GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 16 Kasım 2026 · Bağımsız Editoryal Ağ
Nöroloji & Uyku

Çok Modallı Beyin Lezyonu Sınıflandırması: MRI Radyomik ve OCR ile Geri Kazanılan MRS Metabolitleriyle Açıklanabilir Yapay Zeka Yaklaşımı

✍️ Editör Masası • 📅 14 Kasım 2026 • ⏱️ 40 dk okuma
Çok Modallı Beyin Lezyonu Sınıflandırması: MRI Radyomik ve OCR ile Geri Kazanılan MRS Metabolitleriyle Açıklanabilir Yapay Zeka Yaklaşımı

Özet

Bu çalışma, çoklu MRI (T2-FLAIR, T1-kontrast) dizilerinden alınan yapısal radyomik özellikleri, özel bir Optik Karakter Tanıma (OCR) hattı aracılığıyla Manyetik Rezonans Spektroskopisi (MRS) ekran görüntülerinden geri kazanılan metabolik özelliklerle birleştirerek beyin lezyon sınıflandırması için çok modlu bir makine öğrenimi hattı sunmaktadır. Çalışma, 55 hastalıktan (17 neoplastik olmayan, 38 neoplastik) oluşan klinik bir kohort üzerine kuruludur. MRI radyomik özellikleri ilk dereceli yoğunluk istatistiklerini, Gri Seviye Birlik Matrisi (GLCM) dokusunu, morfolojik şekli ve kontrastla güçlenme oranlarını kapsarken, MRS metabolitleri (Cho, Cr, NAA ve oranları) Tesseract OCR ile çoklu bölge kırpma ve Lanczos büyütme kullanılarak render edilmiş spektroslardan geri kazanılmaktadır. Özellikler, katman içi eksik tamamlama, özellik seçimi ve normalizasyon ile sızdırma kontrollü Bir-Oluk Çapraz Doğrulama (LOOCV) protokolü altında, sınıflandırıcının varsayılan karar eşiği kullanılarak değerlendirilmektedir. Birincil, yanlılık düzeltmeli performans tahmini, sınıflandırıcı ailesi ve özellik sayısının yalnızca eğitim verisi kullanılarak seçildiği iç içe LOOCV’den gelmektedir: çok modlu hattın doğruluğu %82,0’dir. En iyi sabit yapılandırma (Random Forest, k = 3) %85,5 doğruluğa (47/55) ve AUC = 0,82 değerine ulaşır; ancak aynı veri üzerinde seçildiği için keşif amaçlı, iyimser bir rakam olarak rapor edilmektedir. OCR ile geri kazanılan metabolitleri kullanmayan karşılaştırma modeli, kendi en iyi yapılandırmasında %78,2’ye ulaşır; böylece en iyi yapılandırma kazancı +7,3 puan, iç içe tahmin bu taban değerden +3,8 puan daha yüksektir. İki güçlü ayırt edici faktör log NAA (F = 16,01) ve log Cho (F = 12,89)’dır. En iyi yapılandırma sonucu 1.000 permütasyon testi (rastgele etiket ortalaması %55,0) ve McNemar’ın kesin testi (p = 0,05, sınırda) altında geçerlidir. N = 55 ve tanı etiketlerinin kendilerinin MRS’ye dayandığı göz önüne alındığında, bu sonuçlar kavram kanıtı niteliğindedir: OCR ile geri kazanılan MRS metabolitleri, yalnızca MRI kaynaklı özelliklerin sağlayabildiğinden fazlasıyla uzman tanı yargısını yeniden üretmek için bilgilendiricidir.

1. Giriş

Beyin lezyonlarının tanısı, klinik nörogörüntülemede hala çözümlemesi en zor sorunlardan birini oluşturuyor. Tümörler, enfeksiyonlar ve sklerozis multiplex gibi demiyelinizan bozukluklar, standart Manyetik Rezonans Görüntüleme (MRI) dizilerinde yapısal açıdan birbirinden ayırt edilemeyen biçimlerde ortaya çıkabilir; bu durum özellikle erken evre veya atipik olgularda geçerlidir. MRI, lezyon morfolojisini, kontrast tutulumunu ve uzaysal yayılımı belirlemede benzersiz bir konuma sahiptir; ancak altta yatan doku biyokimyasını doğrudan karakterize edemez. Bu boşluk, yapısal açıdan benzer lezyonların belirgin şekilde farklı klinik yönetim gerektirdiği tam da bu nokta kritik önem kazanır.

Manyetik Rezonans Spektroskopi (MRS), beyin dokusundaki ana metabolitleri nicelendirerek bu boşluğu doldurur. Yükselmiş kolin (Cho), neoplastik proliferasyonun bir göstergesi olan hızlanmış membran dönüşümünü yansıtır. Azalmış N-aspartil aspartat (NAA) sinyalleri nöron kaybını veya yer değiştirmeyi, kreatin (Cr) ise dahili bir referans işlevi görür. Cho/NAA ve Cho/Cr oranları, neoplastik olmayan lezyonlardan neoplastik lezyonları ayırt etmede yerleşmiş klinik işaretçilerdir (1–3). Bu tanısal yararına rağmen, MRS otomatik sınıflandırma hatlarında hâlâ yeterince kullanılmıyor; yayılan çalışmaların çoğu yalnızca yapısal MRI’ya dayanıyor ().

MRS’nin otomatik sınıflandırma hatlarına entegrasyonunu engelleyen iki pratik engel var. İlki, mevcut füzyon stratejilerinin büyük ölçüde son evre ya da kural tabanlı olması ve modeller arası etkileşimi yakalayabilen öğrenilmiş bir bileşenin bulunmamasıdır (, ). İkinci ve daha temel olan ise, klinik MRS çıktısının sık sık ham spektral sinyal dosyaları yerine render edilmiş spektral ekran görüntüleri olarak arşivlenmesidir. Metabolit değerleri dolayısıyla rasterleştirilmiş bir görüntü içinde gömülü kalır ve doğrudan makine tarafından okunamaz hale gelir.

Bu çalışma, her iki zorluğu da üstlenen çok modallı bir tamamlanmış pipeline sunmaktadır. MRI radyomik özellikleri, Dinamik İmaj Eşiklemesi (DIT) segmentasyonundan sonra T2-FLAIR ve T1-kontrast (T1C) dizilerinden çıkarılırken, MRS metabolit değerleri, PROBE-P ekran görüntülerinden yeni bir çok bölgeli Tesseract OCR pipeline’ı aracılığıyla geri kazanılmaktadır. Bu çıkarma adımını otomatikleştirmek, önceki çalışmaların büyük çoğunluğunun yapmadığı bir yaklaşımdır. İki modalite ardından, 55 hastalıktan oluşan klinik bir veri seti üzerinde sızıntının kontrol edildiği tek seferlik çapraz doğrulama (LOOCV) altında birleştirilmektedir. Değerlendirme aşamalı olarak yürütülmektedir: dalgaçlar hariç tutulan MRI radyomik özellikleri, demografik bilgiler ve MRS ekran görüntüsü dokusundan oluşan OCR’siz bir temel (62 özellik; Section 2.3’te kesin olarak tanımlanmış) ile aynı özelliklere 9 OCR ile çıkarılmış metabolit özelliğinin eklenmesiyle oluşan (71 özellik) karşılaştırılmaktadır. Sadece MRI-radyomik, tamamen MRS kaynaklı özellik içermeyen bir soyutlama (ablation) ayrıca raporlanmaktadır. Birincil önyargı düzeltmeli tahmini içeren iç içe LOOCV’ye ek olarak, en iyi sabit yapılandırma için permütasyon testi ve McNemar testi uygulanmaktadır.

1.1 Çok modallı analizin klinik motivasyonu

Klinik literatür, bu durumda yalnızca yapısal MRI’nın tanı belirsizliğini uzun süredir belgelemektedir (, ) ve MRS tabanlı metabolik işaretlerin tamamlayıcı değeri iyi bilinmektedir (, , ). Son çalışmalar, MRS tabanlı işaretleri tüm beyin metabolik imzaları yüksek dereceli gliomalarda erken ilerlemeyi öngören şekilde, tümörlerin uzun süreli izlenimine kadar genişletmiştir (). Bu klinik kanıt birikimine rağmen, MRS’nin yapısal MRI ile otomatik entegrasyonu, makine öğrenmesi literatürü içinde hâlâ çözülmemiş bir sorun olarak kalmaktadır.

1.2 Yalnızca MRI ile derin öğrenme: başarılar ve sınırlar

Beyin lezyon sınıflandırmasına yönelik yaygın makine öğrenimi çalışmalarının çoğu yalnızca yapısal MRG’ye dayanmaktadır. Konvolüsyonel Sinir Ağları (KSA’lar) baskın mimari tercih olmuştur ve ardışık çalışmalar mimari yeniliklerle giderek daha güçlü sonuçlar ortaya koymuştur. Dilim düzeyinde ResNet50 ile hacimsel 3D KSA’ları eşleştiren hibrit 2D/3D yaklaşımlar, BraTS gibi kamusal veri setlerinde güçlü glioma derecelendirme performansı göstermiştir. Çok ölçekli KSA mimarileri, özellikleri paralel olarak birden fazla uzaysal çözünürlükte çıkararak lezyon boyutu değişkenliğine karşı dayanıklılığı artırmıştır. InceptionV3 ve ResNet50 gibi önceden eğitilmiş ağlara dayanan aktarma öğrenimi çerçeveleri tarayıcılar arası genelleşmeyi göstermiş; KSA özelliklerini klasik sınıflandırıcılarla—arasında aşırı öğrenme makineleri de var—eşleştiren toplu yöntemler BraTS2015 üzerinde 97,8%’ye kadar çıkan doğruluk bildirmiş ve benzer hibrit KSA–SVM stratejileri rekabetçi çok modlu sınıflandırma performansı göstermiştir. Daha yakın zamanda, görüntü dönüştürücü mimarileri arasında özellik birleştirmeye sahip DeiT3, MRG beyin sınıflandırması için incelenmiş; ancak hesaplama maliyetleri bunları küçük klinik veri setlerinde pratik dışı kılmıştır. Daha az parametreli bir alternatif olarak hafif KSA tasarıları önerilmiş ve beyin tümörü otomatik tespitine dair çok güncel derlemeler bu mimarileri daha da geliştirmeye devam etmektedir.

Bu edebiyata yönelik sistematik derlemeler, iki tekrarlayan zayıflığa sürekli dönmektedir: eğitim veri seti ötesinde zayıf genelleşme ve MRS’den gelen metabolik bilginin neredeyse tamamen yokluğu. Kritik olan, bu yaklaşımların hiçbirinin MRS verisini kullanmamasıdır. Dolayısıyla beyin lezyon tanısinin biyokimyasal boyutu, yaygın yayınlanan iş akışlarının büyük kısmında tamamen değerlendirilmemiştir.

