Ön Saflar | Özofagus Yassı Hücreli Karsinomunda Kemoterapi ve/veya Radyoterapi Sonrası Özofagus Fistülü Tahmini İçin Multimodal Derin Öğrenme Radyomik Modeli: Çok Merkezli Bir Çalışma
✍️ Editör Masası•📅 16 Kasım 2026•⏱️ 23 dk okuma
Özet
Amaçlar:
Bu çalışma, kemoterapi ve/veya radyoterapi sonrası özofagus skuamöz hücreli karsinomlu hastalarda özofagus fistülü (EF) riskini tahmin etmek amacıyla derin öğrenme radyomiklerini ve klinik özellikleri entegre eden multimodal bir model geliştirmeyi hedeflemektedir.
Yöntemler:
Bu çok merkezli retrospektif çalışmada, üç kurumdan özofagus skuamöz hücreli karsinomu (ESCC) olan 186 hasta eğitim (n = 80), iç doğrulama (n = 35) ve dış doğrulama (n = 71) kohortlarına ayrılmıştır. Klinik veriler elektronik tıbbi kayıtlardan, radyomik özellikler ise tedavi öncesi kontrastlı BT görüntülerinden çıkarılmıştır. Derin transfer öğrenme özellikleri, residual network-50 (ResNet-50) kullanılarak elde edilmiş ve radyomik özelliklerle birleştirilerek derin transfer öğrenme radyomikleri (DTLR) oluşturulmuştur. Sırasıyla klinik özelliklere, radyomik özelliklere ve DTLR özelliklerine dayalı tek modalite modelleri geliştirilmiştir. Ardından karar seviyesinde birleştirme kullanılarak multimodal bir füzyon modeli oluşturulmuştur. Model performansı, alıcı işletim karakteristik eğrisi altındaki alan (AUC), doğruluk (ACC) ve duyarlılık gibi metrikler kullanılarak ayırma, kalibrasyon ve klinik fayda açısından değerlendirilmiştir.
Bulgular:
Multimodal birleşik model, eğitim, iç doğrulama ve dış doğrulama kohortlarında sırasıyla 0.957 (%95 güven aralığı [CI]: 0.917–0.996), 0.922 (%95 CI: 0.837–1.000) ve 0.865 (%95 CI: 0.783–0.948) AUC değerlerine ulaşmıştır. Birleşik model, tüm kohortlarda klinik, radyomik ve DTLR modellerine göre daha yüksek AUC değerleri elde etmiş olsa da DTLR modeline kıyasla ek faydası hiçbir kohortta istatistiksel olarak anlamlı olmamıştır. Karar eğrisi analizi, multimodal modelin her bir tek modalite modeline göre daha yüksek klinik net fayda sağladığını göstermiştir.
Sonuç:
Klinik, radyomik ve DTLR özelliklerini entegre eden multimodal model, ESCC hastalarında kemoterapi ve/veya radyoterapi sonrası EF tahmini için olumlu bir performans sergiledi. Bu model, yüksek riskli hastaların tespitini kolaylaştırabilir ve bireyselleştirilmiş tedavi stratejilerinin optimize edilmesi için rehberlik sağlayabilir.
Giriş
Özofagus kanseri (EC), dünyadaki en sık görülen sekizinci malign tümör ve kansere bağlı ölümlerin altıncı en önemli nedenidir (). 2022 yılında dünya genelinde yaklaşık 511.000 yeni EC vakası ve yaklaşık 445.000 ölüm kaydedilmiştir (). Çin’de özofagus skuamöz hücreli karsinomu (ESCC), EC vakalarının %90’ından fazlasını oluşturan başlıca patolojik tiptir (). Rezeksiyona uygun lokal ileri evre ESCC için standart tedavi planı, neoadjuvan kemoradyoterapi ile birleştirilmiş EC rezeksiyonudur (); tümörleri önemli anatomik yapıları işgal eden, cerrahiye tolerans gösteremeyen veya cerrahiyi reddeden hastalar için ise kemoterapi ve/veya radyoterapi temel radikal tedavidir (). Bundan sonra bu modaliteler topluca tedaviler olarak anılacaktır. Uzak metastazı (M1 evresi) olan hastalar genellikle lokal semptomları hafifletmek için palyatif tedavi alırlar (). Bu nedenle tedaviler, ESCC’nin seyri boyunca farklı evrelerdeki multidisipliner kapsamlı tedavisinde merkezi bir yer tutar. Ancak tedaviler, bildirilen insidansı %5,3 ile %24,1 arasında değişen ciddi bir komplikasyon olan EF’ye yol açma eğilimindedir (). Özofagus fistülü (EF) genellikle tedaviye kesintiye neden olur ve ayrıca mediastinal enfeksiyon, enfeksiyöz şok ve hatta ölüme yol açarak önemli klinik zorluklar yaratır (). Bu nedenle, tedavi öncesinde EF riski yüksek olan hastaların doğru bir şekilde tespit edilmesi, tedavi stratejilerini optimize etmek, yoğun izleme uygulamak ve erken müdahale gerçekleştirmek açısından büyük önem taşır.
Şu anda, EF riskinin klinik tahmini esas olarak doktorların sübjektif değerlendirmelerine dayanmaktadır () ve nesnel, nicel değerlendirme araçları eksiktir. Geleneksel bilgisayarlı tomografi (BT) görüntüleme incelemesi tümörün genel morfolojik özelliklerini değerlendirebilse de, fistül oluşumundan önceki doku nekrozu ve vasküler değişiklikler gibi erken mikro lezyonlara karşı daha az hassastır (, ) ve inceleme sonuçlarında gözlemciler arası büyük farklılıklar (IOD) bulunmaktadır (, ). Bu nedenle, tümörlerin doğasında var olan risk özelliklerini doğru bir şekilde nicelleştirmek için non-invaziv bir tahmin modeli oluşturmak klinik açıdan zorunludur.
