Meme Kanserinin Histopatolojik Sonuçlarının Öngörülmesinde Stir Sekanslardaki Radyomik Özelliklerin Performansı
Akdeniz Tıp Dergisi, cilt.12, sa.1, ss.1-8, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 12 Sayı: 1
- Basım Tarihi: 2026
- Doi Numarası: 10.53394/akd.1651543
- Dergi Adı: Akdeniz Tıp Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.1-8
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Süleyman Demirel Üniversitesi Adresli: Evet
Özet
Amaç Meme kanserinin histopatolojik özellikleri tedavi ve prog- nozun belirlenmesinde kritik öneme sahiptir. Bu çalışmanın amacı, short tau inversion recovery (STIR) sekanslarındaki radyomik özelliklerin, invazif meme kanserinin histopa- tolojik sonuçlarının tahmin edilmesindeki performansını araştırmaktır. Gereç ve Yöntemler İnvazif meme kanseri tanısı alan kadınların tedavi öncesi Manyetik rezonans görüntüleme (MRG) incelemeleri ret- rospektif olarak değerlendirildi. Histolojik grade, östrojen reseptörü (ER), progesteron reseptörü (PR), Her-2, Ki-67 ekspresyonları ve moleküler alt tipler not edildi. Lezyonlar, 3D Slicer programında STIR sekanslarından manuel olarak segmente edildi ve ilgilenilen hacim elde edildi. Makine öğrenimi (MÖ) analizi Python 3.11, Pycaret kütüphane programı kullanılarak yapıldı. MÖ algoritmalarının başarısı eğri altındaki alan (AUC), doğruluk, geri hatırlama, kesin- lik ve F1 puanı ile değerlendirildi. Bulgular Çalışmaya yaş ortalaması 50,72±46 (dağılım 28-82) yıl olan toplam 197 hasta dahil edildi. Ortalama lezyon boyutu 23,71±14,86 (5-120) mm idi. En iyi performans ER+/- ayrımında ve luminal A+B tahmininde elde edildi. CatBoost sınıflandırıcısı en başarılı MÖ algoritması olup, AUC, doğruluk, geri hatırlama, kesinlik ve F1 değerleri ER+/- için sırasıyla 0,75, %80, 0,96, 0,81, 0,88 olarak bu- lunmuştur. Luminal A+B tümörlerini öngörmede AUC, doğruluk, hatırlama, kesinlik ve F1 değerleri sırasıyla 0,72, %79, 0,79, 0,64, 0,70 olarak belirlendi. Sonuç STIR sekanslardan elde edilen radyomik özellikler, ER reseptör durumunu ve luminal tümörleri tahmin etme potansiyeline sahiptir.
Objective Histopathological features of breast cancer are critical in determining treatment and prognosis. The aim of this study is to investigate the performance of radiomic features in short tau inversion recovery (STIR) sequences in predicting histopathological outcomes of invasive breast cancer. Methods Pre-treatment (Magnetic resonance imaging) MRI examinations of women diagnosed with invasive breast cancer were evaluated retrospectively. Histologic grade, estrogen receptor (ER), progesterone receptor (PR), Her-2, Ki-67 expressions, and molecular subtypes were noted. Lesions were manually segmented from STIR sequences using the 3D Slicer software, and volumes of interest was obtained. Machine learning (ML) analysis was performed using Python 3.11, Pycaret library. The performance of ML algorithms was evaluated with area under curve (AUC), accuracy, recall, precision and F1 score. Results A total of 197 patients with a mean age of 50.72±11 (range 28-82) years were included in the study. The mean lesion size was 23.71±14.86 (5-120) mm. The best performance was obtained in ER+/- discrimination and luminal A+B prediction. The CatBoost classifier was the most successful ML algorithm with AUC, accuracy, recall, precision and F1 values were 0.75, 80%, 0.96, 0.81, 0.88 respectively for ER+/-.In predicting luminal A+B tumors, AUC, accuracy, recall, precision and F1 values were 0.72, 79%, 0.79, 0.64, 0.70, respectively. Conclusion Radiomic features obtained from STIR sequences have potential utility in predicting ER receptor status and luminal tumors.