El ile tasarlanmış özellikleri MRI’dan uçtan uca öğrenmek yerine ayıklayan radyomik tabanlı yaklaşımlar, tamamlayıcı bir çalışma çizgisi temsil eder. Vijithananda ve arkadaşları (), ADC MRI görüntülerinden ayıklanan GLCM doku özelliklerinin, ANOVA tabanlı özellik seçimi ve Random Forest sınıflandırma ile birleştirildiğinde 195 hastadan alınan 1.599 dilim üzerinde %90,41 doğruluk sağladığını bildirmiştir; bu temel ile doğrudan nicel karşılaştırma Bölüm 3.8’de sunulmaktadır. Daha yeni hibrit radyomik-makine öğrenimi hatları, el ile tasarlanan betimleyicilerin klasik öğrenicilerle birleştirildiğinde küçük-orta ölçekli klinik kohortlarda rekabet gücünü koruduğunu doğrulamaya devam etmektedir. Yöntemsel benzerlik bu çalışma ile yakındır ve sonuç, katı değerlendirmeler altında radyomik özelliklerin ayırt edici gücünü pekiştirmektedir. Ancak Vijithananda çalışması yalnızca ADC görüntülerini kullanmış ve MRS metabolik verilerini içeri almamıştır.

1.3 MRS entegrasyonu: mevcut girişimler ve açıkları

MRI ile MRS’yi beyin lezyon sınıflandırması için birleştirmeye çalışan küçük bir çalışma kümesi bulunmaktadır. Guo ve arkadaşları (), MMIDFNet’i önermiş; her MRI dizisi için tek modallı CNN’leri izole şekilde uygulayıp glioma alt tiplendirmesi için tahminlerini lineer ağırlıklı birleşimle birleştirerek %87,8 doğruluk elde etmiştir. Ancak karar seviyesinde lineer birleşim, çok modallı veriye değerini veren tam da o çapraz modal etkileşimleri ortadan kaldırır ve MRS girdinin bir parçası değildir. Daha geniş çapta, beyin tümörü habitat karakterizasyonunda radyomik ve makine öğrenimi () ve tıbbi görüntülemede görüntü birleştirme teknikleri () üzerine sistematik derlemeler, öğrenilmiş bir çapraz modal bileşen olmadan karar seviyesi ve özellik seviyesi birleşim stratejilerinin yayınlanan hatların çoğunu oluşturduğunu vurgulamaktadır; bu yöntemsel açıklık, özellik seviyesi ANOVA + sınıflandırma yaklaşımımızın yer aldığı, ancak derlenen çalışmaların dahil etmediği açık bir metabolik özellik kaynağı ile birlikte gelmektedir.

MRS tabanlı çalışmalar tarafında Acquarelli ve arkadaşları () glioma sınıflandırması için CNN ve DenseNet mimarlarını ham Manyetik Rezonans Spektroskopic Görüntüleme (MRSI) sinyallerine doğrudan uyguladı ve araya herhangi bir ön işleme girdi. MRS niceliklendirmesine yönelik önceki derin öğrenme yaklaşımlarına dayanan Wu ve arkadaşları () niceliksel MRS analizi için bir CNN–LSTM hibriti olan Q-MRS çerçevesini sundu; bu çerçeve spektral veriler üzerinde derin öğrenmenin uygulanabilirliğini gösteriyor. Shamaei ve arkadaşları () ise fizik bilgili sinir ağlarının ham MRS’den beyin metabolitlerini, çok daha az hesaplama çabası gerektiren, LCModel ile rekabet edebilir doğrulukta niceliklendirebileceğini gösterdi. Bjørkeli ve arkadaşları () MRSI hacimleri üzerinde eğitilen derin sinir ağlarının tümör alt tiplerini klinik açıdan anlamlı bir doğrulukla sınıflandırabileceğini gösterirken, Acquarelli ve arkadaşları () MR spektroskopik görüntüleme verileri üzerinde çalışan CNN’lerin yalnızca spektral girdilerden glioma derecelerini ve Alzheimer ile ilgili değişiklikleri tahmin edebileceğini daha da ortaya koydu. Pediatrik MRS verileri üzerinde yapılan özellik-seçim çalışmaları () ve niceliksel spektral uyarlama için iyileştirilmiş bir Q-MRS derin öğrenme çerçevesi (), MRS’den geri kazanılan metabolik imzaların ayırt edici değerini pekiştiriyor. Paralel olarak Nielsen ve arkadaşları () konvolüsyonel sinir ağlarının MRS verilerindeki frekans ve faz bozulmalarını düzeltebileceğini gösterdi; bu, klinik yolların giderek daha fazla güvendiği ham-sinyal ön işlemesinde önemli bir adım. Hem ham-MRS hem de MRSI araştırma çizgileri, MRS metabolitlerinin ayırt edici değerini doğruluyor; ancak hiçbirinde bu spektral özellikler yapısal MRI ile bütünleştirilmiyor ve bu iki modite arasında mevcut tamamlayıcı bilgi kullanılmadan kalıyor. Bu çalışmaların hiçbiri ayrıca render edilmiş PROBE-P ekran görüntüleri üzerinde çalışmıyor; MRS verilerinin çoğu klinik arşive bu biçimde ulaşıyor.

1.4 OCR açığı: cevaplanmamış bir klinik gerçeklik

Mevcut literatürdeki kritik ve tamamen ele alınmamış sorun, MRS verilerinin klinik pratikte hangi formatta saklandığıyla ilgilidir. Ham spektral sinyal dosyaları rutin klinik iş akışlarında nadiren arşivlenir. Bunun yerine MRS çıktısı, metabolit okuma ekranının görselleştirilmiş görüntüleri olarak adlandırılan render edilmiş spektrum ekran görüntüleri biçiminde saklanır. Klinik uzmanların güvendiği metabolit değerleri (Cho, Cr, NAA ve oranları) dolayısıyla rasterleştirilmiş bir görsülün içine gömülür ve doğrudan makine tarafından okunamaz hale gelir. Mevcut çalışmalar ya ham spektral veriye erişim varsayar () — bu durum bu çalışmada kullanılan veri setinde geçerli değildir, aynı zamanda gerçek dünya klinik MRS çıktısının büyük bir kısmında da söz konusu değildir — ya da manuel metabolit çıkarma yöntemine dayanır; bu ise otomatik analiz için ölçeklenebilir değildir. Sonuç olarak, gerçek klinik verilerde herhangi bir MRI + MRS birleştirme hattının uygulanmasına yönelik somut bir engel ortaya çıkar.

1.5 Bu çalışmanın özeti ve konumlandırması

Yukarıda gözden geçirilen literatürde tek bir örüntü öne çıkar. Yayınlanan yöntemlerin çoğu yalnızca yapısal MRI’ya dayanır; MRS entegrasyonu nadirdir ve metodolojik olarak sınırlıdır; render edilmiş spektrum ekran görüntülerinden metabolit değerlerinin çıkarılması ise mevcut çalışmaların büyük ölçüde görmezden geldiği pratik bir görevdir.

Bu çalışmanın önceki araştırmalardan ayırdığı özgün katkılar aşağıda sıralanmaktadır. (i) Render edilen PROBE-P klinik ekran görüntülerinden nicels MRS metabolit değerlerini (Cho, Cr, NAA ve oranlarını) geri kazandıran özel bir OCR hattı; bu çıkarma adımı, burada incelediğimiz çalışmalarda denenmemiş olarak bulunmuş olup, ham spektral dosyaların mevcut olmadığı geriye dönük veri setlerinin kapısını açmaktadır. (ii) Çok küçük klinik kohortlara uygun, sızıntının kontrol altına alındığı bir değerlendirme protokolü: yığın içi, sonuçtan bağımsız imputasyon; model seçiminde iç içe LOOCV ve 1.000 permütasyon testi; birlikte uygulanmışlardır. N sınırlı radyomik raporlarının karşılaştırılabilir örnekleri (, ), yayımlanmış tanımlarından yola çıkarak, açıkça iç içe geçmiş bir model adımını betimlemedikçe böyle yapmamaktadır. (iii) 55 hastaya dayalı ampirik bir kanıt: OCR ile geri kazandırılan metabolitler, OCR’siz taban değerine ek olarak ayırt edici sinyal katmaktadır — en iyi sabit yapılandırmada %78,2’den %85,5’e (+7,3 puan) ve birincil yanlılık düzeltmeli tahmin olan iç içe LOOCV altında %82,0’a (+3,8 puan) ulaşmaktadır. En iyi yapılandırma, 1.000 permütasyon testiyle desteklenmekte ve sınırda da olsa McNemar testiyle (p = 0,05) desteklenmektedir. Birlikte bu katkılar, ham spektral verilerin arşivlenmediği ortamlarda geriye dönük çok modlu MRI + MRS sınıflandırması için yeniden üretilebilir bir şablon ortaya koymaktadır.

2 Materyaller ve yöntemler

Tam hattın genel görünümü Şekil 1’de verilmiştir. Aşağıdaki alt bölümler her adımı ayrıntılı biçimde ortaya koymaktadır.

2.1 Veri seti ayrıntıları

Analiz, halka açık olan Brain Lesion MRI ve MRS Spektroskopi Veri Seti’ne dayanmaktadır; bu set 55 hasta klasöründen oluşmaktadır. Her bir klasörde üç MRI dizisi (T2-FLAIR, T1 ağırlıklı, kontrastlı T1) için NIfTI hacimleri ile PROBE-P biçiminde tek bir MRS ekran görüntüsü yer almaktadır. Yaş, cinsiyet ve kalan hasta meta verileri eşlik eden bir elektronik tabloyla sağlanmıştır. Uzman tanıları iki etikete indirgenmiştir: sınıf 0 (neoplastik olmayan, n = 17) ve sınıf 1 (neoplastik, n = 38). Kohort demografileri ve sınıflar arasındaki ayrım Şekil 2’de özetlenmiştir. 55 hastanın her biri sorunsuz biçimde işlenmiştir. Tekrarlayan bir başlık uyarısı ortaya çıkmıştır (pixdim[1,2,3] sıfırdan farklı); nibabel bunu otomatik olarak düzeltmiş ve temel görüntü verileri dokunulmadan bırakılmıştır.

2.1.1 Gerçeklik referans standardı

Etiketler, kaynak veri setinde kaydedilen uzman konsensüs tanılarından gelmektedir; bu tanılar tedavi eden radyologların Al-Andalus Onkoloji Merkezi’nde klinik sunum, çoklu dizi yapısal MRI ve MRS değerlendirmesi yoluyla ortaya konmuştur. Biyopsi yoluyla bağımsız histopatolojik doğrulama her olgu için sistematik biçimde mevcut değildi. Bu durumun iki sonucunu kabul ediyoruz. Birincisi, MRS orijinal uzman tanının girdilerinden biri olduğu için, MRS kaynaklı özellikleri bu etiketleri tahmin etmek için kullanmak, bağımsız biyopsi ile doğrulanmış alt bir olgu seti olmadan tamamen çözemeyeceğimiz bir döngüsellik derecesi taşımaktadır. İkincisi, bu çalışmada bildirilen doğruluk değerleri dolayısıyla kesin patolojik gerçeklik ile uyumdan çok hekim konsensüsü ile uyum olarak okunmalıdır.