Radyomik ve derin öğrenme (DL) teknolojisi, tıbbi görüntülerden tümör heterojenliğini analiz etmek için umut verici bir yöntem sunmaktadır. Radyomik, tümör heterojenliğini yansıtan nicel özellikleri yüksek verimlilikle çıkarabilirken (), DL ise görüntü verilerinden doğrudan hiyerarşik karakterizasyonu otomatik olarak öğrenebilir (). Bu iki teknoloji doğal olarak birbirini tamamlar: radyomik özellikler iyi bir fiziksel ve biyolojik yorumlanabilirliğe sahipken, DL özellikleri görüntülerdeki soyut, doğrusal olmayan örüntüleri daha etkili bir şekilde yakalar (, ). Son zamanlarda, DL’nin geleneksel radyomikle birleştirilmesi (DL-radyomik), entegratif bir paradigma olarak ortaya çıkmıştır. Bu yaklaşımda, derin-radyomik imzalar, çeşitli klinik görevlerde öngörücü performansı ve kararlılığı artırmak için geleneksel radyomik ve klinik profillerle etkili bir şekilde sinerji oluşturur (, ). Çalışmalar, bu iki teknolojinin çeşitli malign tümörlerin tedavi sonuçlarını ve komplikasyonlarını öngörmekte uygulama potansiyeline sahip olduğunu doğrulamıştır (, ). ÖYE tedavisinden sonra EF riskinin öngörülmesi alanında mevcut çalışmalar çoğunlukla klinik özelliklere ve radyomik özelliklere odaklanmakta, ancak DL özelliklerinin uygulama değerine daha az dikkat edilmektedir. Bu amaçla, ESCC hastalarında tedaviler sonrası EF riski için tedavi öncesi kontrastlı BT görüntülerine dayalı multimodal bir füzyon öngörü modeli oluşturmak ve doğrulamak üzere bu çok merkezli retrospektif çalışmayı yürüttük. Bu çalışma, ilk kez klinik, radyomik, derin transfer öğrenmesiyle geliştirilmiş radyomik (DTLR) ve füzyon modellerinin öngörücü etkinliğini sistematik olarak karşılaştırmış ve bağımsız bir dış doğrulama merkezinde sıkı bir doğrulama tamamlamıştır. Bu modelin, doktorların yüksek riskli hastaları erken aşamada tanımasına yardımcı olacak etkili bir klinik karar destek aracı olarak hizmet etmesini ve böylece bireyselleştirilmiş tedavi yönetimini ve komplikasyonların proaktif olarak önlenmesini kolaylaştırmasını bekliyoruz.
Materyaller ve yöntemler
Hastalar
Bu çalışma, Kurumsal Etik Komite tarafından onaylanmıştır. Retrospektif bir çalışma olduğundan, hastalardan bilgilendirilmiş onam alınması gerekmemiştir.
Temmuz 2021 ile Haziran 2025 arasında tedavi gören toplam 186 ESCC hastası, Çin’deki üç tertiyer tıp merkezinden retrospektif olarak çalışmaya dahil edildi. 7:3 oranında bölünmüş eğitim ve iç test kohortu, Merkez 1’den 115 hastayı içeriyordu. Eğitim ve iç test kohortu, 7:3 oranında bölünmüş olup Henan Tıp Üniversitesi Birinci Bağlı Hastanesi’nden (Merkez 1) 115 hastayı kapsıyordu. Dış doğrulama kohortu ise Xinxiang Merkez Hastanesi ve Henan Tıp Üniversitesi Üçüncü Bağlı Hastanesi’nden (Merkezler 2 ve 3) toplam 71 hastadan oluşuyordu. Dahil kriterleri şunlardı: (1) Histopatolojik olarak doğrulanmış ESCC; (2) Kemoterapi ve/veya radyoterapi almış olmak; (3) Tedavi öncesi kontrastlı BT taramalarının mevcut olması; (4) Önceki özofagus cerrahisi öyküsünün olmaması. Dışlanma kriterleri ise şunlardı: (1) Eksik veya düşük kaliteli BT görüntüleri; (2) Tedavi başlamadan önce teşhis edilmiş mevcut özofagus fistülü (EF); (3) Eksik klinikopatolojik veya takip verileri; (4) Senkron malignitelerin varlığı; (5) Önceki özofagus kanseri (EC) için radyoterapi veya kemoterapi öyküsü. Detaylı hasta seçimi akış şeması Şekil 1‘de sunulmuştur. Bu çalışma TRIPOD kılavuzlarına uymuştur. Klinik veri toplama yöntemlerinin ayrıntıları Ek Materyaller‘de yer almaktadır.
BT görüntüsü edinimi ve ön işleme
Araştırma akış şeması Şekil 2‘de gösterilmektedir. Kemoterapi ve/veya radyoterapi başlamadan önceki iki hafta içinde kontrastlı göğüs BT taraması yapılan hastalarda, bu taramalar Siemens, Philips ve General Electric Healthcare markalı çok dedektörlü BT tarayıcıları kullanılarak boyun bölgesinden üst karın bölgesine kadar olan alan kapsanacak şekilde gerçekleştirildi. Arteriyel faz görüntüleri, iyotlu kontrast madde intravenöz enjeksiyonundan 30–40 saniye sonra elde edildi. Tarama parametreleri arasında 120 kV tüp gerilimi, otomatik tüp akım modülasyonu, 1,0–1,5 mm kesim kalınlığı ve 512×512 matris boyutu yer alıyordu. Tüm görüntüler 400 HU pencere genişliği ve 50 HU pencere seviyesi ile görüntülendi. Standartlaştırma amacıyla görüntüler 1 mm×1 mm×1 mm’lik izotropik bir çözünürlüğe yeniden örneklendi.
Her biri 7 yıldan fazla deneyime sahip iki radyolog, ilgi alanları (ROI) oluşturmak amacıyla 3D Slicer (sürüm 5.3.0, https://www.slicer.org) kullanarak özofagusun kaba tümör hacimlerini manuel olarak sınırladı. Segmentasyonun tekrarlanabilirliğini değerlendirmek için 40 vaka rastgele seçildi ve aynı radyologlar 4 haftalık bir aradan sonra bu vakaları bağımsız olarak yeniden sınırladı. Gözlemci içi ve gözlemciler arası tutarlılığı değerlendirmek için sınıf içi korelasyon katsayısı (ICC) kullanıldı.
Radyomik özellik çıkarımı ve seçimi
Radyomik özellikler, Image Biomarker Standardization Initiative (IBSI) kılavuzlarına sıkı sıkıya uyularak PyRadiomics paketi (sürüm 3.0.1) kullanılarak çıkarıldı; bunlar arasında birinci dereceden özellikler, şekil özellikleri, GLCM, GLRLM, GLSZM, GLDM, NGTDM ve ilgili filtrelenmiş özellikler yer aldı. Veri sızıntısını önlemek için tüm özellik tarama ve boyut azaltma süreci, yalnızca eğitim kohortu (n=80) içinde, eğitime kilitlenmiş bir çerçevede yürütüldü ve eğitim kohortundaki tüm adımlar tamamlandıktan sonra iç doğrulama veya dış doğrulama kohortlarına asla uygulanmadı. Tarama adımları yalnızca eğitim kohortu üzerinde gerçekleştirildi: Z-skor normalleştirmesi (parametreler yalnızca eğitim kohortundan hesaplandı), sağlamlık ve varyans filtrelemesi (ICC ≤ 0.75 veya P ≥ 0.05) ve yalnızca eğitim kohortu içinde gerçekleştirilen 10 katlı çapraz doğrulama ile en uygun λ’nin belirlendiği LASSO lojistik regresyon yoluyla özellik seçimi. Seçilen tüm özellikler ve model hiperparametreleri, daha fazla ayarlama yapılmadan doğrudan iç doğrulama ve dış doğrulama kohortlarına uygulandı.
