- Cukurova Medical Journal
- Vol: 46 Issue: 2
- The success of machine learning algorithms developed with radiomic features obtained from preoperati...
The success of machine learning algorithms developed with radiomic features obtained from preoperative contrast-enhanced MRI in the prediction of short-term survival in patients with glioblastoma
Authors : Okan Dilek, Emin Demirel, Emre B?lg?n, Berna Bozkurt Duman, Bozkurt Gülek
Pages : 706-713
Doi:10.17826/cumj.904688
View : 14 | Download : 3
Publication Date : 2021-06-30
Article Type : Research
Abstract :Amaç: Bu çalışma ameliyat öncesi kontrastlı T1 ağırlıklı görüntülerden(T1AG) elde edilen doku analizi(radyomiks) özellikleriyle geliştirilen makine öğrenimi(MÖ) modeli kullanılarak glioblastomlu hastalarda sağkalımın öngörülebilirliğini değerlendirmeyi amaçlamaktadır. Gereç ve Yöntem: Tümörlerin radyomiks özellikleri 60 glioblastoma hastasının kontrastlı T1AG’den elde edildi. Altı matristen elde edilen radyomik özellikler, yoğunluk, şekil ve dokusal özellikler analize dahil edilmiştir. Hastaların üç ve altı aylık sağkalım oranları kaydedildi. Tahmine dayalı modeller [random forest, neural network, linear discriminant analysis(LDA), stochastic gradient descent (SGD), support vector machine(SMV)] oluşturmak için beş farklı MÖ algoritması uygulandı. Bulgular: Hastaların ortalama sağkalım süresi 295,4 gün, medyan değeri 211,5 (17-1357) gündü. Üç ve altı aylık sağkalım tahmini için geliştirilen modellerden en yüksek başarı, EAA değerlerinin sırasıyla 0,88 ve 0,78 olarak hesaplandığı LDA algoritmasından elde edilmiştir. Sonuç: MÖ tekniklerini kullanarak, görüntülemeye dayalı hasta sağkalımını tahmin etme başarısı çok yüksekti. Bu tekniklerin gelişmesi ve yaygınlaşması ile MÖ modelleri, glioblastomda sağkalım tahminine göre tedaviye karar vermede faydalı olacaktır.Keywords : glioblastom, makine öğrenmesi, texture, mrg