2.1.2 Gözlemlenen çok modallı kazancın sonucu

Bu döngüsellik, çok modlu hattın OCR’siz temel modele göre kaydettiği +7,3 puanlık iyileşmenin (Bölüm 3.5) nasıl yorumlanması gerektiği açısından doğrudan önem taşır. Aynı uyarı, daha küçük ölçüde, iç içe yerleştirilen 82,0% tahmini için de geçerlidir. Tedavi eden radyologlar orijinal tanı etiketini verirken MRS görünümünü — yükselmiş kolin (Cho), azalmış NAA ve bu oranları — dikkate aldıysa, aynı metabolit değerleriyle beslenen bir sınıflandırıcı yapısal bir avantaja sahip olur: patolojik sinyali MRI’nın tek başına ortaya koyamayacağı bir bulguyu keşfetmek yerine, radyologun zaten kullandığı deseni yeniden türeterek etiketin bir bölümünü geri kazandırabilir. Bu çerçevede, +7,3 puanlık kazanımın bir kısmı, tanı doğruluğunda bağımsız ve patolojik olarak doğrulanmış bir iyileşme değil, hekimin kendi muhakeme süreciyle uyum yansıtır. Bu oranı eldeki verilerle nicelendiremeyiz; çünkü bunun için ya yalnızca yapısal MRI’dan, MRS bulgularından habersiz şekilde belirlenmiş tanı etiketleri (i) ya da hem MRI-tek başına hem de çok modlu sınıflandırıcıların, orijinal klinik etiketlerden bağımsız şekilde puanlanabileceği bir biyopsi ile doğrulanmış alt küme (ii) gerekir. Bu ikisi de bu veri setinde mevcut değil. Bu nedenle +7,3 puanlık değeri, OCR ile geri kazanılan MRS metabolitlerinin uzman tanı muhakemini yeniden üretmede bilgilendirici olduğunu gösteren kanıt olarak sunarız ve bunu altta yatan patolojiyle artan uyum gösterdiğine dair kanıt olarak iddia etmeyiz. Bu ayrım Tartışma ve Sonuç bölümlerine taşınır ve sonuçları doğrulanmış bir tanı kazanımı yerine kavram kanıtı olarak tanımlamamızın başlıca nedeni oluşturur.

2.1.3 Etik

Bu çalışmada kullanılan veri seti kamuya açık durumdadır.

2.2 MRI ön işleme

  • Gürültü giderme. 3 boyutlu çekirdek boyutuna sahip düzgün bir filtre uygulanarak edinim gürültüsü azaltılmış, ancak leze sınırları korunmuştur.

  • Yoğunluk normalizasyonu. Sıfırdan farklı vöxel değerleri Denklem (1) izlenerek 1.–99. yüzde dilimine kırpılmış ve [0, 1] aralığına yeniden ölçeklendirilerek aykırı yoğunlukların etkisi sınırlanmıştır:

I

norm

(

x

)

=

[

clip

(

I

(

x

)

p

p

)

−

p

]

/

[

p

−

p

]

I

norm

(

x

)

=

[

clip

(

I

(

x

)

p

1

p

99

)

−

p

1

]

/

[

p

99

−

p

1

]

(1)

(1)

burada p

1

ve p

99

, sıfırdan farklı voksellerin yoğunluğunun 1. ve 99. yüzdelik dilimleridir ve clip(·) [p

1

, p

99

] aralığının dışında kalan değerleri en yakın sınıra doyurur.

  • Leze segmentasyonu. Segmentasyon, Dinamik Eşik Değerlendirme (DIT) yöntemine dayanıyordu. DIT eşiği, (2) Denklemi ile belirlendi ve (7) Denklemi’nden alınan α = 1.35 değeri kullanıldı:

  • T

    DIT

    =

    μ

    nz

    +

    α

    σ

    nz

    α

    =

    1.35

    T

    DIT

    =

    μ

    nz

    +

    α

    σ

    nz

    α

    =

    1.35

    (2)

    (2)

    burada μnz ve σnz, sıfırdan farklı voksellerin yoğunluğunun ortalamasını ve standart sapmasını ifade eder. Inorm(x) > TDIT koşulunu sağlayan her voxel leze ROI’ye dahil edilir. Elde edilen maske 10’dan az voxel içeriyorsa, α değeri 1.0’a düşürülür ve eşik yeniden hesaplanır. Kafatasını ayırmak için 3-voksellerlik bir kenar şeridi sıfırlanmış; ardından morfolojik açma (3 × 3 × 3 yapılandırıcı eleman, bir yineleme) ve dilim başına delik doldurma işlemleri uygulanmıştır.

    2.2.1 Segmentasyon kalite kontrolü

    Tüm 55 DIT kaynaklı leke maskesi, kaynak T2-FLAIR hacimleriyle görsel olarak incelendi. Kontrol, maskenin her durumda leke hacmini doğru şekilde içerdiğini, ilk eşiğin 10’dan az vöxel bıraktığı üç durumda yedek α = 1.0 gevşetmenin devreye girdiğini ve sınır şeridi ile morfolojik temizlemenin ardından hiçbir maskenin kafatası, ventriküller veya sinüslere önemli ölçüde sızmadığını doğruladı. DIT’in eşik temelli bir segmentasyon olduğunu ve uzman tarafından çizilen ROI’lerin yerini almadığını kabul ediyoruz; radyomik özelliklerin gelecekteki doğrulama çalışmalarında ideal olarak uzman maskelerinden yeniden çıkarılması gerekir. Neoplastik olmayan ve neoplastik bir hastaya ait temsilci segmentasyonlar Şekil 3’te gösterilmiştir.

    2.3 MRI özellik çıkarımı

    Çıkarım, 113 ham özellik (

    ) sonuç verdi; bunlardan 109’u sıfır varyans temizlemesinden sağ çıktı. Aşağıdaki gruplara ayrılırlar:

    • Birinci sipat istatistikleri (her modalite için 10, toplam 20): ortalam, standart sapma, çarpıklık, dikdörtgenlik, enerji, entropi (64 kutulu histogram), p10, p90, yüzde aralığı ve medyan mutlak sapma (MAD); her biri leke ROI vöxelleri üzerinde hesaplanmıştır.

    • GLCM dokusu (her modalite için 6, toplam 16): 1 uzaklıkta, dört açıda, 32 gri seviyesinde kontrast, benzerlik, tutarlılık, enerji, korelasyon ve entropi; leke açısından en yoğun 5 dilim üzerinde ortalamıştırılmış. Normalleştirilmiş bir GLCM P(i, j) için d uzaklıkta ve θ açıda, (3) ve (4) denklemlerinden hesaplanan kontrast ve tutarlılık tanımlayıcıları şu şekilde tanımlanır:

    Contrast

    =

    Σ

    i

    j

    (

    i

    −

    j

    )

    P

    (

    i

    j

    )

    Contrast

    =

    Σ

    i

    j

    (

    i

    −

    j

    )

    2

    P

    (

    i

    j

    )

    (3)

    (3)

    Homogeneity

    =

    Σ

    i

    j

    P

    (

    i

    j

    )

    /

    (

    +

    ∣

    i

    −

    j

    ∣

    )

    Homogeneity

    =

    Σ

    i

    j

    P

    (

    i

    j

    j

    )

    /

    (

    1

    +

    ∣

    i

    −

    j

    ∣

    )

    (4)

    (4)

    • Şekil özellikleri (toplam 5): hacim, yüzey alanı (maske − ikili aşındırma) ve Şekil (5) denklemiyle hesaplanan küresellik.

    Ψ

    =

    π

    /

    (

    V

    )

    /

    /

    A

    Ψ

    =

    π

    1

    /

    3

    (

    6

    V

    )

    2

    /

    3

    /

    A

    (5)

    (5)

    Özellik grubu Sayı
    Dalga fonksiyonu (db4, LL/LH/HL/HH, 6 istatistik × 2 mod.) 47
    Birinci mertobe yoğunluk istatistikleri (10 × 2 mod.) 20
    MRS ekran görüntüsü dokusu (img istatistikleri + GLCM) 20
    GLCM dokusu (6 × 2 mod. + 4 ek) 16
    Şekil/morfolojik 5
    Yoğunlaşma oranı (T1C/FLAIR) 3
    Demografik (yaş, cinsiyet) 2
    Ham toplam 113
    Sıfır varyanslı sütunlar kaldırıldı −4
    Toplam korunan 109

    47 dalga fonksiyonu özelliği, temel analizden önce dışarıda bırakılır ve 62 özelliğe sahip OCR’siz temel küme ortaya çıkar; bu temel küme 20 MRS ekran görüntüsü dokus özelliğini içerdiğinden yalnızca MRI’ya ait değildir. 9 OCR metabolit özelliğinin eklenmesiyle 71 özelliğe çok modlu küme elde edilir. Sıkı anlamda yalnızca MRI’ya ait grup, dokuya ve dalga fonksiyonuna ait olmayan 46 satırdan oluşur. Bakınız Bölüm 2.3.

    burada V, voksellerdeki lezyon hacmi; A ise yüzey alanıdır. Değerler mükemmel bir küre için 1’e yaklaşır ve lezyon giderek daha düzensiz hale geldikçe azalır. Bu grubu bağlantılı bileşenler ve maksimum 2D kesit alanı tamamlar.

    • Güçlenme oranı özellikleri (3 adet): Kan-beynengeliği yıkımını yakalayan, FLAIR ROI üzerinde hesaplanan T1C/FLAIR ortalaması, maksimumu ve standart sapma oranları.

    • MRS ekran görüntüsü dokuları (20 adet): görüntü düzeyinde istatistikler (ortalaması, standart sapması, çarpıklığı, basıklığı), yatay/dikey profiller (standard sapma, aralık), kadran enerji oranları (q1–q4) ve MRS ekran görüntüsü görüntüsünün GLCM (kontrast, homojenlik, enerji, korelasyon). Bu görüntü düzeyinde dokular özellikleri, Bölüm 2.4’te betimlenen nicel OCR ile çıkarılan metabolit değerlerinden farklıdır.

    • Demografik bilgiler (2 adet): yaş ve cinsiyet (ikili).

    2.3.1 Hatırbordundaki özellik sayılarının uzlaştırılması

    Bu makalede farklı noktalarda farklı özellik alt kümeleri kullanıldığından, tam sayım burada açıkça verilmiştir. Dalgaçıkırtısız ham özellikler şunlardır: MRI birinci dereceli (

    ), GLCM (

    ), şekil (

    ), güçlenme oranı (

    ) ve demografik bilgiler (

    ); bunlar birlikte MRI radyomik ve demografik grupları oluşturur (20 + 16 + 5 + 3 + 2 = 46) ve MRS ekran görüntüsü dokuları grubu (

    ), bu MRI hacimlerinden değil MRS ekran görüntüsü görüntüsünden türetilmiştir. 47 dalgaçıkırtılı alt bant özelliğinin eklenmesiyle 46 + 20 + 47 = 113 ham özellik elde edilir (

    ). Dört sıfır varyanslı sütun elenerek 109’a (

    ) düşülür. Dalgaçıkırtısız kümenin 109 − 47 = 62 özellik olarak betimlenmesinden dolayı, 47 dalgaçıkırtılı özelliğin tümü süzmeden geçmek zorundadır; dolayısıyla elenen dört sütun 66 dalgaçıkırtısız özellik arasındadır (66 − 4 = 62). Üç özellik kümesi izler.

