MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE OROFARİNGEAL SKUAMÖZ HÜCRELİKARSİNOMLU HASTALARDA İNSAN PAPİLLOMA VİRÜSÜ (HPV) STATÜSÜN TAHMİNİ

Abstract

Baş ve Boyun Skuamöz Hücreli Karsinomları'nda(HNSCC) tedavi planlaması ve klinik karar verme süreçlerinde, HPV statüsünün doğru bir şekilde saptanması büyük bir önem taşımaktadır. Özellikle orofaringeal karsinomlarda HPV statüsü hastalık evresini değiştirmektedir. HPV statüsü belirlemede birçok laboratuvar test kullanılmaktadır. Bu testlerin hepsi maliyeti yüksektir ve sonuç vermesi için süre gereklidir. HPV statüsünü belirlemede biyopsi örneğinden E6/E7 saptanması altın standarttır ancak günümüzde bu uygulama pratik değildir ve DNA polimer zincir reaksiyonları (PCR) kullanılmasının sensivitesi duyarlığı yüksek özgüllüğü düşüktür. İyileştirilmiş prognoz ve tedaviye yanıtla ilişkili olan HPV ilişkili HNSCC vakaları, kişiselleştirilmiş tedavi yaklaşımlarının uygulanmasını gerektirir. Agresif cerrahi yaklaşımların sağladığı onkolojik kontrol ile bu yöntemlerin potansiyel yüksek morbidite risklerinin dengelenmesi, hekimler için zorlu bir karar noktasıdır. Bu tez çalışmasında, HPV durumunu tahmin etmeye yönelik bir yapay zekâ yaklaşımı sunulmuştur. Çalışma kapsamında, düzensiz ve eksik veriler içeren sınırlı sayıdaki hasta kaydı üzerinden CatBoost, LightGBM ve XGBoost gibi eksik veriye toleranslı modern makine öğrenmesi algoritmaları değerlendirilmiştir. Ayrıca, model performansını iyileştirmek amacıyla genetik algoritma tabanlı hiperparametre optimizasyonu uygulanmıştır. Elde edilen bulgular, veri yapısındaki sınırlılıklara rağmen, önerilen yapay zekâ temelli modellerin HPV statüsünü tahmin etmede kullanılabilir potansiyele sahip olduğunu göstermektedir. Bu çalışma, onkoloji alanında yapay zekânın karar destek sistemlerine entegrasyonunun mümkün olduğunu ve ileri düzeyde geliştirilecek uygulamaların hasta bakım süreçlerine katkı sağlayabileceğini ortaya koymaktadır.

In head and neck squamous cell carcinomas (HNSCC), accurate determination of HPV status plays a critical role in both treatment planning and clinical decision-making processes. Particularly in oropharyngeal cancers, HPV status can significantly influence the staging of the disease. Although several laboratory tests are available for determining HPV status, they are often costly and time-consuming. Detection of E6/E7 mRNA from biopsy samples is considered the gold standard; however, this method is not feasible in clinical practice due to procedural complexity and resource requirements. Furthermore, while polymerase chain reaction (PCR)-based techniques are frequently employed, their sensitivity is high, yet specificity remains relatively low. HPV-positive HNSCC cases, which are associated with better prognosis and therapeutic response, necessitate the implementation of personalized treatment strategies. Clinicians face a challenging decision-making process in balancing the oncological benefits of aggressive surgical interventions with their potential morbidity risks. In this thesis, an artificial intelligence-based approach is proposed to predict HPV status. The study evaluates modern machine learning models—namely CatBoost, LightGBM, and XGBoost—which are known for their tolerance to missing data, using a limited dataset of patient records containing irregularities and incomplete values. Additionally, genetic algorithm-based hyperparameter optimization was employed to enhance model performance. The findings indicate that, despite structural limitations within the dataset, the proposed AI models possess substantial potential for accurately predicting HPV status. This research also highlights the feasibility of integrating artificial intelligence into oncology-focused decision support systems, suggesting that more advanced implementations may offer significant contributions to clinical care pathways in the future.systems in the field of oncology and that advanced applications can contribute to patient care processes.