Radyomik model oluşturma
Geleneksel Radiomics modeli, lineer çekirdeğe sahip SVM algoritması kullanılarak geliştirilmiştir. Optimal sınıflandırma performansı elde etmek amacıyla, eğitim kohortu içinde ceza parametresi C ve maksimum iterasyon sayısını hassas bir şekilde ayarlamak için bir grid-search optimizasyon stratejisi uygulanmıştır. Ayrıntılı hiperparametre arama aralıkları ve nihai optimal konfigürasyonlar Ek Materyaller bölümünde belgelenmiştir. Modelin yorumlanabilirliğini artırmak için, her bir özelliğin nihai tahmin sonuçlarına olan katkısı SHapley Additive exPlanations (SHAP) analizi ile ölçülmüştür.
Klinik modelin oluşturulması
Yaş, vücut kitle indeksi (VKİ) ve tümör uzunluğu gibi klinik özellikler üzerinde tek değişkenli ve çok değişkenli lojistik regresyon (LR) analizleri gerçekleştirdik ve klinik bir tahmin modeli oluşturmak amacıyla EF’in bağımsız öngörücülerini belirledik.
Derin öğrenme modelinin oluşturulması
Bu çalışma, önceden ImageNet ile eğitilmiş ağırlıklara sahip residual network 50 (ResNet-50) konvolüsyonel sinir ağı temelinde bir derin transfer öğrenmesi (DTL) modeli oluşturmuştur. Her bir lezyon için, tümörün maksimum kesitine karşılık gelen aksiyel BT seviyesindeki iki boyutlu ROI’yi çıkardık ve model girdisi olarak 224×224 piksle ayarladık. Eğitim sırasında, erken konvolüsyonel katmanları dondurduk ve daha derin konvolüsyonel ile tam bağlantılı katmanları ince ayarladık. Model, çapraz entropi kaybı ve stokastik gradyan inişi (SGD) optimizasyonu kullanılarak uçtan uca eğitildi; başlangıç öğrenme oranı 0.05, 100 epok boyunca kosinüs tavlama azalması ve 32’lik bir batch boyutu kullanıldı. Nihai tam bağlantılı katman, EF’in tahmin edilen olasılığını verir.
Derin özellikler, eğitilmiş ResNet-50 ağının sondan bir önceki katmanından çıkarıldı ve ardından temel bileşen analizi (PCA) kullanılarak boyutları azaltıldı. Veri sızıntısını önlemek amacıyla, derin öğrenme özelliklerinin boyut azaltımı için temel bileşen analizi (PCA) yalnızca ve yalnızca eğitim kohortu üzerinde uygulandı. Bu azaltılmış özellikler daha sonra geleneksel radyomik özelliklerle birleştirildi. Radyomik için daha önce açıklanan aynı özellik seçimi süreci kullanılarak, DTLR modeli SVM algoritmasıyla geliştirildi.
Kombine modelin oluşturulması
DTLR, radyomik ve klinik modeller, multimodal tahmin modelini oluşturmak için karar düzeyinde birleştirme yoluyla birleştirildi.
İstatistiksel analiz ve model değerlendirmesi
Gruplar arasındaki klinik özellikleri karşılaştırdık; kategorik değişkenleri Ki-kare veya Fisher’ın kesin testleriyle, sürekli değişkenleri ise t-testleri veya Mann-Whitney U testleriyle analiz ettik. Her bir tahmin modelinin tanısal etkinliğini alıcı işletim karakteristik (ROC) eğrisi ve eğri altındaki alan (AUC) aracılığıyla değerlendirdik; aynı zamanda doğruluğu, duyarlılığı, özgüllüğü, pozitif öngörü değerini (PPV), negatif öngörü değerini (NPV) ve F1 skorunu hesapladık. Modelin tahmin edilen olasılığı ile gerçek sonuç arasındaki tutarlılığı değerlendirmek için kalibrasyon eğrisini ve Hosmer-Lemeshow uyum testini (HL testi) kullandık; modelin klinik net faydasını karar eğrisi analizi (DCA) ile ölçtük. Farklı modellerin AUC değerlerini karşılaştırmak için DeLong testini kullandık ve P < 0.05 istatistiksel olarak anlamlı bir fark olarak kabul edildi. Modelin ek tahmin değerini daha ayrıntılı olarak değerlendirmek için net yeniden sınıflandırma iyileştirme endeksini (NRI) ve entegre ayırt etme iyileştirme endeksini (IDI) analizlerde kullandık. Bu çalışmanın istatistiksel analizleri ve makine öğrenmesi algoritmaları Python yazılımı (versiyon 3.7.12, http://www.python.org) ile, statsmodels (versiyon 0.13.2) ve scikit-learn (versiyon 1.0.2) araç kitleri aracılığıyla uygulandı.
Sonuçlar
Hastaların özellikleri
Çalışmaya, bu tedavileri alan 186 ESCC hastası dahil edildi ve hastalar üç kohorte ayrıldı: eğitim kohortunda 80, iç doğrulama kohortunda 35 ve dış doğrulama kohortunda 71 hasta yer aldı. EF, ilgili kohortlarda sırasıyla 31 (%38,8), 14 (%40,0) ve 28 (%39,4) hastada gelişti. Üç kohort arasındaki istatistiksel karşılaştırmalar (sürekli değişkenler için tek yönlü ANOVA veya Kruskal-Wallis testi ve kategorik değişkenler için Ki-kare testi veya Fisher’ın kesin testi), başlangıçtaki demografik, klinik ve tedavi değişkenlerinde anlamlı bir fark olmadığını doğruladı (tüm P > 0,05). Her kohort içinde EF durumuna göre katmanlandırılmış ayrıntılı başlangıç özellikleri Tablo 1‘de özetlenmiştir.