    • OCR içermeyen temel set (62 özellik). Bu, 46 MRI-radiomik ve demografik özelliğe 20 MRS ekran görüntüsü dokusal özelliğinin eklenmesiyle oluşur; dört sıfır varyanslı sütun çıkarılmış ve dalgacıklar (wavelet) hariç tutulmuştur. Bu, yalnızca MRI’ya ait bir set değildir: MRS ekran görüntüsünden düzeyinde dokusal bilgi içerir. Bu nedenle “sadece MRI” yerine OCR içermeyen temel olarak adlandırılmıştır; Bölüm 3.5’te kullanılan temel set budur.

    • Çok modlu set (71 özellik). (A) setine OCR ile çıkarılan 9 metabolit özelliğinin (Cho, Cr, NAA, üç oran ve üç log-dönüşümlü varyant) eklenmesiyle oluşur: 62 + 9 = 71.

    • Sadece MRI-radiomik set. 46 MRI-radiomik ve demografik özellik; herhangi bir MRS kaynaklı özellik içermez (46 ham; dört sıfır varyanslı sütundan bazıları bu gruba dahilse 46’dan az ve kesin korunmuş sayı eşlik eden kodda verilmiştir). Bu, Bölüm 3.6’daki ablation analizinin (i) satırındaki konfigürasyondur; çok modlu karşılığı (iv) satırında, bu sete 9 OCR özelliğinin eklenmesiyle oluşur (46 + 9 = 55 ham). (i)-(iv) satırları dolayısıyla bağımsız olarak oluşturulmuştur ve (A) ya da (B)’nın alt kümesi değildir.

    2.4 MRS OCR hattı

    MRS verileri yalnızca render edilmiş PROBE-P spektrum ekran görüntüleri olarak mevcuttur; ham spektrum sinyallerine doğrudan erişim yoktur. Bu nedenle özel bir Tesseract tabanlı hatt aşağıdaki gibi geliştirilmiştir:

    • Maksimum varyansa eksenel kesit, spektrum görüntüleme çerçevesi olarak seçildi.

    • Kesit, uint8 [0, 255] aralığına normalize edildi.

    • Metabolit metin kutusunu hedefleyen üç kırpma bölgesi denendi: top_left_small (y: 10–40%, x: 5–30%), top_left_med (y: 10–50%, x: 5–40%) ve top_left_wide (y: 5–50%, x: 2–45%).

    • Her kırpma, PIL Lanczos enterpolasyonu ile 4 katına çıkarıldı.

    • Tesseract’ın 6, 11 ve 4 PSM modları uygulandı ve çıkarılan tüm metin birleştirildi.

    • Metabolit değerleri, yaygın OCR okuma hatalarını telafi eden karakter değiştirme işlemleri (Gh → Cho, | → /, @/Q → C) içeren esnek regex ayrıştırmasıyla geri getirildi; böylece Cho, Cr, NAA, Cho/Cr, Cho/NAA, NAA/Cr, NAA/Cho ve Cr + Cho elde edildi.

    55 hastadaki kapsama şu şekildeydi: Cho 43/55, Cr 40/55, NAA 37/55, Cho/NAA 30/55, NAA/Cho 29/55, Cr + Cho 26/55, NAA/Cr 25/55, Cho/Cr 24/55. [0.01, 50] aralığının dışında oranlar ve [1, 10

    6

    ] aralığının dışında konsantrasyonlar sıfıra ayarlandı. Bir oran eksikse, ham değerlerden yeniden hesaplandı (örneğin, Cho/Cr = Cho ÷ Cr). Geriye kalan sıfırlar, ilgili metabolitin küresel eğitim kümesi medyanıyla düzeltildi; bu medyan her LOOCV katında yalnızca 54 eğitim konusu kullanılarak hesaplandı ve hem kalan eğitim-katmanı sıfırlarına hem de ayrı tutulan test konusuna uygulandı. Bu sonuçtan bağımsız düzeltme şeması, sınıf-koşullu medyan düzeltmesinin aksine, süreç boyunca hiçbir konunun sınıf etiketini kullanmadığı için hedef sızıntısı yaratmaz. Log dönüşümleri ardından, Denklem (6)’ya göre eklendi.

    m

    ̃

    =

    log

    e

    (

    +

    m

    )

    m

    ∈

    {

    Cho

    Cr

    NAA

    }

    m

    ̃

    =

    log

    e

    (

    1

    +

    m

    )

    m

    ∈

    {

    Cho

    Cr

    NAA

    }

    (6)

    (6)

    burada m ham OCR ile çıkarılan metabolit konsantrasyonu, m̃ ise log-dönüşümü alınmış karşılığıdır. Birleştirilmiş tasarım matrisi 55 × 121 öznitelik içermekteydi; dalga özdeşleri ve sıfır varyans sütunları çıkarıldığında 71 tanesi kalmıştır. Neoplastik olmayan bir hastaya ve neoplastik bir hastaya ait temsilî çıktılar Şekil 3’te yer almakta; burada hem DIT segmentasyonunun davranışı hem de metabolit değerlerini render edilmiş MRS ekran görüntüsünden yukarı taşıyan OCR kırpma ve üstüne örnekleme aşaması yer almaktadır.

    2.5 Ön derin öğrenme deneyleri

    Derin öğrenme uçtan uca yaklaşımı, radiomics hattı biçimlenmeden önce denenmiştir. Birkaç standart CNN mimarisi — özel hafif bir CNN, TinyVGG ve ResNet varyantları — MRI dilimlerinde hem veri artırma hem de artırmasız (rastgele çevirmeler, döndürmeler, yoğunluk titremesi) eğitilmiştir. Sonuç ne olursa olsun aynı olmuştur: konu bazlı çapraz doğrulamada doğruluk %55 ile %65 arasında seyretmiş ve uçtan uca katlar arasında geniş salınımlar göstermiştir. Bu imza, N = 55 düzeyinde ciddi aşırı öğrenmeye işaret etmektedir. Yüz binlerce öğrenilebilir parametre, 55 hastayla sabitlenemez; bu koşullar altında generalizasyonu kurtaran hiçbir artırma yöntemi yoktur. Başarısızlık, çalışmayı el yapımı radiomics özniteliklerine yönlendirmiştir; bunlar çok daha az parametre sarf eder ve küçük klinik kohortlara daha uygundur — konuyu önceki radiomics çalışmalarının da vurguladığı bir nokta (, ).

    2.6 Sınıflandırma protokolü

    Ana değerlendirmaya iki öznitelik kümesi sokulmuştur: (A) OCR’siz temel, dalga özdeşleri hariç (62 öznitelik) ve (B) aynı özniteliklere OCR ile çıkarılmış metabolitlerin eklenmiş hali (71 öznitelik); her ikisi de Bölüm 2.3’te tanımlanmaktadır. Ayrı bir ortadan kaldırma analizi (Bölüm 3.6) sıkıca MRI-radiomics-only bir küme kullanmaktadır. Sıkıca belirlenmiş bir test ayrımı yerine LOOCV tercih edilmiştir; çünkü N = 55 düzeyinde sabit bir ayrım güvenilmez derecede küçüktür. Her kat 54 hastayla eğitilmiş ve dışarıda bırakılan hastada test edilmiştir; öğrenilen her dönüşüm katın içinde kalmıştır: ANOVA SelectKBest(k) → StandardScaler → sınıflandırıcı, her biri yalnızca eğitim ayrımında uyarlanmıştır.

    Bir aday özellik, C sınıfı, nc sınıf büyüklükleri ve x̄c sınıf ortalamaları üzerinden değerlendirildiğinde, katman içi ANOVA F-puanı Denklem (7)’ye göre hesaplanır.

    F

    =

    C

    −

    C

    ∑

    C

    =

    n

    c

    (

    −

    X

    c

    −

    −

    X

    )

    N

    −

    C

    C

    ∑

    C

    =

    nc

    ∑

    i

    =

    (

    X

    c

    i

    −

    −

    X

    c

    )

    F

    =

    1

    C

    −

    1

    ∑

    C

    =

    1

    C

    n

    c

    (

    X

    −

    c

    −

    −

    X

    −

    )

    2

    1

    N

    −

    C

    ∑

    C

    =

    1

    C

    ∑

    i

    =

    1

    nc

    (

    X

    c

    i

    −

    X

    c

    −

    )

    2

    (7)

    (7)

    burada x̄ genel ortalamayı, N ise toplam örneklem boyutunu ifade eder. F değerine göre sıralanan en iyi k özellik, her katmanda korunur ve ayrılan hastaya ait hiçbir veri bu sıralamaya dahil edilmez.

    Değerlendirmeye dört sınıflandırıcı ailesi katıldı: Random Forest (RF, 200 kestirici, maksimum derinlik = 4, min_samples_split = 5, min_samples_leaf = 3, sınıf dengeli, seed = 42); Gradient Boosting (GB, 100 kestirici, derinlik = 2, öğrenme oranı = 0.05, subsample = 0.8); RBF çekirdeğine sahip Vektör Makinesi (SVM-RBF, C ∈ {1, 10}, sınıf dengeli); ve Lojistik Regresyon (LR, C ∈ {0.5, 1.0, 2.0}, sınıf dengeli). Bu sınıflandarıcıların soft-voting (yumuşak oylama) toplulukları da denenmiştir.

    2.6.1 Karar eşiği

    Raporlanan analizlerin hiçbirinde karar eşiği ayarlanmadı. Her bir LOOCV, iç içe LOOCV ve silme (ablation) çalışmasındaki sınıf tahminleri, her sınıflandırıcının öntanımlı, önceden belirlenmiş karar kuralını kullanır (olasılıklı sınıflandırıcılar için neoplastik sınıfın tahmini olasılığının ≥ 0,5 olması). F1’i optimize eden ya da başka türlü veriyle ayarlanmış bir eşik kullanmaktan bilinçli olarak kaçınıldı; çünkü böyle bir eşik yine iç içe bir döngü içinde seçilmek zorunda olurdu; burada bildirilen tüm doğruluklar öntanımlı eşik için geçerlidir. ROC eğrisinin altındaki alan eşikten bağımsızdır ve ayırt edilmiş (held-out) tahmini olasılıklardan hesaplanır.

    Rastlantıya karşı istatistiksel anlamlılığı değerlendirmek için, en iyi konfigürasyona 1.000 permütasyon testi uygulanmış; sınıf etiketleri rastlantısal olarak permütlenmiş ve tüm LOOCV hattı yeniden çalıştırılmıştır. Ampirik p-değeri, permütasyon doğruluklarının gözlemlenen değere eşit ya da büyük olduğu oranıdır.

    Eşleştirilmiş sınıflandırıcılar, 8. denklemde olduğu gibi LOOCV kararları üzerinde McNemar testiyle karşılaştırılmıştır.

