| dc.description.abstract | Objective: Metastatic nodules can be detected in patients undergoing chest computed tomography (CT) for reasons other than malignancy surveillance. These cases are classified as malignancies of undefined primary origin. Metastatic nodules often exhibit similar radiological appearances, making it challenging to identify the primary tumor site using conventional imaging characteristics such as shape, margins, density, and contrast enhancement. Consequently, the detection of a malignancy of undefined primary origin often requires a range of diagnostic evaluations, including laboratory tests, advanced radiological imaging, biopsies, histopathological assessments, endoscopic procedures. These examinations are costly and expose patients to the risks associated with invasive procedures, in addition to delaying the initiation of appropriate treatment. Furthermore, in a subset of patients, the primary tumor site remains unidentified despite comprehensive evaluations. Therefore, achieving an accurate differential diagnosis in a shorter time and at a lower cost is of paramount importance. Radiomics, a method that extracts quantitative data from medical images via mathematical algorithms, offers a potential solution. In this study, we aimed to differentiate lung metastases from breast cancer, colorectal cancer, and renal cell carcinoma—among the most common metastatic tumors to the lung—using radiomic features and various clinical-radiological parameters. Materials and Methods: A total of 70 metastatic breast cancer, 85 metastatic colorectal cancer, and 74 metastatic renal cell carcinoma patients diagnosed at two hospitals within the same medical center between January 1, 2015, and December 31, 2023, were included in the study. One hospital served as the training cohort (160 patients), while the other was designated as the test cohort (69 patients). The initial chest CT scans, in which metastases were detected, were analyzed, and clinical-radiological parameters—including patient age and sex, number of metastases, laterality, presence of mediastinal lymphadenopathy, bone and liver metastases, lymphangitic spread, pleural effusion, and pleural metastases—were recorded. Five variables (age, laterality, number of metastases, bone metastasis, and liver metastasis) showed statistically significant differences among the three groups (p<0.05). For radiomics analysis, non-cavitating nodules larger than 5 mm in contrast-enhanced CT scans were segmented three dimensionally. Following preprocessing, 854 radiomic features were extracted, including 110 original and 744 filtered features. Features with an intraclass correlation coefficient (ICC)<0.9 were excluded, leaving 441 features for further analysis. To classify the three groups, the Least Absolute Shrinkage and Selection Operator (LASSO) regression was applied, yielding eight features with nonzero coefficients. Random Forest (RF), Support Vector Machine (SVM), and XGBoost algorithms were used for modeling, with performance assessed using the area under the curve (AUC). Results: Three different models were developed: clinical-radiological models based on the five statistically significant variables, radiomics models incorporating the eight features identified through LASSO regression, and combined models using both clinical-radiological variables and radiomics features. Since RF was the most successful algorithm for radiomics-based classification, it was chosen for comparative analysis. The macro-/micro-averaged AUC values for the RF models were 0.616/0.616 for the radiomics model, 0.694/0.623 for the clinical-radiological model, and 0.714/0.712 for the combined model. Conclusion: Radiomics features alone demonstrated limited effectiveness in distinguishing lung metastases from breast cancer, colorectal cancer, and renal cell carcinoma. This situation may stem from the structural similarities among metastatic nodules on contrast-enhanced imaging and the insufficiency of harmonization processes. This hypothesis can be tested with larger patient cohorts. The most successful model in distinguishing metastatic nodules was the combined model, which showed moderate-to-high performance. | tr_TR |