Özellikler
Eğitim kohortu (n = 80)
İç doğrulama kohortu (n = 35)
Dış doğrulama kohortu (n = 71)
EF olmayan (n=49)
EF olan (n=31)
P-değeri
EF olmayan (n=21)
EF olan (n=14)
P-değeri
EF olmayan (n=43)
EF olan (n=28)
P-değeri
Yaş (yıl), ortalama±SS
65,58±7,65
70,57±8,40
0,009*
68,21±6,74
68,52±6,74
0,895
67,39±10,57
72,00±8,57
0,048*
Vücut kitle indeksi (VKİ) (kg/m²), ortalama±SS
22,84±3,04
21,89±3,22
0,188
23,98±3,90
20,41±2,39
0,004*
23,13±4,57
21,26±2,85
0,057
Şişlik uzunluğu (cm), ortalama±SS
5,66±2,08
6,56±2,48
0,081
5,75±2,50
6,46±2,07
0,387
6,42±3,39
6,20±3,16
0,780
Toplam radyasyon dozu (Gy), ortalama±SS
45,60±25,72
50,88±21,67
0,345
42,71±26,04
37,67±25,93
0,578
42,75±22,50
49,10±22,19
0,332
Cinsiyet, n (%)
0.594
0.617
0.102
Kadın
20 (40.82)
10 (32.26)
9 (42.86)
4 (28.57)
22 (51.16)
8 (28.57)
Erkek
29 (59.18)
21 (67.74)
12 (57.14)
10 (71.43)
21 (48.84)
20 (71.43)
Sigara öyküsü, n (%)
0.880
0.217
0.620
Hayır
29 (59.18)
17 (54.84)
16 (76.19)
7 (50.00)
27 (62.79)
20 (71.43)
Evet
20 (40.82)
14 (45.16)
5 (23.81)
7 (50.00)
16 (37.21)
8 (28.57)
Alkol öyküsü, n (%)
0.616
0.565
1.000
Hayır
37 (75.51)
21 (67.74)
15 (71.43)
12 (85.71)
39 (90.70)
25 (89.29)
Evet
12 (24.49)
10 (32.26)
6 (28.57)
2 (14.29)
4 (9.30)
3 (10.71)
T evresi, n (%)
0.041*
0.217
0.099
T1b-T2
9 (18.37)
1 (3.23)
4 (19.05)
0
6 (13.95)
0
T3
30 (61.22)
15 (48.39)
12 (57.14)
8 (57.14)
26 (60.47)
15 (53.57)
T4a
8 (%16,33)
9 (%29,03)
3 (%14,29)
2 (%14,29)
8 (%18,60)
9 (%32,14)
T4b
2 (%4,08)
6 (%19,35)
2 (%9,52)
4 (%28,57)
3 (%6,98)
4 (%14,29)
N evresi, n (%)
0,364
0,188
0,037*
N0
10 (%20,41)
4 (%12,90)
4 (%19,05)
3 (%21,43)
9 (%20,93)
2 (%7,14)
N1
23 (%46,94)
20 (%64,52)
16 (%76,19)
7 (%50,00)
28 (%65,12)
14 (%50,00)
N2
8 (%16,33)
5 (%16,13)
1 (%4,76)
2 (%14,29)
5 (%11,63)
9 (%32,14)
N3
8 (%16,33)
2 (%6,45)
0
2 (%14,29)
1 (%2,33)
3 (%10,71)
M evresi, n (%)
0,169
0,836
0,820
M0
21 (%42,86)
19 (%61,29)
10 (%47,62)
8 (%57,14)
27 (%62,79)
16 (%57,14)
M1
28 (%57,14)
12 (%38,71)
11 (%52,38)
6 (%42,86)
16 (%37,21)
12 (%42,86)
TNM evresi, n (%)
0,015*
0,457
0,325
II
10 (%20,41)
4 (%12,90)
4 (%19,05)
3 (%21,43)
7 (%16,28)
2 (%7,14)
III
11 (%22,45)
10 (%32,26)
5 (%23,81)
2 (%14,29)
19 (%44,19)
11 (%39,29)
IVA
0
5 (%16,13)
1 (%4,76)
3 (%21,43)
1 (%2,33)
3 (%10,71)
IVB
28 (%57,14)
12 (%38,71)
11 (%52,38)
6 (%42,86)
16 (%37,21)
12 (%42,86)
Çeşit konumu, n (%)
0,132
0,614
0,330
Ut
25 (%51,02)
13 (%41,94)
8 (%38,10)
6 (%42,86)
23 (%53,49)
12 (%42,86)
Mt
20 (%40,82)
18 (%58,06)
9 (%42,86)
7 (%50,00)
16 (%37,21)
15 (%53,57)
Lt
4 (%8,16)
0
4 (%19,05)
1 (%7,14)
4 (%9,30)
1 (%3,57)
Radyoterapi, n (%)
0,440
1,000
0,447
Hayır
11 (%22,45)
4 (%12,90)
5 (%23,81)
4 (%28,57)
11 (%25,58)
5 (%17,86)
Evet
38 (%77,55)
27 (%87,10)
16 (%76,19)
10 (%71,43)
32 (%74,42)
23 (%82,14)
Eş zamanlı kemoradyoterapi, n (%)
0,407
1,000
0,823
Hayır
20 (40.82)
9 (29.03)
7 (33.33)
4 (28.57)
13 (30.23)
10 (35.71)
Evet
29 (59.18)
22 (70.97)
14 (66.67)
10 (71.43)
30 (69.77)
18 (64.29)
Kemoterapi, n (%)
0.874
1.000
0.444
Hayır
6 (12.24)
5 (16.13)
0 (0)
0 (0)
7 (16.28)
2 (7.14)
Evet
43 (87.76)
26 (83.87)
21 (100.00)
14 (100.00)
36 (83.72)
26 (92.86)
Kemoterapi rejimi, n (%)
0.360
0.493
0.059
Rejim 1
17 (34.69)
8 (25.81)
6 (28.57)
5 (35.71)
16 (37.21)
5 (17.86)
Rejim 2
19 (38.78)
16 (51.61)
14 (66.67)
7 (50.00)
20 (46.51)
21 (75.00)
Rejim 3
7 (14.29)
2 (6.45)
1 (4.76)
2 (14.29)
0
2 (7.14)
İmmünoterapi, n (%)
0.069
0.181
0.566
Hayır
32 (65.31)
13 (41.94)
15 (71.43)
6 (42.86)
18 (41.86)
9 (32.14)
Evet
17 (34.69)
18 (58.06)
6 (28.57)
8 (57.14)
25 (58.14)
19 (67.86)
Şeker hastalığı öyküsü, n (%)
0.102
0.796
0.757
Hayır
42 (85.71)
21 (67.74)
16 (76.19)
12 (85.71)
36 (83.72)
25 (89.29)
Evet
7 (14.29)
10 (32.26)
5 (23.81)
2 (14.29)
7 (16.28)
3 (10.71)
Yüksek tansiyon öyküsü, n (%)
0.191
0.323
1.000
Hayır
28 (57.14)
23 (74.19)
11 (52.38)
10 (71.43)
30 (69.77)
20 (71.43)
Evet
21 (42.86)
8 (25.81)
10 (47.62)
4 (28.57)
13 (30.23)
8 (28.57)
Kronik akciğer hastalığı öyküsü, n (%)
0.548
0.015*
0.562
Hayır
22 (44.90)
11 (35.48)
16 (76.19)
4 (28.57)
20 (46.51)
15 (53.57)
Evet
27 (55.10)
20 (64.52)
5 (23.81)
10 (71.43)
23 (53.49)
13 (46.43)
Kardiyovasküler hastalık öyküsü, n (%)
0.895
0.477
0.002*
Hayır
13 (26.53)
7 (22.58)
4 (19.05)
5 (35.71)
8 (18.60)
16 (57.14)
Evet
36 (73.47)
24 (77.42)
17 (80.95)
9 (64.29)
35 (81.40)
12 (42.86)
*P-değeri <0.05. EF, Özofageal Fistül; BMI, Vücut Kitle İndeksi; Ut, Üst torakal; Mt, Orta torakal; Lt, Alt torakal. Kemoterapi rejimleri: Rejim 1, taksan artı platin; Rejim 2, floropirimidin artı platin; Rejim 3, tegafur/gimerasil/oterasil (S-1) artı platin.