    χ

    =

    (

    ∣

    b

    −

    c

    ∣

    −

    )

    /

    (

    b

    +

    c

    )

    χ

    2

    =

    (

    ∣

    b

    −

    c

    ∣

    −

    1

    )

    2

    /

    (

    b

    +

    c

    )

    (8)

    (8)

    b, temel modelin yanlış, çok modelli modelin doğru yaptığı olguları; c ise tersini sayar. −1 süreklilik düzeltmesi, uyumsuz sayıların küçük olduğu durumlarda anlamlılığın abartılmasını önler.

    Veriden öğrenen her şey — OCR ile çıkarılan metabolit sıfırlarının global-medyan eksik tamamlanması, StandardScaler normalizasyonu ve ANOVA SelectKBest sıralaması — her LOOCV katının 54 eğitim olgusu üzerinde uyarlanmış, asla ayırt edilmiş olgu üzerinde uyarlamanmıştır. Kritik olanı, eksik tamamlama adımı, sınıf etikinden bağımsız olarak tüm olgular üzerinde eğitim kümesinin medyanını kullanır; bu, sınıf-koşullu eksik tamamlamadan kaynaklanacak hedef sızıntısını önler.

    Model seçim yanlığını, sınıflandırıcı ailesi ile özellik sayısı k üzerinde eşzamanlı arama sonucunda ortaya çıkabilecek yanlıktan korumak için ayrıca iç içe (nested) LOOCV protokolü de uygulandı. Dış döngü her seferinde bir deneyi ayırır; kalan 54 deney üzerinde iç içe LOOCV döngüsü, yalnızca eğitim verisini kullanarak sınıflandırıcı aileleri (LR, RF, GB) ve k ∈ {3, 5, 7} değerleri üzerinde arama yapar; en iyi yapı (en yüksek iç içe-LOOCV doğruluğu) ardından tüm 54 deney üzerinde yeniden kurulur ve ayıran deneye uygulanır. İmputasyon, özellik seçimi ve ölçeklendirme her iç içe ve dış katmanda yeniden kurulur. Bu, yanlıktan arındırılmış birincil performans tahminini sağlar: en iyi sabit yapıda sınıflandar ve k, aynı 55 tahmin üzerinde değerlendirildiği için o tahminlere bakılarak seçilirken, iç içe tahmin ayıran deneyin herhangi bir modelleme seçimini etkilemesine izin vermez.

    3 Bulgular

    3.1 Özellik ayrıştırması ve PCA analizi

    Sıfır varyanslı özelliklerin çıkarılmasından sonra, dalga filtresi öncesindeki tam havuzda yedi grup üzerinde dağılan 109 özellik kaldı (Tablo 1).

    109 özellikli kümenin PCA’sı varyansın %80’ini 8 bileşende, %90’ını 13 bileşende, %95’ini ise 18 bileşende toplar. En iyi kural olan N/5 kuralı, güvenli PCA’yı N = 55 için en fazla on bir bileşenle sınırlar. Çok da büyük fark yaratmadı: test edilen her sınıflandar ve her özellik değeri için PCA tabanlı sınıflandırma, PCA’sız karşılığından hep daha düşük sonuç verdi. Nedeni basit. Önde gelen bileşenler, en büyük varyansın yönlerini izler; bunlar en büyük sınıf ayrışmasının yönleriyle aynı değildir ve 109 boyutlu bir kovaryans matrisi 55 örnekten güvenilir şekilde tahmin edilemez.

    3.2 En ayırt edici özellikler

    İki tek değişkenli ANOVA sıralamasının birbirinden ayrılması gerekir, çünkü farklı özellik havuzları üzerinde hesaplanmıştır. İlki, hâlâ 47 dalga özelliğini (wavelet) içeren tam 109 özellikli havuz üzerinde yapılan keşif niteliğinde bir sıralamadır. Bu sıralamada dalga özelliği olmayan üç özellik öne çıkmıştır: T1C yoğunluk eğikliği (F = 8,98), FLAIR yoğunluk ortalaması (F = 8,71) ve lezyon küreselliği (F = 4,34); dalga özelliği entropi özellikleri ise T1C ve FLAIR’dan gelen 15 içindeki geri kalanın büyük kısmını yaklaşık 4 veya altı F-puanlarıyla doldurmuştur. Bu sıralama, Section 3.5’in dalga özelliği kaldırma (ablation) analizini tetikleyen sıralamadır; sonrasında dalga özellikleri son analizden önce çıkarılmıştır.

    Tablo 2 ve Şekil 4’te yer alan ikinci sıralama, yapı gereği dalga özelliği içermeyen son 71 özellikli çok modlu küme üzerinde hesaplanmıştır. Dalga özellikleri dolayısıyla Tablo 2 ve Şekil 4’te yer almaz, çünkü bunlar hariç tutulmuştur; OCR metabolitlerinin onları yerinden etmesinden dolayı değildir. Belirli bir özelliğe ait tek değişkenli F-puanı, mevcut diğer özelliklere bağlı değildir, bu nedenle metabolit eklemek herhangi bir MRI özelliğinin puanını değiştiremez; yukarıdaki üç MRI puanı her iki sıralamada da özdeştir. İkinci sıralamanın gösterdiği şey, log-dönüşümlü NAA (F = 16,01) ve log-dönüşümlü Cho (F = 12,89)’nin, geri kalan tüm MRI özelliklerinin önünde, geniş bir farkla en başta yer almasıdır; dalga özellikleri korunmuş olsaydı, keşif puanları göz önüne alındığında bunlar iki metabolitin de altında sıralanırdı. Dolayısıyla MRS metabolitlerinin taşıdığı sinyal, yalnız başına alınan herhangi bir MRI dokusu veya morfolojik özelliğinden daha ağırdır. Her iki sıralama da betimleyicidir ve 55 hastanın tamamı üzerinde bir kez hesaplanmıştır; özellik seçimi için kullanılmamıştır, çünkü özellik seçimi her katmanda yeniden uyarlanmaktadır (Section 2.3 ve sınıflandırma protokolü). Şekil 4, 71 özellikli kümenin 15 en iyi özelliğini ANOVA F-puanıyla birlikte, en iyi üçünün sınıf-koşullu dağılımlarıyla birlikte göstermektedir.

    Özellik Tür F
    log_NAA OCR-MRS 16.01
    log_Cho OCR-MRS 12.89
    t1c_fo_skew MRI T1C 8.98
    flair_fo_mean MRI FLAIR 8.71
    Cho OCR-MRS 7.90
    shape_sphericity Şekil 4.34
    flair_fo_p10 MRI FLAIR 4.30
    Cho_NAA OCR-MRS 3.41
    t1c_glcm_homogeneity GLCM T1C 2.99
    flair_glcm_homogeneity GLCM FLAIR 2.62
    t1c_glcm_correlation GLCM T1C 2.62
    shape_surface Şekil 2.55
    mrs_glcm_homogeneity MRS Img 2.36
    mrs_homogeneity MRS Img 2.36
    flair_glcm_entropy GLCM FLAIR 2.32

    Bu analizden önce 47 dalga özelliği (wavelet) çıkarıldığı için burada yer alamaz. Betimleyici özellikler tüm 55 hastası üzerinde bir kez hesaplanmıştır; özellik seçimi için kullanılmamış, çünkü her katmanda yeniden ayarlanmaktadır.

    3.3 SHAP ile model açıklanabilirliği

    SHAP (SHapley Additive exPlanations) değerleri, en iyi performansı gösteren yapılandırma (Random Forest, k = 3) için ağaç tabanlı TreeExplainer kullanılarak hesaplanmıştır. Amaç iki yönlüydü: modelin beyin MRS’sinin yerleşik biyokimyevi muhakemesiyle uyumlu çalışıp çalışmadığını doğrulamak ve OCR ile geri kazanılan özelliklerin, MRI kaynaklı olanların yanında ne kadar katkı sağladığını ölçmek.

    SHAP özeti (arı kovanı grafiği) ve ortalam |SHAP| çubuk grafiği Şekil 5’te birlikte sunulmuş, sıralı önem dereceleri Tablo 3’te listelenmiştir. log_Cho baskındır (ortalam |SHAP| = 0,185), onu log_NAA (0,139) ve T1C yoğunluk çarpıklığı (t1c_fo_skew, 0,092) izler. Arı kovanı grafiğinden okunan yönler biyolojik açıdan mantıklıdır. Yüksek log_Cho, tiênayı neoplastik yöne çeker; bu, artmış kolinin çoğalan dokuda hızlanmış membran dönüşümünün bir göstergesi olmasıyla uyumludur; yüksek log_NAA ise karşı yöne çeker ve tümör bylaşmış parankimde kaybedilen canlı nöronların bir belirtisi olarak korunan NAA ile örtüşür.

    Özellik Kaynak Ortalam |SHAP|
    log_Cho OCR MRS 0,185
    log_NAA OCR MRS 0,139
    t1c_fo_skew MRI T1C 0,092

    OCR kaynaklı özellikler, toplam ortalam |SHAP| büyüklüğünün %78,0’ını açıklar.

    Özetle, OCR kaynaklı özellikler toplam ortalam |SHAP| büyüklüğünün %78,0’sını elinde tutarken, %22,0’ı MRI kaynaklı özelliklere kalır. Bu, çalışmanın merkez iddiasını model düzeyinde destekler: birleştirilmiş özellik alanında OCR ile geri kazanılan MRS metabolitleri ayırt edici bilginin çoğunu taşır ve yapısal MRI özellikleri — yararlı olsalar bile — destekleyici bir rol üstlenir.

    3.4 Temizlenmiş MRS metabolit istatistikleri

    OCR çıkarma, sağlıksızlık süzme, oran yeniden hesaplama ve global-medyan eksik değer doldurma işlemleri gerçekleştirildikten sonra, temizlenmiş metabolit istatistikleri Tablo 4’te sınıfa göre tablulanmıştır. Neoplastik lezyonlar, neoplastik olmayanlara göre yaklaşık 3,2 katı Cho ve 2,4 katı Cho/NAA oranı taşır — ikisi de dokuda membran çoğalmasının kabul görsel tablosuyla uyumludur. Standart saplar ortalamalara göre büyüktür; bu durum aynı anda iki şeyi yansıtır: lezyon tipleri arasındaki gerçek biyolojik yayılım ve kısmi OCR kapsamı nedeniyle geride kalan doldurma gürültüsü (Cho 55 hastanın 43’ünde geri gelmiş, Cho/Cr yalnızca 24/55). Bu çarpıklığı yatıştırmak için log dönüşümü getirilmiş ve log_NAA ile log_Cho gibi log varyantları, ham biçimlerine göre belirgin şekilde yüksek ayırt edici F-puanları göstermiştir.

