İntraduktal karsinom(IDC)ve kribriform patern prostat kanserinde erken biyokimyasal nüks, metastaz, kastrasyon direnci, hastalığa bağlı kötü sağkalımla yakından ilişkilidir. İki advers patolojiyi Magnetik Rezonans Görüntülerden(MRG) elde edilen radyomik doku özelliklerinden makine öğrenimi(ML) kullanarak tespit etmenin mümkün olup olmadığını araştırdık. Kognitif 2 odak ve 12 odak sistemik prostat biyopsi öncesi 1.5T mpMRG çekilen patoloji sonucu IDC(n:20), kribriform patern(n:23) ve IDC+kribriform patern(n:16), asiner adenokarsinom(n:29) gelen toplam 88 hasta çalışmaya dahil edildi. Hastaların mpMRG görüntüleri klinikopatolojik verilere kör olan okuyucu 1(S.E) ve okuyucu 2(A.G.Ö) tarafından 3D-Slicer(sürüm 4.11) yazılımı kullanılarak kanserli bölgeler tespit edildi. Manuel olarak tüm eksenel görüntülerde dilim dilim 3D hacimsel segmentasyon gerçekleştirildi. Veri işleme ve ML analizi için Python 3.9.12 program diliyle inşa edilmiş Pycaret kütüphanesi kullanıldı. Çalışmaya dahil olan 88 hastanın ortalama yaşı 65,4'tü. Hastaların ortalama PSA değeri 27 ng/dl olarak hesaplandı. Her hasta için T2 ve ADC sekanslarda toplamda 1788 adet radyomik doku özelliği çıkarıldı. Radyomik doku özellik verilerinden (n:70) %80'i eğitim veri kümesine, (n:18) %20'si test veri kümelerine rastgele bir şekilde dağıtıldı. Beş kez çapraz doğrulama yapıldı. T2,ADC ve T2-ADC doku özelliklerinin PyCaret'ta yapılan klasifikasyonunun sonucunda en iyi üç model bulundu. Bu 3 model harmanlanarak tek bir model elde edildi. T2'ye ait AUC, doğruluk, F1, hatırlama sonuçları sırasıyla; 0.67, %64, %73 ve %73'tü. ADC'ye ait AUC, doğruluk, F1, hatırlama sonuçları sırasıyla; 0.80, %75, %81 ve %80'di. T2-ADC'ye ait AUC, doğruluk, F1, hatırlama sonuçları sırasıyla;0.98, %93, %94 ve %93'tü. Çalışmamız literatürü taradığımızda iki advers patolojiyi ML tabanlı radyomiklerle tespit etmekle ilgili ilk çalışmadır. Prostat kanseri heterojen ve çok odaklı bir kanser türünü temsil eder. Lezyona yönelik yapılan MRG füzyon biyopsilerde bile advers patolojilerin yarısı gözden kaçabilmektedir. Bu yüzden IDC ve kribriform patern gibi advers patolojileri klasik görüntüleme yöntemleri ve biyopsilerle tam anlamıyla analiz etmek çok zordur. Radyomikler, görüntüleme yöntemlerinden elde edilen fonksiyonel ve anatomik verilerden patofizyolojik özellikler elde edilmesini sağlar. T2-ADC doku özelliklerinden çıkardığımız radyomik verilerden yaptığımız ML algoritmalarıyla %90'ın üzerinde doğrulukla advers patolojileri tespit edebileceğimizi gösterdik. Anahtar Kelimeler : İntraduktal Karsinom; Kribriform Patern; Radyomik, Makine Öğrenimi, mpMRG.
