Akademik Veri Yönetim Sistemi
14. ULUSAL RADYASYON ONKOLOJİSİ KONGRESİ, Antalya, Türkiye, 26 - 30 Kasım 2021
AMAÇ: Radyasyon pnömonisi (RP), lokal ileri evre akciğer kanseri radyoterapisinde doz sınırlayıcı bir toksisitedir. Önceki çalışmalar, bu toksisiteyi sınırlamak için dozimetrik kısıtlamalar önermiştir. Bu çalışmada, makine öğrenmesi algoritmaları kullanılarak, RP’nin gelişimine etki eden bireysel/klinik/dozimetrik faktörlerin önemini açıklamak amaçlanmıştır.
GEREÇ- YÖNTEM: 2014-2019 yılları arasında ESOGÜTF Radyasyon Onkolojisi bölümünce Radyoterapi (RT)±kemoterapi (KT) uygulanmış 134 lokal ileri evre akciğer kanseri tanılı vaka değerlendirilmiştir. Hasta başına 28 klinik ve 45 dozimetrik özellik değerlendirilmiştir. Önemli değişkenlerin tespiti için Backward Feature Selection yöntemi kullanılmış olup p değeri <0.05 olanlar önemli değişkenler olarak kabul edilmiştir. Logistic Regression, MLP Classifier, XGB Classifier, SVC, Random Forest Classifier, Gaussian NB makine öğrenmesi algoritmaları değerlendirilmiştir.
BULGULAR: Hasta ve tedavi özellikleri Tablo- 1’de özetlenmiştir. Tabakalı örnekleme yöntemi ile algoritmaya 87 vaka dahil edilmiştir (RP var/yok: 40/47). Eğitim amacıyla 87 vakanın %70’i yani 60 vaka kullanılmıştır (RP var/yok: 25/35). Backward Feature Selection yöntemi ile seçilen önemli faktörler; cerrahi öyküsü (p=0.02), akciğer volümü (p=0.005), tümör yerleşim yeri (p =0.03) ve lenf nodu yerleşim yeri(p=0.006) olarak belirlenmiştir. Test için ise geri kalan %30 yani 27 vaka kullanılmış olup, bu vakalardan 12’sinde RP mevcut olup algoritma bu vakalardan 10’unu doğru tahminlemiştir. Confusion matrix Şekil-1’de özetlenmiştir. Altı algoritmanın sonuçları değerlendirildiğinde, Random Forest Classifier %81 doğruluk oranı, %85 sensivite, %76 spesifite, ROC AUC: 0.81 ve CI (confidence interval): 0.66-0.96) ile en iyi tahminleyen algoritma olarak belirlenmiştir. Değerlendirilen diğer algoritmalar ve doğruluk oranları; Logistic Regression (%59), MLP Classifier (%55), XGB Classifier (%74), SVC (%48) ve Gaussian NB (%55)’tir.
SONUÇ: Akciğer kanserinde RP belirleyicileri tanımlamak için Random Forest Classifier doğru bir makine öğrenme yöntemi olarak belirlenmiştir. Luna ve ark. larının 203 lokal ileri evre akciğer kanseri tanılı hasta ile yaptıkları çalışmada da Random Forest Classifier algoritması RP belirleyiclerini tanımlamak için en doğru makine öğrenme algoritması olarak belirtilmiştir (1). Dozimetrik faktörler seçilen önemli faktörler arasında yer almamaktadır. Bu, vakalarda önceki çalışmalarda belirlenen dozimetrik kısıtlamaların aşılmamış olmasına bağlı olduğu düşünülmektedir. Makine öğrenmesi ile RP vakalarının tahminlenmesi ile risk altındaki hastalar belirlenebilir ve bu vakaları RP morbidite ve mortalitesinden korumak için profilaktik steroid kullanımı düşünülebilir. Hasta sayısı arttırılarak çalışma sürdürülecektir.