    Metabolit Neoplastik olmayan (n = 17) Neoplastik (n = 38) Birim
    Cho 12,896 [3,512–41,250] (31,647 ± 68,627) 60,800 [21,400–143,000] (101,709 ± 91,761) OCR birimi
    Cr 1,090 [780–2,106] (1,790 ± 6,791) 4,328 [1,510–8,600] (5,887 ± 21,171) OCR birimi
    NAA 4,218 [2,104–8,072] (6,398 ± 9,293) 5,045 [2,806–9,450] (7,313 ± 17,515) OCR birimi
    Cho/NAA 1.09 [0.42–1.24] (1.054 ± 0.789) 2.37 [0.97–2.96] (2.500 ± 3.171) —
    Cho/Cr 1.19 [0.60–1.80] (1.756 ± 3.779) 1.09 [0.42–2.34] (2.343 ± 3.198) —
    NAA/Cr 1.42 [1.06–1.82] (1.428 ± 0.564) 1.05 [0.46–2.05] (1.981 ± 3.114) —

    Bir değerler ortanca [çeyrekler aralığı] biçiminde, yanına da ortalama ± SD olarak verilmiştir; dağılımlar belirgin biçimde sağa eğrik olduğu için (SD’lerin ortalama’lara göre büyük olması, özellikle ham konsantrasyonlarda), ortancalar ortalama’lardan daha bilgilendiricidir. Konsantrasyonlar, PROBE-P dizisi tarafından yazdırılan OCR ile geri kazanılmış tam sayı sinyal değerleridir (kuruma ve tarayıcıya özgü; mutlak mmol/L birimlerine kalibre edilmemiştir); oranlar boyutsuzdur.

    3.5 OCR olmayan temel: dalgaçık dahil etme üzerinden ortadan kaldırma analizi

    Dalgaçık özelliklerinin gerçekten ne kattığını yalıtmak için iki farklı OCR olmayan yapılandırma (OCR ile çıkarılmış metabolit yok; özellik kümeleri Bölüm 2.3’te tanımlanmış) karşılaştırıldı. Dalgaçıkların dahil edildiği 109 özellikli tam küme üzerinde, Artırmalı Boşalım (Gradient Boosting) k = 10 için en iyi sonucu verdi — %70,9 doğruluk, AUC = 0,658, 39/55 doğru sınıflandırma. 47 dalgaçık özelliği çıkarılıp geri kalan 62 özellik üzerinde k ∈ {5, 7, 8, 10, 12} tarandığında sayılar belirgin biçimde yükseldi. Rastgele Orman ve Lojistik Regresyon (C = 0,5) her ikisi de k = 5’te zirveye ulaştı ve her ikisi de %78,2 ham doğruluğa ulaştı.

    Her sınıf için en iyi OCR’siz konfigürasyon (RF, k = 5) şu şekilde okunuyor. Neoplastik olmayan: Doğruluk = 0.67, Duyarlılık = 0.59, F1 = 0.62 (n = 17). Neoplastik: Doğruluk = 0.82, Duyarlılık = 0.87, F1 = 0.85 (n = 38). Genel doğruluk 0.78, makro F1 0.74, ağırlıklı F1 0.78 olarak gerçekleşti. Karışıklık matrisi TN = 10, FP = 7, FN = 5, TP = 33 içeriyor ve %95 güvenirlik aralığı [65.6%, 87.1%]. Doğrulğun dalgacık özellikleri kaldırıldıktan sonra 70.9’dan 78.2%’ye istikrarlı biçimde yükselmesi, N = 55 düzeyinde dalgacık özelliklerinin ayırt edici değerinden çok boyutsal gürültü eklediğini açıkça ortaya koyuyor.

    Daha geniş bir tarama — LR, RF ve SVM’nin yumuşak oylama düzenlemeleri içinde, hiperoparametreleri boyunca birleştirilmesi — aramanın kendisi hesaba katıldığında bu değeri anlamlı bir marjın üzerinde aşemedi. Bu nedenle 78.2% değeri, çok modallı birleştirme sisteminin sonrasında ölçüldüğü non-OCR taban değeri olarak hizmet veriyor. 85.5% çok modallı değer gibi, o da k ve sınıflandırıcıların bir grid’i üzerinden seçilen bir en iyi konfigürasyon değeri olduğu için ikisi türce karşılaştırılabilir, ancak hiçbirisi iç içe geçmiş, yanlılık düzeltmeli bir tahmin değil. Ayrıca uçtan uca derin öğrenme taban değerlerini geride bırakıyor: özel hafif CNN, TinyVGG ve ResNet varyantları konu bazlı çapraz doğrulamalar altında 55–65% bandından hiç çıkamadı.

    3.6 Özellik grubu ortadan kaldırma çalışması

    Her bir özellik kaynağının katkısını ayırt etmek için, dört örtüşmeyen özellik-grubu yapılandırması tek bir sabit sınıflandırıcı (Random Forest, k = 5) ve aynı LOOCV protokolü, kategori içi global-medyan eksik değer doldurma ve varsayılan karar eşiği altında karşılaştırıldı. Ham özellik sayıları sıfır varyans filtrelemesinden önce (Bölüm 2.3) şu şekildedir: (i) yalnızca MRI radyomik ve demografik veri, hiçbir MRS kaynaklı özellik içermeden (46 ham: ilk-derece 20, GLCM 16, şekil 5, güçlenme oranı 3, demografik 2); (ii) yalnızca MRS ekran görüntüsü dokusu (20 ham); (iii) yalnızca OCR ile çıkarılan metabolitler (9 ham: Cho, Cr, NAA, üç oran ve üç log-dönüşümlü varyant); ve (iv) (i) ile (iii)’nin birleşimi (55 ham). (i) satırı katı MRI-tekil temel değeridir; Bölüm 3.5’teki 62 özellikli non-OCR temel değerinden farklıdır, çünkü o, 20 MRS ekran görüntüsü dokusu özelliğini de içerir. Sonuçlar Tablo 5’te verilmiştir.

    Yapılandırma Özellik kaynağı Ham özellik Doğruluk
    (i) Katı MRI-tekil MRI radyomik + demografik 46 78,2%
    (ii) MRS ekran görüntüsü dokusu MRS ekran görüntüsünün image dokusu 20 71,2%
    (iii) Yalnızca OCR metabolitleri Cho, Cr, NAA, oranlar, log-dönüşümler 9 77,3%
    (iv) (i) + (iii) Katı MRI-tekil + OCR metabolitleri 55 85,5%

    Ham özellik sayıları sıfır varyans filtrelemesinden öncedir; her satır için korunan sayı en fazla ham sayı kadar olabilir. Bu satırlar bağımsız olarak oluşturulmuştur ve 62 özellikli non-OCR temel değerinin ya da 71 özellikli çok modlu kümenin (Bölüm 2.3) alt kümesi değildir.

    İ gözlem daha sonra gelir. İlk olarak, (i) ve (iii) birebir karşılaştırılabilir (78,2% ile 77,3%), ancak birleşimleri (iv) %85,5 ile her ikisinden de 7–8 puan üstündür; bu, yapısal MRI ile OCR ile geri kazanılan metabolitlerde tamamlayıcı, yinelenen değil bilgi olduğunu gösterir. İkinci olarak, (ii) en zayıf yapılandırmadır (%71,2); bu da kazancın MRS ekran görüntüsü işlemedeki rastlantısal görüntü düzeyi dokusundan gelmediğini ima eder. Seçim adımından bir tutarlılık noktası daha gelir. k ≤ 5 için, tüm kohort ANOVA sıralaması (Tablo 2), OCR içermeyen setlerin beşinci özelliğini F = 2,99 (T1C GLCM tutarlılığı) değerinde konumlandırır; bu, tüm MRS ekran görüntüsü dokusu özelliklerinden (F ≤ 2,36) hâlâ yüksektir, dolayısıyla seçilen özelliklerin 20 doku sütununun var olup olmamasından bağımsız olarak özünde aynı olması beklenir. Tam MRI yalnızca satırının (i) ile 62 özellikli OCR içermeyen taban değerinin ikisinin de 78,2% vermesinin nedeni budur ve çok modlu satırın (iv) 71 özellikli çok modlu setle karşılaştırılabilir olmasının nedeni de budur. Bu bir tutarlılık argümanıdır, kanıt değil; katman katman seçimler özellik için özellik karşılaştırılmadı.

    3.7 Çok modlu birleştirme: MRI + OCR ile çıkarılan metabolitler

    Temizlenmiş OCR metabolitlerinin ve log-dönüşümlü varyantlarının özellik setine dahil edilmesi (71 özellik, dalgacıklar hariç) sınıflandırmayı baştan sona yükseltti — her sınıflandırıcı, incelenen her özellik seçim değeri için. Seçili LOOCV sonuçları Tablo 6’da, en iyi performansı gösterilen yapılandırmanın ROC eğrisi ve karışıklık matrisi ise Şekil 6’da verilmiştir.

    k Sınıflandırıcı Doğruluk AUC
    — Birincil, yanlılık düzeltilmiş tahmin: İç içe LOOCV (katman başına yapılandırma seçimi) 82,0% —
    3 Araştırmacı en iyi sabit yapılandırma (iyimser): RF 85,5% 0,82

    Gösterilen satır en iyi performansı gösterilen tek yapılandırmadır ve seçim adımı tarafından iyimser biçimde yanlılıktır; iç içe LOOCV sonucu birincil, yanlılık düzeltilmiş tahmindir. Karar eşiği: Varsayılan (0,5).

    3.7.1 Birincil tahmin ile keşif amaçlı en iyi yapılandırma

    İki farklı rakam sunulmakta ve bunlar birbirine karıştırılmamalıdır. Birincil, yanlılık düzeltilmiş tahmin, iç LOOCV ile yalnızca eğitim verisi kullanılarak sınıflandırıcı ailesinin ve k değerinin seçildiği, ayrılan hastanın hiçbir modelleme seçimini etkilemediği 82,0%’lik iç içe LOOCV doğruluğudur. En iyi sabit yapılandırma olan, k = 3 için Orman (Random Forest), kat içi global-median eksik değer doldurma ve varsayılan karar eşiği ile 85,5% doğruluk (55’in 47’si doğru) ve AUC = 0,82 elde etmiştir; bu yapılandırma, skorlandığı aynı 55 tahmine bakılarak bir ızgaradan seçildiği için keşif amaçlıdır ve olumlu yönde yanlıdır; iki rakam arasındaki 3,5 puanlık fark, seçim adımının bunu yaklaşık olarak ne kadar yükselttiğini gösterir (tek bir fark, N = 55 için kendisi de gürültülüdür). En iyi yapılandırmanın karışıklık matrisi TN = 13, FP = 4, FN = 4, TP = 34 değerlerini içermektedir. Sınıf başına ölçümler şunlardır: neoplastik olmayan için kesinlik = 0,76, geri çağırma (duyarlılık) = 0,76 [kesin %95 GA 0,50–0,93], F1 = 0,76 (n = 17); neoplastik için kesinlik = 0,89, geri çağırma (hassaslık) = 0,89 [kesin %95 GA 0,75–0,97], F1 = 0,89 (n = 38); makro F1 = 0,83, ağırlıklı F1 = 0,85. 47/55 doğruluğu için kesin (Clopper–Pearson) %95 güven aralığı [73,3%, 93,5%]’dir. İç içe prosedür, farklı katlarda farklı yapılandırmalar seçmiştir ve bu kat başına seçimler eşlik eden kod çıktısında tablolanmıştır. Baseline için herhangi bir iç içe tahmin hesaplanmamıştır; %78,2’lik baseline da bir en iyi yapılandırma değeridir, bu nedenle iç içe çok modallı tahmin ile baseline arasındaki karşılaştırma (82,0% ile %78,2 arasında, +3,8 puan) daha çok muhafazakârken, iki en iyi yapılandırma değeri arasındaki karşılaştırma (+7,3 puan) olumlu yönde yanlıdır.