Univaryat lojistik regresyon; yaş, BMI, cinsiyet, T evresi, immünoterapi ve kardiyovasküler hastalık öyküsünün EF için anlamlı öngörücüler olduğunu tespit etti (P < 0.05). Multivaryat analiz ayrıca immünoterapi, BMI, yaş ve T evresinin bağımsız öngörücüler olduğunu doğruladı (Tablo 2), bu da bu faktörlere dayalı bir klinik modelin oluşturulmasına yol açtı. Bu özellikler, anlamlı çoklu doğrusallık olmaksızın zayıf karşılıklı korelasyonlar gösterdi (Ek Şekil S1A).
Değişkenler
Univaryat analiz
Multivaryat analiz
OR (%95 GA)
P-değeri
OR (%95 GA)
P-değeri
Yaş (yıl)
1.082 (1.031-1.135)
0.002*
1.068 (1.012-1.127)
0.015*
Vücut kitle indeksi (kg/m²)
0.967 (0.952-0.983)
0.001*
0.977 (0.963-0.992)
0.011*
İğren uzunluğu (cm)
1.015 (0.992-1.037)
0.282
Toplam radyasyon dozu (Gy)
1.006 (0.994–1.018)
0.352
Cinsiyet
1.162 (1.029-1.310)
0.041*
1.089 (0.975-1.217)
0.202
Sigara içme öyküsü
1.036 (0.916-1.171)
0.638
Alkol tüketimi
1.016 (0.875-1.179)
0.858
T evresi
1.203 (1.124-1.289)
<0.001*
1.154 (1.080-1.232)
<0.001*
N evresi
1.079 (1.003-1.161)
0.087
M evresi
0.930 (0.825-1.047)
0.314
TNM evresi
1.008 (0.958-1.060)
0.804
İğren konumu
0.995 (0.905-1.095)
0.933
Radyoterapi
1.449 (0.692-3.034)
0.324
Eş zamanlı kemoradyoterapi
1.191 (0.636–2.230)
0.584
Kemoterapi
1.049 (0.866-1.271)
0.682
Kemoterapi rejimi
1.039 (0.962-1.122)
0.416
İmmünoterapi
2.176 (1.193-3.971)
0.011*
1.984 (1.284-3.068)
0.002*
Diyabet öyküsü
1.061 (0.910-1.237)
0.523
Hipertansiyon öyküsü
0.941 (0.882-1.004)
0.122
Kronik akciğer hastalığı öyküsü
1.513 (0.808-2.834)
0.169
Kardiyovasküler hastalık öyküsü
0.827 (0.726-0.942)
0.017*
0.902 (0.796-1.022)
0.173
*İstatistiksel olarak anlamlı (P < 0.05). Çok değişkenli model, tek değişkenli analizde P < 0.05 olan değişkenleri içermektedir. EF, Özofageal Fistül; BMI, Vücut Kitle İndeksi; OR, Olasılık Oranı; CI, Güven Aralığı. Kemoterapi rejimleri: Rejim 1, taksan plus platin; Rejim 2, floropirimidin plus platin; Rejim 3, tegafur/gimerasil/oterasil (S-1) plus platin.
Klinik model geliştirme
Çok değişkenli analizle taranan dört bağımsız öngörücüye (immünoterapi, BMI, yaş ve T evresi) dayanarak, LR algoritmasıyla bir klinik model oluşturduk. Modelin eğitim kohortu, iç doğrulama kohortu ve dış doğrulama kohortundaki AUC değerleri sırasıyla 0.798 (%95 GA: 0.698–0.898), 0.755 (%95 GA: 0.563–0.947) ve 0.695 (%95 GA: 0.559–0.831) idi (Şekil 5a–c). Doğruluk, duyarlılık, özgüllük, PPV, NPV ve F1-skoru gibi ayrıntılı performans metrikleri Tablo 3‘te sunulmuştur.
Toplamda 1.834 el ile oluşturulmuş radyomik özellik, hastaların BT görüntülerinden çıkarıldı. Bu özelliklerin dağılımı, pasta ve yatay çubuk grafikleri kullanılarak görselleştirildi (Ek Şekil S3A). Kutu ve keman grafikleri, Gri Seviye Koşu Uzunluğu Matrisi (GLRLM) özelliklerinin daha yüksek istatistiksel anlamlılığa sahip olduğunu gösterdi (Ek Şekil S3B). Özellikler, seçimden önce normalleştirildi. Kararsız özellikler (ICC ≤ 0,75) hariç tutulduktan sonra, bağımsız örneklem t-testi veya Mann-Whitney U testi uygulandı ve 118 anlamlı değişken elde edildi. Pearson korelasyon analizi, gereksiz özellikleri ortadan kaldırmak için kullanıldı (r > 0,9) ve liste 40 özelliğe indirildi. 10 katlı çapraz doğrulama, en uygun λ değerini belirledi (λ = 0,0339). LASSO regresyonu, radyomik modeli için sıfır olmayan katsayılara sahip 11 temel radyomik özelliği tanımladı (Şekil 3a, b). Özellik ağırlık katsayıları çubuk grafikleri olarak sunuldu (Şekil 3c) ve seçilen özellikler için bir korelasyon ısı haritası oluşturuldu (Şekil 3d).
Radyomik ve DTL-radyomik modellerinin oluşturulması
Seçilen 11 özellik kullanılarak SVM algoritmasıyla geliştirilen radyomik model, eğitim kohortunda 0,775 (%95 GA: 0,673–0,877), iç doğrulama kohortunda 0,643 (%95 GA: 0,441–0,846) ve dış doğrulama kohortunda 0,666 (%95 GA: 0,541–0,791) AUC değerlerine ulaştı (Şekil 5a–c; Tablo 3).
