Akademik Veri Yönetim Sistemi
UROK 2021, Antalya, Türkiye, 26 Kasım 2021, ss.66-67
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.
Anahtar kelimeler: akciğer kanseri, radyasyon pnömonisi, makine öğrenmesi
Kaynaklar
1. Luna JM, Chao HH, Diffenderfer ES, Valdes G, Chinniah C, Ma G, et al.
Predicting radiation pneumonitis in locally advanced stage II–III non-small
cell lung cancer using machine learning. Radiotherapy and Oncology 133
(2019) 106–112.