    1.000 etiket permütasyonu üzerinden yapılan permütasyon testi, en iyi sabit yapılandırmaya uygulandığında sınıf dengesizliğini ve tesadüfü açıklamaları ortadan kaldırdı: permütasyon ortalaması %55,0 olup ampirik p-değeri < 0,001 olarak bulundu. McNemar’ın kesin testi ardından, aynı 55 hastada temel yapılandırmanın (%78,2 doğruluk) ve çok modlu yapılandırmanın (%85,5 doğruluk) eşli LOOCV kararlarını karşılaştırdı. Çok modlu model lehine b = 6, aleyhine c = 2 uyumsuz çift için exact McNemar testi p = 0,05 sonucunu verdi; bu da α = 0,05’te anlamlılık sınırındadır. Permütasyon testi gibi bu sonuç da iç içe geçmiş tahminlere değil, en iyi yapılandırmanın tahminlerine uygulanır. Bu nedenle sonuç, N = 55 için kesin olmaktan çok yönlendirici olarak okunmalıdır; yön tutarlıdır, ablation (silme) analizi bunu destekler ve kesin istatistiksel bir sonuç için daha büyük bir kohort gereklidir.

    Yeni hastalara veya yeni klinik merkezlere genellenebilirliğine dair herhangi bir iddia öncesinde, bağımsız bir kohort üzerinde doğrulama yapılması gerekmektedir.

    Tablo 7, LOOCV performansını tanı alt tiplerine göre ayrıştıırır. Yüksek dereceli tümörler, keskin şekilde yükselmiş Cho ve yoğun şekilde azalmış NAA’larıyla uyumlu olarak tüm alt tipler arasında en güvenilir biçimde sınıflandırıldı. Alçık dereceli tümörler ardından geldi, nöroplastik olmayan lezyonlar ise en zorlu oldu. Bu sıralama, lezyon tipleri arasındaki metabolik ayrılabilirliğin bilinen gradyanını izler: agresif tümör biyokimyasal açıdan sağlıklı dokuya komşu dokudan uzakta yer alırken, iyi huylu lezyonlar ve alçık dereceli tümörler metabolit alanının örtüşen bölgelerine sıkışır.

    Alt tip Sınıf N Doğruluk
    İyi huylu (nöroplastik olmayan) 0 17 %76,5 (13/17)
    Alçık dereceli tümör 1 8 %75,0 (6/8)
    Yüksek dereceli tümör 1 30 %93,3 (28/30)
    Toplam 55 %85,5 (47/55)

    3.8 Önceden gelen radiomics temeline karşılaştırma

    Tablo 8, önerilen hattı beyin lezyonu ve beyin tümörü sınıflandırması için yaygın olarak kullanılan güncel yöntemlerle karşılaştırır. Literatür, değerlendirme ayrılığı ve modaliteye göre oldukça net biçimde dört gruba ayrılır. A grubu, bu çalışmaya en yakın hastalık düzeyinde MRI çalışmalarını içerir. B grubu, dilim düzeyinde derin öğrenmeye ait olup, binlerce 2D dilimden oluşan kamusal veri setlerinde %96–%99 doğruluk bildirir; bu, 55 olguda hastalık düzeyinde skorlamadan tamamen farklı bir çalışma rejimidir. C grubu ham MRS derin öğrenmesini kapsar; bu çalışmalar render edilmiş ekran görüntüleri yerine spektral sinyallerden veya MRSI hacimlerinden çalışır. D grubu ise neredeyse boştur, çünkü klinik MRS ekran görüntülerinden metabolitleri otomatik olarak geri kazanmak, önceki hatların çok azının üstlendiği bir sorundur.

    Çalışma Yöntem Modalete Veri Seti (N) Doğruluk
    A. Hasta düzeyinde MRI çalışmaları (en yakın metodolojik komşular)
    Guo ve ark. () MMIDFNet (karar birleşimi) MRI (çoklu dizilim) TCGA-LGG (çok merkezli) 87.8%
    Vijithananda ve ark. () GLCM + ANOVA + RF MRI (ADC) Kendi seti (195 hast) 90.4%
    B. Dilim düzeyinde MRI derin öğrenme (farklı değerlendirme ayrıklığı)
    Pereira ve ark. () CNN segmentasyon MRI (çoklu dizilim) BraTS 2013 (~65 hast) 88.0%
    Khan ve ark. () Çok modal CNN + SVM MRI (çoklu dizilim) BraTS 2015 (~274 hast) 97.8%
    Díaz-Pernas ve ark. () Çok ölçekli CNN MRI (T1c) Figshare (3.064 dilim) 97.3%
    Maqsood ve ark. () DNN + çok sınıflı SVM MRI (çoklu dizilim) BraTS 2018/19 96.0%
    Abdusalomov ve ark. () İnce ayarlı CNN MRI (T1/T2) Figshare (3.064 dilim) 99.5%
    Wong ve ark. () Transfer öğrenmeli CNN MRI (T1c) Kaggle (3.264 dilim) 98.1%
    C. Ham-MRS çalışmaları (spektral sinyal, ekran görüntüsü değil)
    Acquarelli ve ark. () MRSI sinyallerinde CNN MRS (ham spektrum) Kendi seti (~280) 86.0%
    Bjørkeli ve ark. () MRSI hacimlerinde DNN MRS (hacimsel) Kendi seti (~132) 80.0%
    D. OCR ile geri kazanılan MRS çalışmaları (bu çalışma)
    Önerilen (OCR olmayan temel) Radiomik + MRS-ekran görüntüsü dokusu + ANOVA + RF MRI + MRS görüntüsü dokusu (OCR yok) Saleh ve ark. () (55 hast) 78.2%
    Önerilen (çok modal) Radiomik + OCR-MRS + RF MRI + OCR ile geri kazanılan MRS Saleh ve ark. () (55 hast) 85.5%

    Gruplar arası doğrudan sayısal karşılaştırma, ayrıntı düzeyindeki, veri kaynağındaki, modaldaki ve protokoldeki farklar nedeniyle sınırlıdır; tablo yalnızca bağlamsallaştırma amacıyla sunulmaktadır.

    3.9 OCR hattının doğrulanması

    Çıkarma güvenilirliğinin nicelendirilmesi için kohorttaki tüm 55 hastanın ham PROBE-P ekran görüntüleriyle manuel karşılaştırma yoluyla doğrulaması yapıldı. Metabolit değerleri insan tarafından transkripsiyon edildi ve OCR çıktısıyla karşılaştırıldı. Metabolit başına doğrulama istatistikleri Tablo 9’da verilmiştir: algılama oranı (manuel olarak okunabilir değerlerin OCR tarafından sıfırdan farklı olarak da geri kazanılan oranı), algılanan çiftler üzerinde Pearson korelasyon katsayısı r, Mutlak Hata Ortalaması (MAE) ve Karekök Karelerin Ortalaması (RMSE). Algılama oranları, Bölüm 2.4’te bildirilen kapsama değerleriyle uyumluydu. Bland–Altman analizi, herhangi bir metabolit için okunabilir aralıkta OCR çıktısının manuel transkripsiyona göre sistematik bir sapma göstermediğini doğruladı.

    Metabolit Algılama Pearson r MAE RMSE
    Cho 43/49 (%88) 0,83 8.214 18.922
    Cr 40/48 (%83) 0,78 1.106 3.081
    NAA 37/47 (%79) 0,87 1.527 3.844
    Cho/NAA 30/38 (%79) 0,91 0,31 0,58
    Cho/Cr 24/36 (%67) 0,77 0,42 0,79
    NAA/Cr 25/35 (%71) 0,84 0,38 0,65
    Ortalama %79 0,85 — —

    Algılama oranı, manuel olarak okunabilir değerlerin OCR tarafından da geri kazanılan oranıdır; MAE, RMSE ve Pearson r, hem manuel hem de OCR değerlerinin mevcut olduğu alt küme üzerinde hesaplanmıştır. Ham konsantrasyonlar için MAE ve RMSE, kaynak ekran görüntüsünün OCR gösterim birimlerinde olup Tablo 4’te kullanılan aynı birimlerdir.

    Bu gürültünün büyük kısmını üç tasarım seçimi absorbe eder: sağlıksız filtre aralık dışı değerleri sıfırlar; kalan sıfırlar, her LOOCV katmanında sınıf etiketlerine başvurulmadan hesaplanan küresel eğitim kümesi medyanlarıyla doldurulur; logaritmik dönüşüm ise geride kalanları sıkıştırır. Çok modalli sinyalin ne kadarının doğrudan OCR kalitesine bağlı olduğunu değerlendirmek amacıyla, OCR ile geri kazanılan değerlerin yerine manuel transkripsiyon edilmiş metabolit değerlerinin kullanıldığı paralel bir LOOCV çalışması daha yürütüldü. Manuel transkripsiyon edilmiş değerler, OCR ile geri kazanılan değerlerin %85,5’ine karşılık %86,6 LOOCV doğruluğu sağladı; bu, yalnızca 1,1 puanlık bir farktır. Bu dar fark, geride kalan OCR çıkarma gürültüsünü doğrudan nicelendirir ve otomatik OCR hattının, çok az emek harcanarak, manuel transkripsiyonun sağlayacağı ayırt edici sinyalin temelde tamamını geri kazandığını göstermektedir.

    3.9.1 Eksiklik ve sınıf

    İmplantasyon stratejisi, eksikliğin kendisi sınıf-korelasyonluysa, ilke olarak sınıf üyeliğiyle etkileşime girebileceğinden, bunu doğrudan nicelendirdik. Metabolit başına eksiklik oranları sınıfa göre şöyleydi: Cho, neoplastik olmayan olguda 4/17 (%24), neoplastik olguda 8/38 (%21); NAA, sırasıyla 5/17 (%29) ve 13/38 (%34); Cho/Cr ise 8/17 (%47) ve 23/38 (%61). Her metabolitin sınıfa göre çapraz tablolanan var/yok durumuna uygulanan Fisher kesin testi, her durumda p > 0,20 döndürdü ve eksiklikle tanı sınıfı arasında anlamlı bir ilişki olmadığını gösterdi. Bu metodolojik açıdan önemlidir: eksiklik sınıf bazında kümelenmediğinden, küresel medyanla implantasyon, hangi değerlerin doldurulduğu hangi değerlerin gözlemlendiğine örüntü aracılığıyla sınıfa ait bilgiyi dolaylı biçimde kodlayamaz.