Derin özellikler çıkarıldıktan sonra, bunları PCA kullanarak 64 boyuta düşürdük. Bu derin özellikler daha sonra geleneksel radyomik özelliklerle birleştirilerek toplamda 1.898 özellik elde edildi. ICC güvenilirlik analizi (ICC > 0,75), bağımsız örneklem t-testi veya Mann-Whitney U testi (P < 0,05) ve Pearson korelasyon analizi yoluyla özellik seçimi gerçekleştirildi; korelasyon katsayıları 0,9’ın üzerinde olan özellikler elendi ve sonuçta 40 özellik elde edildi. LASSO regresyonu (λ = 0,0072) ile bu sayı, DTLR modelini oluşturmak üzere sıfır olmayan katsayılara sahip 27 özelliğe indirgendi (Şekil 4a, b). Özellik ağırlık katsayıları çubuk grafiklerle gösterilirken (Şekil 4c), seçilen özelliklerin korelasyon ısı haritası düşük çoklu doğrusallık sergilediğini ortaya koydu (Şekil 4d). DTLR modeli, EF için mükemmel tahmin performansı sergiledi: eğitim, iç doğrulama ve dış doğrulama kohortlarında AUC değerleri sırasıyla 0,914 (%95 GA: 0,855–0,973), 0,864 (%95 GA: 0,735–0,993) ve 0,821 (%95 GA: 0,725–0,916) olarak bulundu (Şekil 5a–c; Tablo 3).
Kombine modelin oluşturulması ve performans değerlendirmesi
Karar düzeyinde birleştirme, üç temel modelin (klinik, radyomik ve DTLR) olasılık çıktıları üzerinde lojistik regresyon kullanılarak gerçekleştirildi. Lojistik regresyon modeli, birleştirmeden önce kalibre edildi. Tüm model seçimi, hiperparametre ayarlaması ve birleştirme parametre tahmini, veri sızıntısını önlemek amacıyla yalnızca eğitim kohortu içinde yapıldı ve iç veya dış doğrulama kohortlarına uygulanmadı (ayrıntılı matematiksel formülasyonlar ve kalibrasyon iş akışları Ek Yöntemler bölümünde sunulmuştur). Bu model, eğitim, iç doğrulama ve dış doğrulama kohortlarında sırasıyla 0,957 (%95 GA: 0,917–0,996), 0,922 (%95 GA: 0,837–1,000) ve 0,865 (%95 GA: 0,783–0,948) AUC değerlerine ulaştı (Şekil 5a–c; Tablo 3). Birleşik model tüm kohortlarda radyomik modelinden önemli ölçüde daha iyi performans gösterirken (tüm P < 0,05), DTLR modeliyle karşılaştırıldığında istatistiksel olarak anlamlı bir fark saptanmadı (tüm P > 0,05). Klinik modelle karşılaştırıldığında, birleşik model eğitim (P = 0,001) ve dış doğrulama kohortlarında (P = 0,005) anlamlı bir üstünlük sergiledi ve iç doğrulama kohortunda daha iyi bir performans eğilimi gösterdi (P = 0,095). Ayrıca, NRI ve IDI analizleri, birleşik modelin tekil modellere kıyasla daha doğru EF risk sınıflandırması sağladığını doğruladı (Ek Şekil S6). Kalibrasyon eğrileri, birleşik model için tahmin edilen EF olasılıkları ile gözlemlenen sonuçlar arasında iyi bir uyum sergiledi (Şekil 5d–f). Birleşik model tüm kohortlarda daha düşük Brier skorları gösterdi (Ek Tablo S4). DCA, birleşik modelin klinik, radyomik ve DTLR modellerine kıyasla daha yüksek net fayda sağladığını ortaya koydu (Şekil 5g–i).
Radyomik modelinin SHAP analizi
SHAP analizi, radyomik model tahminlerinde En Düşük Gri Ton Bölgesi Vurgusu’nun (LGZE) en etkili faktör olduğunu belirledi; bunu HLL-Skew ve Kısa Akış Düşük Gri Ton Vurgusu (SRLGLE) doku özellikleri izledi. Bu özelliklerin daha yüksek değerleri, öngörülen EF riskini tutarlı bir şekilde artırdı. Bu da geniş düşük gri tonlu bölgelere ve heterojen doku desenlerine sahip tümörlerin daha yüksek fistül riskiyle ilişkili olduğunu gösteriyor. Buna karşılık, Küçük Alan Düşük Gri Ton Vurgusu (SALGLE) ters bir ilişki sergiledi: daha yüksek değerler EF olasılığının daha düşük olmasıyla bağlantılıydı. Hipotetik olarak, bu radyomik desenler tümör içi doku heterojenliğini veya fokal hipoksi/nekrozu yansıtabilir; ancak bu tür özellik düzeyindeki yorumlar, eşlik eden histopatolojik kanıtlarla prospektif doğrulama gerektiren keşifsel hipotezler olarak kalmaktadır. Ayrıntılar Şekil 6’da gösterilmektedir.
Tartışma
ESC’li hastalarda tedaviler sonrası EF riskinin erken öngörülmesi, tedavi stratejilerinin optimize edilmesi ve hastaların yaşam kalitesinin iyileştirilmesi açısından büyük önem taşımaktadır (). Bu çalışmanın sonuçları, klinik özellikleri, radyomik özellikleri ve DTLR özelliklerini entegre eden multimodal modelin, yalnızca klinik özelliklere veya radyomik özelliklere dayalı tek modlu modellere kıyasla daha iyi bir öngörü yeteneğine ve istikrara sahip olduğunu göstermektedir. Bu model, ESC’li hastalarda tedaviler sonrası EF riskinin doğru bir şekilde katmanlandırılmasını sağlayabilir ve klinik pratikte bireyselleştirilmiş risk değerlendirmesi için pratik bir araçtır.
Bu çalışma, T evresinin ne kadar geçse, hastalarda EF riskinin de o kadar yüksek olduğunu ortaya koydu; bu sonuç, önceki çalışmaların bulgularıyla uyumludur (, ). Bu durum, yerel tümörün doku invazyon derinliğinin özofagus duvarının tam kalınlığındaki yapısını doğrudan tahrip ederek, tedavilerden sonra tümör nekrozu ile normal doku onarımı arasında bir dengesizliğe yol açtığını göstermektedir (). Dolayısıyla T evresi, EF için anatomik bir yüksek risk belirteci olarak kullanılabilir. EF olan hastalar, EF olmayan hastalara göre önemli ölçüde daha yaşlıydı; bu da Li ve arkadaşları ile Zhang ve arkadaşlarının, 65 yaş üstü hastalarda EF insidansının belirgin şekilde daha yüksek olduğu yönündeki bulgularını doğrulamaktadır (, ). Bunun nedeni, vasküler skleroz ve mikrodamar lezyonlarının özofagus mukozasında iskemi ve hipoksiye yol açması ile birlikte, tedavilerden sonra endotelyal onarım kapasitesinin azalması olabilir (). Önemli bir nokta olarak, çok değişkenli analiz immünoterapinin bağımsız bir klinik risk faktörü olduğunu tespit etti. Şu anda, immün kontrol noktası inhibitörlerinin (ICI’ler) EF riskini nasıl artırdığına dair kanıtlar sınırlıdır (). İmmün aktivasyonun, radyasyonun neden olduğu özofagus mukozal iltihabını şiddetlendirerek özofagus duvarında nekroz ve perforasyon riskini yükseltebileceği hipotez edilmektedir (). Bu faktörün klinik karar alma süreçlerinde dikkate alınmasını öneriyoruz; ancak yalnızca bu bulguya dayanarak rutin radyasyon dozu ayarlamaları yapılması gerekli değildir (); bu riski daha ileri düzeyde doğrulamak için prospektif çalışmalara ihtiyaç vardır.