Intraductal Carcinoma (IDC) and cribriform pattern are accepted as aggressive variants of prostate cancer. These adverse pathologies are closely associated with early biochemical recurrence, metastasis, castration resistance, and poor disease-related survival. A few publications exist to diagnose these two adverse pathologies with multiparametric Magnetic Resonance Imaging (mpMRI). Most of these publications are retrospective and are not studies that have made a difference in diagnosing adverse pathology. It is also known that fusion biopsies taken from lesions detected in mpMRI are not sufficient to detect these two adverse pathologies. Our purpose in our study is to diagnose two adverse pathologies with machine learning-based radiomics using MR images. A total of 59 patients, whose pathology results were IDC, cribriform pattern and IDC+cribriform pattern, who underwent 1.5T mpMRI before cognitive and 12 focal systemic prostate biopsy were included in the study. 29 patients with acinar adenocarcinoma as a result of pathology formed the control group. Tumor regions were detected using 3D-Slicer (version 4.11) software by reader 1(S.E) and reader 2(A.G.Ö). Both readers did not know the clinicopathological data of the patients. Manually, slice-by-slice 3D volumetric segmentation was performed on all axial images. Python 3.9.12 (Jupyter Notebook, Pycaret Library) was used for data processing and machine learning analysis. While the mean age in the adverse pathology group was 66, it was 64.4 in the control group. The mean PSA values in the adverse pathology and control groups were 35 ng/dl and 10.8 ng/dl, respectively. A total of 1788 radiomic tissue features were extracted from T2 and ADC sequences for each patient. Of those given radiomic tissue characteristics, 70(%80) were randomly assigned to the training dataset and 18(%20) to the test datasets. Cross-validation was done five times. As a result of the classification of T2, ADC and T2-ADC tissue properties in PyCaret, the three best models were found.A single model was obtained by blending these 3 models. T2's AUC, Accuracy, F1, recall results were 0.67%, 64%, 73%, and 73%, respectively.ADC's AUC, Accuracy, F1, recall results were 0.80, 75%, 81%, and 80%, respectively.T2-ADC's AUC, Accuracy, F1, recall results were 0.98, 93%, 94%, and 93%, respectively. Prostate cancer represents a heterogeneous and multifocal type of cancer. Even in MRI fusion biopsies performed for the lesion, 55% of adverse pathology can be overlooked. Therefore, it is very difficult to fully analyze adverse pathologies such as IDC and cribriform pattern with conventional imaging methods and biopsies. Radiomics enables to obtain pathophysiological features from functional and anatomical data obtained from imaging methods. We have shown that we can detect adverse pathologies with T2-ADC radiomic tissue properties and machine learning with an accuracy of over 90%. Keywords : Intraductal carcinoma, Machine learning, Multiparametric MRI, Prostate cancer, Radiomics.
Tez (Tıpta Uzmanlık-PhD) - Süleyman Demirel Üniversitesi, Tıp Fakültesi, Üroloji Anabilim Dalı, 2023.
Kaynakça var.
İntraduktal karsinom(IDC)ve kribriform patern prostat kanserinde erken biyokimyasal nüks, metastaz, kastrasyon direnci, hastalığa bağlı kötü sağkalımla yakından ilişkilidir. İki advers patolojiyi Magnetik Rezonans Görüntülerden(MRG) elde edilen radyomik doku özelliklerinden makine öğrenimi(ML) kullanarak tespit etmenin mümkün olup olmadığını araştırdık. Kognitif 2 odak ve 12 odak sistemik prostat biyopsi öncesi 1.5T mpMRG çekilen patoloji sonucu IDC(n:20), kribriform patern(n:23) ve IDC+kribriform patern(n:16), asiner adenokarsinom(n:29) gelen toplam 88 hasta çalışmaya dahil edildi. Hastaların mpMRG görüntüleri klinikopatolojik verilere kör olan okuyucu 1(S.E) ve okuyucu 2(A.G.Ö) tarafından 3D-Slicer(sürüm 4.11) yazılımı kullanılarak kanserli bölgeler tespit edildi. Manuel olarak tüm eksenel görüntülerde dilim dilim 3D hacimsel segmentasyon gerçekleştirildi. Veri işleme ve ML analizi için Python 3.9.12 program diliyle inşa edilmiş Pycaret kütüphanesi kullanıldı. Çalışmaya dahil olan 88 hastanın ortalama yaşı 65,4'tü. Hastaların ortalama PSA değeri 27 ng/dl olarak hesaplandı. Her hasta için T2 ve ADC sekanslarda toplamda 1788 adet radyomik doku özelliği çıkarıldı. Radyomik doku özellik verilerinden (n:70) %80'i eğitim veri kümesine, (n:18) %20'si test veri kümelerine rastgele bir şekilde dağıtıldı. Beş kez çapraz doğrulama yapıldı. T2,ADC ve T2-ADC doku özelliklerinin PyCaret'ta yapılan klasifikasyonunun sonucunda en iyi üç model bulundu. Bu 3 model harmanlanarak tek bir model elde edildi. T2'ye ait AUC, doğruluk, F1, hatırlama sonuçları sırasıyla; 0.67, %64, %73 ve %73'tü. ADC'ye ait AUC, doğruluk, F1, hatırlama sonuçları sırasıyla; 0.80, %75, %81 ve %80'di. T2-ADC'ye ait AUC, doğruluk, F1, hatırlama sonuçları sırasıyla;0.98, %93, %94 ve %93'tü. Çalışmamız literatürü taradığımızda iki advers patolojiyi ML tabanlı radyomiklerle tespit etmekle ilgili ilk çalışmadır. Prostat kanseri heterojen ve çok odaklı bir kanser türünü temsil eder. Lezyona yönelik yapılan MRG füzyon biyopsilerde bile advers patolojilerin yarısı gözden kaçabilmektedir. Bu yüzden IDC ve kribriform patern gibi advers patolojileri klasik görüntüleme yöntemleri ve biyopsilerle tam anlamıyla analiz etmek çok zordur. Radyomikler, görüntüleme yöntemlerinden elde edilen fonksiyonel ve anatomik verilerden patofizyolojik özellikler elde edilmesini sağlar. T2-ADC doku özelliklerinden çıkardığımız radyomik verilerden yaptığımız ML algoritmalarıyla %90'ın üzerinde doğrulukla advers patolojileri tespit edebileceğimizi gösterdik. Anahtar Kelimeler : İntraduktal Karsinom; Kribriform Patern; Radyomik, Makine Öğrenimi, mpMRG.
Intraductal Carcinoma (IDC) and cribriform pattern are accepted as aggressive variants of prostate cancer. These adverse pathologies are closely associated with early biochemical recurrence, metastasis, castration resistance, and poor disease-related survival. A few publications exist to diagnose these two adverse pathologies with multiparametric Magnetic Resonance Imaging (mpMRI). Most of these publications are retrospective and are not studies that have made a difference in diagnosing adverse pathology. It is also known that fusion biopsies taken from lesions detected in mpMRI are not sufficient to detect these two adverse pathologies. Our purpose in our study is to diagnose two adverse pathologies with machine learning-based radiomics using MR images. A total of 59 patients, whose pathology results were IDC, cribriform pattern and IDC+cribriform pattern, who underwent 1.5T mpMRI before cognitive and 12 focal systemic prostate biopsy were included in the study. 29 patients with acinar adenocarcinoma as a result of pathology formed the control group. Tumor regions were detected using 3D-Slicer (version 4.11) software by reader 1(S.E) and reader 2(A.G.Ö). Both readers did not know the clinicopathological data of the patients. Manually, slice-by-slice 3D volumetric segmentation was performed on all axial images. Python 3.9.12 (Jupyter Notebook, Pycaret Library) was used for data processing and machine learning analysis. While the mean age in the adverse pathology group was 66, it was 64.4 in the control group. The mean PSA values in the adverse pathology and control groups were 35 ng/dl and 10.8 ng/dl, respectively. A total of 1788 radiomic tissue features were extracted from T2 and ADC sequences for each patient. Of those given radiomic tissue characteristics, 70(%80) were randomly assigned to the training dataset and 18(%20) to the test datasets. Cross-validation was done five times. As a result of the classification of T2, ADC and T2-ADC tissue properties in PyCaret, the three best models were found.A single model was obtained by blending these 3 models. T2's AUC, Accuracy, F1, recall results were 0.67%, 64%, 73%, and 73%, respectively.ADC's AUC, Accuracy, F1, recall results were 0.80, 75%, 81%, and 80%, respectively.T2-ADC's AUC, Accuracy, F1, recall results were 0.98, 93%, 94%, and 93%, respectively. Prostate cancer represents a heterogeneous and multifocal type of cancer. Even in MRI fusion biopsies performed for the lesion, 55% of adverse pathology can be overlooked. Therefore, it is very difficult to fully analyze adverse pathologies such as IDC and cribriform pattern with conventional imaging methods and biopsies. Radiomics enables to obtain pathophysiological features from functional and anatomical data obtained from imaging methods. We have shown that we can detect adverse pathologies with T2-ADC radiomic tissue properties and machine learning with an accuracy of over 90%. Keywords : Intraductal carcinoma, Machine learning, Multiparametric MRI, Prostate cancer, Radiomics.