    4 Tartışma

    Bu çalışmanın temel bulgusu, OCR ile geri kazanılan MRS metabolitlerinin, yapısal MRI radiomiğinin tek başına üretemeyeceği ayırt edici bir sinyal sağladığıdır. İç içe LOOCV altında birincil önyargı-düzeltilmiş tahmin, çok modallı pipeline ile %82,0 doğruluk verdi; en iyi sabit yapılandırması %85,5’e ulaştı; aynı 55 hastalık kohortundaki en iyi yapılandırmalı OCR’siz temel değer ise %78,2 idi. En iyi yapılandırmalı artış, 1.000 permütasyon testi ile desteklenmekte ve sınırda (p = 0,05) McNemar’in kesin testi ile (Bölüm 3.8); bu testler en iyi yapılandırmayı kullandığı ve etiketlerin kendileri MRS’ye dayandığı için (Bölüm 2.1) daha temkinli okuma, iç içe olanıdır. Sonuç, Cho ve NAA’ın sırasıyla membran proliferasyonunu ve nöronal bütünlüğü izlediğine dair klinik anlayışla (1–3) rahatça örtüşmekte ve onu genişletmektedir. SHAP analizi, aynı iki log-dönüşümlü metaboliti, eğitilen modelin kararlarının merkezine yerleştirmektedir. Eğitilen modelin baskın özellikleri ile klinik olarak neoplastik biyoloji ile ilişkilendirilen iki metabolit arasındaki bu uyum, modelin biyolojik açıdan anlamlı bir sinyale dayanıyor olmasıyla tutarlıdır; ancak SHAP, eğitilen modelin davranışının betimleyici bir atamasıdır ve tek başına veri setine özgü korelasyonlara dayalı olabileceğini dışlamaz. Tablo 8, sayıları bağlama oturtmaktadır. Burada bildirilen OCR’siz temel ve çok modallı değerler, diğer hastalıklı MRI çalışmalarına (A Grubu) uymakta, ancak halka açık veri setlerinden binlerce 2D dilim üzerinde çalışan dilim düzeyinde derin öğrenme pipeline’larının doğruluklarının belirgin altında kalmaktadır — bu açıklık, pipeline kalitesinden çok değerlendirme ayrılığından kaynaklanmaktadır. Ve MRS metabolitlerini ham spektral dosyalar yerine klinik ekran görüntüsü resimlerinden geri kazanmayı deneyen türden çok az çalışma bulunmaktadır (D Grubu); ki bu da tam da bu çalışmanın kapatmayı hedeflediği açıklıktır.

    En büyük sınırlama, birleşik MRI ve MRS verilerinin azlığıdır. Burada analiz edilen kohort () yalnızca 55 hastadan oluşmakta ve Irak’ın başkenti Bağdat’taki Al-Andalus Onkoloji Merkezi’nde toplanmıştır; çok az sayıda kamuoyuna açık kaynak arasında, beyin lezyon sınıflandırması için çoklu dizili MRI ile MRS’yi eşleştirenlerden biridir. Bu küçük örneklem, çoğunlukla bir tesadüf değil, iki modonun klinik uygulamada ne kadar nadiren birlikte elde edildiğinin bir yansımasıdır; özellikle MRS donanımına erişimin sınırlı olduğu durumlarda. N = 55 ile geleneksel ayrı tutulmuş bir test bölüştirmesi istatistiksel olarak güvenilir olmaz, dolayısıyla bunun yerine LOOCV kullanılmış ve sızıntı kontrolü zorunlu olmuştur — böyle olmadan, seçim ve eksik veri doldurma yanlıkları bildirilen performansı abartırdı. İkinci sınırlama, OCR adımının kendisinde yatmaktadır: 55 hastanın tümünde geçerlilik sağlandıktan sonra bile bazı alanlar kötü şekilde geri kazanılmaktadır — Cho/Cr yalnızca 55 hastanın 24’ünde okunmuş ve Cho/NAA (r = 0.91) ile manuel transkripsiyonla (r = 0.77) daha az uyumluudur — ve Bölüm 2.4’te betimlenen sağlıktan geçme filtri, küresel ortanca ile eksik veri doldurma ve log dönüşümü, bu artan gürültüyü yalnızca kısmen absorbe etmektedir. Ekran görüntüsü OCR yerine nicel spektral uydurma kullanılsaydı hata kaynağında ortadan kalkardı, ancak mevcut veri seti bunu olanaksız kılmaktadır: yalnızca işlenmiş ekran görüntüleri mevcuttur, ham spektral sinyal dosyaları değildir.

    5 Sonuç

    Bu çalışmanın amacı, MRS metabolik bilgisini otomatik bir beyin lezyon sınıflandırıcısına dahil etmek ve metabolit değerlerini doğrudan render edilmiş PROBE-P spektrum ekran görüntülerinden almak; yaygın olarak yayınlanan hatların çoğunun atladığı bir adım. Bu bilgiler, katmanlı iç-ortalama medyan eksik tamamlama ile LOOCV protokolü altında MRI radyomikleriyle birleştirildiğinde, birincil önyargı düzeltmeli tahminimiz olan iç içe LOOCV altında %82,0 doğruluk ve en iyi sabit yapılandırmasında %85,5 doğruluğa ulaştı; bu son değer, yapılandırmanın skorlandığı veri üzerinde seçilmesi nedeniyle keşif niteliğinde, iyimser bir rakamdır. OCR’siz temel yaklaşım kendi en iyi yapılandırmasında %78,2’ye ulaştığından, en iyi yapılandırmalar arasındaki artış +7,3 puan, iç içe tahmin ile bu temel arasındaki artış ise +3,8 puandır. En iyi yapılandırma sonucu, 1.000 permütasyon testiyle (rastgele etiket ortalaması %55,0, ampirik p < 0,001) ve eşli temel ile çok modlu tahminleri karşılaştıran McNemar’ın kesin testiyle sınırda (p = 0,05) destekleniyor. Log-dönüşümlü iki metabolit olan log NAA (F = 16,01) ve log Cho (F = 12,89) incelenen tüm sıralamalarda öne çıktı ve SHAP ayrışımı modelin içinden aynı sonucu verdi; OCR’dan türetilen özellikler toplam ortalama |SHAP| büyüklüğünün %78,0’ını açıkladı.

    Sınırlı kohort nedeniyle bu rakamlar, dağıtımaya hazır bir sonuçtan çok kavram kanıtı olarak okunmalıdır. 2.1 Bölüm’de tartışılan merkez bir uyarı, manşet artışını yumuşatır: MRS, temel gerçek olarak kullanılan uzman tanı etiketlerinin kendisi bir girdi olduğundan, bu iyileşme en iyi şekilde OCR ile geri kazanılan metabolitlerin sınıflandırıcıya uzman tanı yargısını yeniden üretmede yardımcı olduğuna dair kanıt olarak anlaşılmalı, altta yatan patolojiyle uyumda bağımsız bir iyileşmeye dair kanıt olarak değil. Bu iki yorumu birbirinden ayırmak, MRS’den habersiz şekilde oluşturulmuş MRI yapısından gelen tanı etiketleri ya da biyopsiyle doğrulanmış bir değerlendirme alt kümesi gerektirir; ikisi de burada mevcut değil.

    Doğal sonraki adımlar sırayla sıralanıyor: metabolitleri daha kapsamlı ve daha doğru şekilde geri kazanmak için OCR çıkarımının yerini kantitatif spektral uydurma (örneğin LCModel) alsın; daha büyük veri setlerinin izin verdiği durumlarda derin görüntü birleştirme mimarilerini de içeren, dikkat kapama ile uçtan uca CNN ve 1D-CNN birleştirmesine geçilsin; hassas taramaları tek bir yerde birleştirmeden veri kıtlığını hafifletmek için klinik merkezler arasında eşitlearnme benimsensin ve klinik yararlılık kurulabilsin diye biyopsi ile doğrulanmış gerçek taban, uzunlamasına ilerleme uç noktaları ve hayatta kalma sonuçlarıyla doğrulama yapılsın.

    Açıklamalar

    Veri kullanılabilirliği açıklaması

    Veri seti, Saleh ve ark.’nın çalışmasında halka açık biçimde mevcuttur.

    Yazar katkıları

    MB: Kavramsal tasarım, Metodoloji, Doğrulama, Yazım – özgün taslak. AF: Kavramsal tasarım, Araştırma, Metodoloji, Doğrulama, Yazım – özgün taslak. NK: Kavramsal tasarım, Veri düzenleme, Metodoloji, Doğrulama, Yazım – özgün taslak. NM: Kavramsal tasarım, Metodoloji, Gözetim, Yazım – inceleme ve düzenleme.

    Çıkar çatışması

    Yazar(lar), bu çalışmanın ticari veya olası bir çıkar çatışması biçiminde değerlendirilebilecek herhangi bir finansal ilişki olmadan yürütüldüğünü beyan etti.

    Üretken yapay zeka açıklaması

    Yazar(lar), bu metnin oluşturulmasında Üretken Yapay Zeka kullanılmadığını beyan etti.

    Bu makaledeki şekillerle birlikte sağlanan alternatif metin (alt text) Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içerek doğruluğun sağlanması için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit ederseniz lütfen bizimle iletişime geçin.

    Yayıncının notu

    Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

    Özet

    Anahtar Kelimeler

    beyin lezyen sınıflandırması, dinamik eşitleme, tek-out çapraz doğrulama, MRI radyomik, MRS metabolomik, çok modallı birleştirme

    Atıf

    Balaji M, Fathima A, Khadeeja N ve Maheswari N (2026) Açıklanabilir Yapay Zeka ile MRI Radyomik ve OCR ile Geri Kazanılan MRS Metabolitleri Aracılığıyla Çok Modallı Beyin Lezyen Sınıflandırması Yaklaşımı. Front. Neurol. 17:1978957. doi: 10.3389/fneur.2026.1978957

    Müracaat Tarihi

    26 Ağustos 2026

    Güncelleme Tarihi

    14 Ekim 2026

    Kabul Tarihi

    26 Ekim 2026

    Yayın Tarihi

    12 Kasım 2026

    17 – 2026

    Jinran Wu, Queensland Üniversitesi, Avustralya

    Yidan Chen, Sichuan Üniversitesi Batı Çin Dördüncü Hastanesi, Çin

    Chrispin Jiji, Cambridge Teknoloji Enstitüsü, Hindistan

    © 2026 Balaji, Fathima, Khadeeja ve Maheswari.

    Bu makale, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık olarak dağıtılmıştır. Orijinal yazar(lar)ın ve telif hakkı sahibinin(lerin) atıf edilmesi ve kabul edilen akademik uygulamalara uygun olarak bu dergideki orijinal yayının gösterilmesi şartıyla, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan hiçbir kullanım, dağıtım veya çoğaltma izinlidir.

    Frontiers | Multimodal brain lesion classification approach through MRI radiomics and OCR-recovered MRS metabolites with explainable AI
    Frontiers | Multimodal brain lesion classification approach through MRI radiomics and OCR-recovered MRS metabolites with explainable AI

    *İletişim: N. Maheswari, maheswari.n@vit.ac.in

    Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve değerlendirenlerin görüşlerini kesin olarak yansıtmaz. Bu makalede değerlendirilen veya üreticisi tarafından ileri sürülebilen herhangi bir ürün ya da iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

    İlginizi Çekebilir: Vestibular İmplant, Karmaşık Hareket Bozuklukları için Yeni Bir Periferik Neuromodülasyon Stratejisi Olarak: Bipaliner Vestibüler Disfonksiyon ile İlişkili Parkinson Hastalarında Pilot Çalışma →
    Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler