Bilgisayarlı Tomografi Tabanlı Radyomiks Analiz ve Makine Öğrenmesi ile Düşük ve Yüksek Dereceli Kondrosarkomların Ayrımı

Mendi B. A. R.

21th International Hippocrates Congress on Medical and Health Sciences, 13 - 14 Mart 2026, ss.146-147, (Özet Bildiri)

  • Yayın Türü: Bildiri / Özet Bildiri
  • Sayfa Sayıları: ss.146-147
  • Ankara Yıldırım Beyazıt Üniversitesi Adresli: Evet

Özet

Amaç: Kondrosarkomlarda (KS) histolojik derece (grade), prognozu ve tedavi yaklaşımını doğrudan belirleyen temel faktördür. Düşük dereceli (Grade 1) lezyonlar sıklıkla sürveyans veya küretaj ile yönetilebilirken, yüksek dereceli (Grade 2–3) tümörlerde geniş rezeksiyon ve amputasyon gereksinimi doğabilmektedir. Ancak düşük ve yüksek dereceli kondrosarkomların preoperatif konvansiyonel görüntüleme ile güvenilir biçimde ayrımı sınırlı kalmaktadır. Bu çalışmanın amacı, bilgisayarlı tomografi (BT) tabanlı radyomiks analiz ve makine öğrenmesi algoritmaları kullanarak düşük ve yüksek dereceli kondrosarkomları non-invaziv bir yöntemle ayırt edebilen modeller geliştirmek ve doğrulamaktır. Yöntemler: Bu retrospektif çalışmaya, histopatolojik olarak doğrulanmış 32 düşük dereceli ve 41 yüksek dereceli olmak üzere toplam 73 kondrosarkom hastası dahil edildi. Kontrastsız BT görüntülerinde her lezyon için üç boyutlu segmentasyon yapılarak hacimsel ilgi alanları (VOI’ler) oluşturuldu. Her VOI’den 107 radyomik özellik çıkarıldı. Boyutsallığın azaltılması ve en ayırt edici parametrelerin seçimi amacıyla LASSO regresyon analizi uygulandı. Veri seti %70 eğitim ve %30 validasyon olarak ayrıldı. Seçilen özellikler kullanılarak Destek Vektör Makinesi (SVM), Rastgele Orman Sınıflandırıcısı (RFC), Karar Ağacı ve XGBoost modelleri oluşturuldu. Model performansı AUC, duyarlılık ve özgüllük değerleri ile değerlendirildi. Bulgular: Tüm modeller düşük ve yüksek dereceli KS ayrımında yüksek tanısal performans gösterdi. En yüksek performans SVM modeli ile elde edildi (AUC: 0.945, %95 GA: 0.902–0.987). Bu modelin duyarlılığı %91.3 ve özgüllüğü %92.5 olarak hesaplandı. XGBoost modeli 0.925, RFC modeli 0.892 ve Karar Ağacı modeli 0.858 AUC değerleri ile SVM’yi izledi. Sonuç: BT tabanlı radyomiks analiz ve makine öğrenmesi algoritmaları, kondrosarkom derecesinin preoperatif ve non-invaziv olarak öngörülmesinde umut vadeden bir yaklaşım potansiyeline sahiptir. Bu yaklaşım, preoperatif risk sınıflamasını destekleyerek klinik karar verme sürecine objektif ve tamamlayıcı bir katkı sunabilir.

Anahtar Kelimeler: Kondrosarkom, Radyomiks, Makine Öğrenmesi, Bilgisayarlı Tomografi

Purpose: Histological grade is the primary determinant of prognosis and treatment strategy in chondrosarcoma (CS). Low-grade (Grade 1) lesions are often managed with surveillance or intralesional curettage, whereas high-grade (Grades 2–3) tumors frequently require wide resection or amputation. However, reliable preoperative differentiation based solely on conventional imaging remains limited. This study aimed to develop and validate machine learning models based on computed tomography (CT)-derived radiomic features to non-invasively distinguish low-grade from high-grade chondrosarcomas. Methods: In this retrospective study, 73 patients with histopathologically confirmed chondrosarcoma (32 low-grade and 41 high-grade) were included. Three-dimensional tumor segmentation was performed on non-contrast CT images to generate volume of interests (VOIs). A total of 107 radiomics features were extracted from each VOI. Feature selection and dimensionality reduction were conducted using Least Absolute Shrinkage and Selection Operator (LASSO) regression. The dataset was randomly divided into training (70%) and validation (30%) cohorts. Selected features were used to develop Support Vector Machine (SVM), Random Forest Classifier (RFC), Decision Tree, and Extreme Gradient Boosting (XGBoost) models. Model performance was evaluated using area under the receiver operating characteristic curve (AUC), sensitivity, and specificity. Results: All models demonstrated strong diagnostic performance in differentiating low- from high-grade chondrosarcomas. The highest performance was achieved with the SVM model (AUC: 0.945, 95% CI: 0.902–0.987), with a sensitivity of 91.3% and specificity of 92.5%. XGBoost, RFC, and Decision Tree models yielded AUC values of 0.925, 0.892, and 0.858, respectively. Conclusion: CT-based radiomics analysis combined with machine learning shows promising potential for the non-invasive preoperative prediction of chondrosarcoma grade. This approach may support risk stratification and provide objective assistance in clinical decision-making.

Keywords: Chondrosarcoma, Radiomics, Machine Learning, Computed Tomography