| dc.description.ozet | Amaç: Malignite takibi dışındaki nedenlerle toraks bilgisayarlı tomografisi (BT) çekilen hastalarda metastatik nodüller saptanabilmekte ve bu durumlar primer kökeni belirlenmemiş malign hastalık olarak adlandırılmaktadır. Metastatik nodüller sıklıkla benzer görünümde olup şekil, kenar, dansite ve kontrastlanma özellikleri gibi klasik radyolojik değerlendirme ile primer odağı saptamak genellikle mümkün değildir. Bu sebeple primeri bilinmeyen tümörler saptandığında birçok laboratuvar tetkiki, radyolojik inceleme, biyopsi, histopatolojik değerlendirme ve endoskopi gerekebilmektedir. Bu incelemeler yüksek maliyetli olup beraberinde hastalar tedavi öncesi zaman kaybetmekte ve girişimsel işlemler çeşitli riskler taşımaktadır. Ayrıca bir grup hastanın primer tümör odağı tüm incelemelere rağmen bulunamamaktadır. Daha kısa sürede ve düşük maliyet ile ayırıcı tanı yapılması önemlidir. Radyomiks yöntemi lezyonlardan çeşitli matematiksel işlemler ile niceliksel veriler çıkarılmasını sağlar. Biz bu çalışmada akciğerin en sık metastatik tümörlerinden olan meme kanseri, kolorektal kanser ve renal hücreli karsinom metastazlarını radyomiks özellikleri ve çeşitli klinik-radyolojik parametreler kullanarak ayırt etmeyi amaçladık. Gereç ve Yöntem: 1 Ocak 2015 ile 31 Aralık 2023 tarihleri arasında aynı merkeze ait iki farklı hastanede tanı almış 70 metastatik meme kanseri, 85 metastatik kolorektal kanser, 74 metastatik renal hücreli karsinom hastası çalışmaya dahil edildi. Hastanelerden biri eğitim grubu (160 hasta), diğeri test grubu (69 hasta) olarak kabul edildi. Hastaların yaş ve cinsiyet değişkenleri ile beraber metastaz saptanan ilk toraks BT tetkikleri incelenerek metastaz sayısı, lateralite, mediastinal lenfadenopati, kemik ve karaciğer metastazı, lenfanjitik yayılım, plevral efüzyon ve plevral metastaz durumları klinik-radyolojik değişkenler olarak kaydedildi. Üç grup arasında istatistiksel anlamlı farklılık gösteren 5 değişken (yaş, lateralite, metastaz sayısı, kemik metastazı ve karaciğer metastazı) saptandı (p<0.05). Radyomiks analizi için kontrastlı BT tetkiklerinde 5 mm’den büyük, kaviter olmayan nodüller üç boyutlu olarak segmente edildi. Ön işleme basamağından sonra orijinal (110) ve filtrelenmiş (744) şekilde toplam 854 özellik elde edildi. Bu özelliklerden sınıf içi korelasyon katsayısı (ICC)>0.9 olan 441 özellik saptandı. Üçlü sınıflama için bu özelliklere En Küçük Mutlak Küçülme ve Seçim Operatörü (LASSO) regresyon analizi uygulanarak katsayısı sıfır olmayan 8 özellik bulundu. Modelleme için Random Forest (RF), Support Vector Machine (SVM) ve XGBoost algoritmaları kullanıldı. Modellerin performansları eğri altındaki alan (AUC) ile karşılaştırıldı. Bulgular: Üçlü sınıflama için gruplar arasında istatistiksel anlamlı farklılık gösteren 5 değişken ile klinik-radyolojik modeller ve LASSO regresyonu uygulanarak bulunan 8 radyomiks özelliği ile radyomiks modelleri oluşturuldu. Radyomiks özellikleri ile klinik-radyolojik değişkenler birlikte kullanılarak kombine modeller elde edildi. Radyomiks modellerinde en başarılı algoritma RF olduğu için modellerin karşılaştırılmasında RF modelleri kullanıldı. RF modellerinin makro-/mikro-ortalama AUC değerleri radyomiks modeli için 0.616/0.616, klinik-radyolojik model için 0.694/0.623 ve kombine model için 0.714/0.712 olarak bulundu. Sonuç: Radyomiks özellikleri meme kanseri, kolorektal kanser ve renal hücreli karsinoma ait akciğer metastazlarının ayrımında yeterli performans göstermemektedir. Bu durumun sebepleri kontrastlı incelemede metastatik nodüllerin iç yapısının kısmen benzerlik göstermesi ve harmonizasyon basamaklarının yeterince standardizasyon sağlamaması olabilir. Bu hipotezin doğruluğu daha geniş hasta grupları üzerinde çalışılarak test edilebilir. Metastatik nodüllerin ayrımında en başarılı model ise orta-yüksek düzeyde performans gösteren kombine modeldir. | tr_TR |
