ayrıcı tanısını tahmin etmedeki etkinliğini ölçmek ve kolesteatom boyutlarının ayırıcı tanı performansına etkisini değerlendirmektir. Gereç ve Yöntem: Çalışmamızda 2016-2022 yılları arasında hastanemizin Picture Archiving Communicating Systems (PACS) sisteminde yer alan temporal kemik yüksek rezolüsyonlu BT (YRBT) ve temporal manyetik rezonans görüntüleme (MRG) görüntüleme rapor ve dosyaları retrospektif olarak gözden geçirildi. Temporal kemik YRBT ve temporal MRG görüntüleme tetkikleri arasında 1 yıldan kısa süre olan hasta listesi araştırıldı. Yaklaşık 1000 adet hasta dosyası tarandı. Radyolojik, klinik, patolojik verilere göre sınıflandırılan, 13 olguda her iki tarafta olmak üzere, toplam 42 olguya ait 55 adet otitis media tanılı bağımsız temporal kemik YRBT görüntüsü ve 54 olguya ait 54 adet kolesteatom tanılı bağımsız temporal kemik YRBT görüntüsü incelemeye alındı. Bir olgu sağ tarafta kolesteatom, sol tarafta OM tanısı almış olup her iki gruba da dahil edildi. Üç boyutlu (3D) segmentasyon işlemi ve radiomics özelliklerin çıkarımı "3D slicer" programı ile iki hekim tarafından yapıldı. Orta kulaktaki patolojik dansite artımları manuel çizilerek segmente edildi. Radiomics çıktıları, orijinal, kaba Laplacian of Gaussian ve wavelet transform filtreli görüntülerden oluşturuldu. Voksel yeniden örnekleme 1x1x1 mm³ olarak standardize edildi. Segmente edilen volümlerden her olguya ait 930 radiomics özellik çıkarılarak veri seti oluşturuldu. Gözlemciler arasındaki güvenilirlik sınıf içi korelasyon katsayısı (intraclass corelation coefficient (ICC)) ile değerlendirildi. Radiomics özelliklere ait ICC değeri 0,75 ve üzerinde ise bu özellikler kararlı olarak kabul edildi. Bu değerin altında ICC değerine sahip radiomics özellikler kararlı olmayan özellikler olarak belirlendi ve veri kümesinden çıkarıldı. Toplamda 826 özellik kararlı olarak değerlendirilip çalışmaya dahil edildi. Bu özellikler ayrı ayrı excel dosyaları halinde MÖ için kullanılan Orange Data Mining programına yüklendi. Özellik azaltma için fast correlation based filter (FCBF) metodu uygulandı. MÖ algoritmaları olarak k-nearest neighborhood (kNN), decision tree, random forest, logistic regression, support vector machine (SVM), naive bayes, neural network, adaboost, gradient boosting sınıflandırmaları kullanıldı. Ayrıca kolesteatom-OM ayırımının kolesteatom boyutları ile ilişkisi değerlendirildi. Bunun için kolesteatomlu hastalarda MRG incelemesinde difüzyon kısıtlaması gösteren alanların ortalama çapı belirlendi. Olgu dağılımı benzer olacak şekilde kolesteatom hastaları, ortalama çapı 6 mm'nin altında (grup 1), 6 mm ve üzerinde ancak 10 mm'nin altında (grup 2), 10 mm ve üzerinde (grup 3) olmak üzere 3 alt gruba ayrıldı. Her iki hekim grubu için de kolesteatom olgularına ait her alt grup OM tanılı olguların verileri ile ayrı ayrı kıyaslandı. Sınıflandırmaları karşılaştırmak için alıcı işletim karakteristik eğrisi (receiver operating characteristic, ROC), eğri altında kalan alan (area under curve, AUC), sınıflandırma doğruluğu (classification accuracy, CA), duyarlılık (sensitivity, recall), özgüllük (specificity), pozitif prediktif değer (kesinlik, precision, PPD), F1 skoru gibi parametreler kullanıldı. Tüm istatiksel sonuçlar için p <0,05 değeri anlamlı kabul edildi. MÖ uygulamasından sonra, kolesteatom ve OM ayırıcı tanısı için 826 özelliğin istatistiksel olarak anlamlı farklılık gösterip göstermediğinin belirlenmesi açısından Student's t testi ve Mann-Whitney U testleri yapıldı. Bu testlerde