Önceki çalışmalar, özofagus skuamöz hücreli karsinomu (ÖSHK) tedavisinde kemoterapi ve/veya radyoterapi sonrası gelişen özofagus fistülünün (EF) tahmininde ilerlemeler sağlamıştır. Zhu ve arkadaşları, ÖSHK hastalarında malign EF riskini tahmin etmek için radyomik-klinik bir nomogram geliştirmiş ve doğrulama setinde 0,867’lik bir AUC elde etmişlerdir (). Ancak modelleri yalnızca LASSO ile seçilen, manuel olarak oluşturulmuş radyomik özellikleri içermektedir. Li ve arkadaşları, yoğunluk modüleli radyoterapi (IMRT) veya hacimsel modüleli ark tedavisi (VMAT) uygulanan ÖSHK hastalarında EF risk tahmini için klinik-radyomik bir nomogram oluşturmuşlardır (). Modelleri 0,896’lık bir AUC elde etse de radyomik skoru (Radscore) ile klinik değişkenleri yalnızca birleştirmiştir. Guo ve arkadaşları ise çoklu VOI stratejisi kullanarak radyomik (R) ve dozomik (D) özellikleri çıkarmış ve çoklu-omik birleşik bir model (RD) oluşturmuşlardır (). Bunlar arasında, EG-RD modelinin test setindeki AUC’si yalnızca 0,817 idi çünkü özellik çıkarımı geleneksel omik yöntemlerle sınırlı kalmıştır. Yukarıdaki çalışmalar klinik risk faktörlerini entegre edip radyomik özelliklerini yapay olarak oluşturmuş olsalar da, derin öğrenmenin (DL) yüksek boyutlu soyut örüntüleri yakalama potansiyelini tam olarak keşfetmemişlerdir. Zhang ve arkadaşları, ileri evre ÖSHK hastalarında iyi bir tahmin performansı gösteren klinik-derin öğrenme radyomik modeli oluşturmuşlardır; prospektif kohortta AUC 0,85 olarak bulunmuştur. Ancak çalışmadaki özellik eleme süreci, yapay olarak oluşturulmuş tüm radyomik özellikleri elerken yalnızca DL özelliklerini korumuştur (). Bu erken özellik düzeyinde birleştirme model yapısını basitleştirse de radyomik özelliklerin doğasında var olan fiziksel yorumlanabilirlikten feragat edilmesine neden olmaktadır. Ayrıca, yukarıdaki çalışmaların hepsi tek merkezli olup, farklı merkezler arasında genellenebilirlikleri henüz doğrulanmamıştır.
Buna karşılık, bu çalışma klinik, radyomik ve DTLR modellerini karar verme katmanı füzyonu yoluyla entegre etmekte ve oluşturulan multimodal EF tahmin modeli, tümör heterojenliğini ve tedaviyle ilişkili riskleri daha kapsamlı bir şekilde yakalayabilmektedir. Bu çalışmada oluşturulan birleşik modelin iç doğrulama kohortundaki AUC değeri 0,922 olarak bulunmuş olup, Zhu ve arkadaşlarının (0,867), Li ve arkadaşlarının (çapraz doğrulama AUC’si 0,896) ve Guo ve arkadaşlarının (0,817) araştırma sonuçlarından daha üstündür. Dış doğrulama kohortundaki AUC değeri ise 0,865 olup, Zhang ve arkadaşlarının bulgusundan (prospektif doğrulama kohortunda AUC 0,85) da daha yüksektir. Aynı zamanda, bu çalışmanın çok merkezli tasarımı, modelin iyi bir genellenebilirlik yeteneğine sahip olduğunu doğrulamakta ve onu farklı klinik senaryolara uygulanabilir kılmaktadır ().
SHAP analizi yoluyla taranan temel radyomik özellikler, EF’nin görüntüleme mekanizmasını açıklamak için bir temel sağlamaktadır: LGZE, BT görüntülerindeki tümörlerin düşük yoğunluklu koyu alanlarını yakalayabilmektedir (); bu alanlar tümör nekrotik, sıvılaşmış veya fibrotik dokularını temsil etmekte ve bu tür dokular tedavilerin neden olduğu ek hasar altında delinmeye oldukça yatkındır. HLL-Skew ve SRLGLE ise tümörlerin doku heterojenliğini yansıtarak, tümör dokusunda nekrotik ve canlı dokuların bir arada bulunduğunu göstermektedir (, ). Bu yapısal heterojenlik, özofagus duvarının kırılganlığını artırarak tedavilerden sonra yırtılmaya ve sonuçta bir EF oluşumuna yol açabilir.
Radyomik özellikler tümörlerin doku düzeyindeki istatistiksel örüntülerini yakalayabilse de, piksel düzeyindeki üst düzey uzamsal ilişkilere karşı daha az hassastır. Buna karşılık, derin öğrenme (DL) özellikleri, geleneksel radyomik yöntemlerle elde edilmesi zor olan daha yüksek boyutlu görüntü örüntülerini otomatik olarak öğrenerek özofagus duvarı ile çevresindeki dokular arasındaki mikro-uzamsal ilişkileri tespit edebilir; klinik özellikler ise hastanın genel fiziksel durumu ve tedavi geçmişi gibi kilit bilgileri sağlayabilir. Bu çalışma bu üç unsuru entegre ederek modelin, hastaların bireyselleştirilmiş özofagus fistülü (EF) riskini çok boyutlu bir şekilde kapsamlı bir şekilde değerlendirmesine olanak tanır; bu aynı zamanda çok modlu modelin önceki araştırmalardaki modellere göre üstün olmasının temel nedenidir ().
Bu çalışmanın birkaç sınırlaması bulunmaktadır: Birincisi, retrospektif bir çalışma olması nedeniyle, çok merkezli verilere rağmen kaçınılmaz bir seçim yanlılığı içermektedir ve araştırma sonuçlarının prospektif araştırmalarla daha fazla doğrulanması gerekmektedir; ikincisi, nispeten küçük örneklem büyüklüğü, modelin farklı alt gruplardaki kararlılığını ve istatistiksel gücünü etkileyebilir; üçüncüsü, tümör alanlarının yapay olarak sınırlandırılması belirli öznel farklılıklar içermektedir; dördüncüsü, SHAP analizi yalnızca düşük boyutlu radyomik modellerine uygulanmıştır. DTLR modelleri ve birleşik modeller için, yüksek boyutlu derinlik özellikleri ile klinik değişkenler arasında karmaşık doğrusal olmayan etkileşimler bulunmaktadır () ve ilgili tahminsel karar verme süreçlerinin açıklanabilirliği henüz aydınlatılmamıştır. Birincisi, bu çalışmanın retrospektif doğası nedeniyle, önerilen model henüz keşif amaçlı bir risk katmanlaştırma çerçevesi olmaya devam etmekte ve rutin klinik uygulamaya hazır değildir. Klinik karar desteğinde herhangi bir potansiyel kullanımdan önce, modelin genellenebilirliğini ve gerçek dünya güvenliğini doğrulamak için prospektif, büyük ölçekli çok merkezli denemeler kesinlikle gereklidir. İkincisi, gelecekteki çalışmalar, işlem hattının verimliliğini sürekli olarak optimize etmek için otomatik segmentasyon teknolojilerini araştıracaktır. Son olarak, daha ileri çalışmalar, multimodal füzyon modelinin karar verme ilkelerini açıklığa kavuşturmak için yerel yorumlanabilir model-agnostik açıklama yöntemlerini (LIME) veya dikkat tabanlı derin öğrenme mimarilerini içerebilir (, ).
Sonuç
Bu çalışma, tedavi öncesi BT görüntülerine dayanarak klinik özellikleri, radyomik özellikleri ve DTLR özelliklerini çıkarmakta ve ESCC hastalarında tedaviler sonrası EF riskini etkili bir şekilde tahmin edebilen multimodal bir füzyon modeli oluşturmaktadır. Bu yaklaşım, yüksek riskli hastaların tanımlanmasına ve tedavi stratejilerinin optimize edilmesine yardımcı olmaktadır.
Beyanlar
Veri erişilebilirliği beyanı
Bu makalede sunulan veri setleri kolayca erişilebilir değildir çünkü tüm veriler hasta gizliliğini korumak için tamamen anonimleştirilmiştir; ham veri setleri dışarıdan paylaşılamaz. Veri setlerine erişim talepleri Xuezhi Li’ye 13193442617@163.com adresinden yönlendirilmelidir.
Etik beyanı
İnsanları içeren çalışmalar Henan Tıp Üniversitesi Birinci Bağlı Hastanesi tarafından onaylanmıştır (onay no. IITFSK2025102). Çalışmalar yerel mevzuata ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Bu çalışma Kurumsal Etik Komitesi tarafından onaylandığı için katılımcılardan veya katılımcıların yasal vasileri/yakın akrabalarından yazılı bilgilendirilmiş onam alınması gerekmemiştir. Geriye dönük bir çalışma olduğundan, hastalardan bilgilendirilmiş onam alınması istisna edilmiştir. Bu makalede yer alan potansiyel olarak tanımlayıcı herhangi bir görüntü veya verinin yayımlanması için bireylerden yazılı bilgilendirilmiş onam alınmamıştır.
Yazar katkıları
XL: Araştırma, Yazım – inceleme ve düzenleme, Yazım – orijinal taslak, Kavramsal tasarım, Veri kürasyonu, Formal analiz. HZ: Yazım – inceleme ve düzenleme, Araştırma, Görselleştirme. PL: Yazım – inceleme ve düzenleme, Denetim, Doğrulama. CW: Yazım – orijinal taslak. CG: Yazım – inceleme ve düzenleme. YC: Yazım – inceleme ve düzenleme. CL: Yazım – inceleme ve düzenleme, Doğrulama. YL: Yazım – inceleme ve düzenleme. WL: Yazım – inceleme ve düzenleme, Proje yönetimi, Kaynaklar. JY: Yazım – inceleme ve düzenleme, Kavramsal tasarım, Veri kürasyonu.
Çıkar çatışması
Yazar(lar), bu çalışmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişki olmaksızın yürütüldüğünü beyan etmiştir.
Üretken yapay zeka beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.
Bu makaledeki şekillerin yanında sunulan herhangi bir alternatif metin (alt metin), Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarların mümkün olduğunda inceleme yapması da dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar yayıncı tarafından garanti edilmez veya onaylanmaz.
Ek materyaller
Bu makalenin Ek Materyallerine çevrimiçi olarak şu adresten ulaşılabilir: https://www.frontiersin.org/articles/10.3389/fonc.2026.1910607/full#supplementary-material
Kısaltmalar
CI, güven aralığı; DL, derin öğrenme; DTL, derin transfer öğrenmesi; DTLR, derin transfer öğrenmesi radyomikleri; EC, özofagus kanseri; EF, özofagus fistülü; ESCC, özofagus skuamöz hücreli karsinomu; GLRLM, gri seviye koşu uzunluğu matrisi; ICC, sınıf içi korelasyon katsayısı; ICI, immün kontrol noktası inhibitörleri; IDI, entegre ayırt etme iyileştirmesi; LASSO, en küçük mutlak daralma ve seçim operatörü; SHAP, Shapley toplamsal açıklamaları; SVM, destek vektör makinesi.
Li X, Zhang H, Li P, Wang C, Guan C, Chen Y, Li C, Li Y, Li W ve Yue J (2026) Özofagus skuamöz hücreli karsinomunda kemoterapi ve/veya radyoterapi sonrası özofagus fistülünü tahmin etmek için multimodal derin öğrenme radyomik modeli: çok merkezli bir çalışma. Front. Oncol. 16:1910607. doi: 10.3389/fonc.2026.1910607
Alındı
16 Haziran 2026
Revize edildi
24 Ağustos 2026
Kabul edildi
05 Ekim 2026
Yayınlandı
16 Kasım 2026
Cilt
16 – 2026
Nguyen Quoc Khanh Le, Taipei Tıp Üniversitesi, Tayvan
Nguyen Quoc Khanh Le, Taipei Tıp Üniversitesi, Tayvan
Kulbhushan Thakur, Delhi Üniversitesi, Hindistan
Payam Jannatdoust, Tahran Tıp Bilimleri Üniversitesi, İran
Bu, Creative Commons Atıf Lisansı (CC BY) şartları uyarınca dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayına kabul görmüş akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilmektedir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.