anlamlı bulunan özelliklere ROC curve analizi yapıldı. Bu özelliklere ait eşik değerleri Youden indeksine göre belirlendi. Bulgular: Kolesteatom ve OM ikili sınıflandırmada, FCBF ile seçilen 5'er adet radiomics özelliği ve Naive Bayes algoritması kullanılarak oluşturulan MÖ modeli kolesteatom ve OM ayırıcı tanısında diğer MÖ algoritmalarına göre daha yüksek performans gösterdi (1.hekim tarafından elde edilen özelliklerde AUC değeri 0,91, CA değeri 0,82, F1 skoru 0,80, PPD 0,85, duyarlılık 0,76, özgüllük 0,87; 2. hekim tarafından elde edilen özelliklerde AUC değeri 0,92, CA değeri 0,84, F1 skoru 0,84, PPD 0,82, duyarlılık 0,85, özgüllük 0,82). FCBF ile seçilen en iyi 5 özellik arasında wavelet LLH firstorder 90 percentile ve wavelet LHL firstorder mean özellikleri 1. ve 2. hekimde aynı idi. Çalışmamızda kolesteatom boyutları ile ayırıcı tanı arasındaki ilişki değerlendirildiğinde, FCBF ile seçilen 4'er adet radiomics özelliği kullanılarak oluşturulan MÖ modelleri arasında en yüksek performansı Naive Bayes algoritması gösterdi. Üçlü sınıflandırmada grup 1 kolesteatom ve OM olguları kıyaslandığında AUC değerleri 0,82-0,88 (sırasıyla 1. ve 2. hekim), grup 2 kolesteatom ve OM olguları kıyaslamasında AUC değerleri 0,93-0,95 (sırasıyla 1. ve 2. hekim), grup 3 kolesteatom ve OM olguları kıyaslamasında AUC değerleri 0,97-0,98 (sırasıyla 1. ve 2. hekim) olarak bulundu. Ortalama çap değerinin en yüksek olduğu alt grup (grup 3) diğer gruplara kıyasla ayırıcı tanıda daha yüksek performans gösterdi. Ortalama çap değeri düştükçe ayırıcı tanı performansında da azalma izlendi. FCBF ile seçilen özellikler kıyaslandığında grup 1'de iki hekim özellikleri arasında aynı özellik saptanmadı. Diğer gruplara ait özellikler değerlendirildiğinde grup 2 ile yapılan kıyaslamada wavelet LHL firstorder mean; grup 3 ile yapılan kıyaslamada log-sigma 3,0 mm-3D short run high gray level emphasis özellikleri her iki hekim grubunda da ortak özellik idi. Ayrıca yapılan Student's t testi ve Mann-Whitney U testi sonucunda 826 özellik arasından 307 ve 355 adet özellik (sırasıyla 1. ve 2. hekim) kolesteatom ve OM grupları arasında istatistiksel olarak anlamlı fark gösterdi. 1. hekim tarafından elde olunan 103 adet ve 2. hekim tarafından elde olunan 155 adet özelliğin AUC değerleri 0,70'in üzerinde bulundu. AUC değerleri en yüksek özellikler arasında 102 özellik her iki hekim grubunda da aynı idi. Sonuç: Çalışmamızda, aynı cihaz ve çekim protokolü ile elde edilen temporal kemik YRBT görüntüleri üzerinden, 3D segmentasyon işleminin iki farklı kullanıcı tarafından manuel olarak yapıldığı ve elde edilen radiomics verileri ile MÖ algoritmaları kullanılarak kolesteatom ve OM ayırıcı tanısında kullanılabilecek iyi performansa sahip bir model tanımlandı. Ayrıca kolesteatom boyutları arttıkça ayırıcı tanı performansında artış tespit edildi. Çalışmamız ayırıcı tanıda aynı cihaz ve çekim protokolü ile YRBT'den elde edilen verilerin radiomics özelliklerinin anlamlı farklılık gösterip göstermediğine yönelik tek tek bakılan ve anlamlı özelliklerde eşik değeri bulmayı amaçlayan literatürde ilk ve tek çalışmadır. Gelecekte, her iki antite için de daha büyük olgu sayıları ile, yaş, cinsiyet, coğrafik, sosyokültürel faktörler göz önüne alınarak, çoklu araştırmacıların katıldığı ve çeşitli segmentasyon yöntemlerinin kullanıldığı ve/veya karşılaştırıldığı, radiomics verileri ve MÖ kullanılarak yapılacak prospektif çalışmalar sonucunda OM ve kolesteatom ayırıcı tanısında alternatif bir tanı yöntemi elde edilebilir.