Geri Dön

Meme kanseri hastalarında yapay zekâ destekli karar sistemlerinin sonuçlarının multidisipliner meme kanseri konsey kararları ile karşılaştırılması

Comparison of ai-assisted decision support system outputs with multidisciplinary breast cancer tumor board decisions in breast cancer patients

PDF İndir

  1. Tez No: 1006770
  2. Yazar: ZEYNEP ÖZDEMİR
  3. Danışmanlar: PROF. DR. VAROL ÇELİK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Genel Cerrahi, General Surgery
  6. Anahtar Kelimeler: Meme kanseri, İnsan-yapay zeka etkileşimi, Human-artificial intelligence interaction
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Cerrahpaşa Tıp Fakültesi
  11. Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmada, postoperatif meme kanseri olgularında Multidisipliner Meme Konseyi (MDK) kararları ile dört farklı yapay zekâ (YZ) tabanlı klinik karar destek aracının Chatgpt-5.0, Gemini, Openevidence ve Singapur YZ önerileri arasındaki uyum ve performansın, karar başlıklarına göre karşılaştırmalı olarak değerlendirilmesi amaçlandı. Gereç ve Yöntem: Retrospektif tasarımla oluşturulan 150 olguluk postoperatif meme kanseri hastalarından oluşan veri setinde MDK kararları referans standart kabul edildi. Her olgu için yapılandırılmış klinik ve patolojik veriler kullanılarak anonimleştirilmiş biçimde dört yapay zekâ aracına Chatgpt-5.0, Gemini, Openevidence ve Singapur YZ standart bir prompt ile sorgu yapıldı. YZ araçlarından; adjuvan kemoterapi, adjuvan radyoterapi, endokrin tedavi, hedefe yönelik tedavi, ikincil cerrahi, Oncotype önerisi ve genetik test önerisi başlıklarında kararlar alındı. Programların MDK ile uyumu, kendi aralarında uyumu ve uyumsuzluğu arttıran faktörler incelendi. Sistemlerin doğruluk, duyarlılık, özgüllük, PPV/NPV ve F1-skoru ile; uyum ise Cohen's kappa ve Gwet's AC1 ile değerlendirildi; ayrıca marjinal farklılıklar McNemar testi ile incelendi. Bulgular: Karar başlıkları arasında belirgin performans heterojenitesi izlendi. Endokrin tedavide tüm araçların doğruluğu yüksek olup en yüksek değer Singapur YZ'de saptandı (%96,575). Adjuvan radyoterapide en yüksek doğruluk yine Singapur YZ'de (%94,074) ve onu Openevidence izledi (%89,041); bu iki araçta uyum düzeyi daha güçlüydü. Hedefe yönelik tedavi kararlarında en yüksek doğruluk ve uyum Openevidence'ta bulundu (doğruluk %93,197; kappa 0,8195) ve bu başlıkta Openevidence ile MDK arasında yönlü fark saptanmadı. Adjuvan kemoterapi kararlarında doğruluklar orta düzeyde seyretti (en yüksek Gemini %65,753; Openevidence %65,493) ve uyum değerleri genel olarak düşüktü. Oncotype önerisinde doğruluk orta düzeyde olup en yüksek Singapur YZ'de (%78,912) gözlendi. Genetik test önerisinde doğruluklar değişken olmakla birlikte uyum ölçütleri zayıf/negatif seyrederek araçlar arası ve MDK ile tutarlılığın sınırlı olabileceğini düşündürdü. İkincil cerrahi kararlarında tüm araçların doğruluğu çok yüksekti (%98,667). Sonuç: YZ tabanlı karar destek araçlarının MDK süreçlerinde performansı karar başlığına göre belirgin biçimde değişmektedir. Endokrin tedavi, cerrahi tedavi ve radyoterapi gibi kılavuzlarla daha doğrudan eşlenebilen alanlarda doğruluk/uyum oranları daha yüksek iken, adjuvan kemoterapi, Oncotype önerisi ve özellikle genetik test önerisi gibi çok değişkenli klinik bağlam ve eşik yorumlaması gerektiren alanlarda uyum düşebilmektedir. YZ'nin sağlıkta hızla popülerleşmesi ve iş akışlarına entegrasyonu; zaman kazancı, iş yükünün azaltılması, hız ve standardizasyon gibi önemli kazanımlar sağlayabilir. Bununla birlikte, eksik girdi verisine duyarlılık, bağlamı kaçırma, eşik kararlarında tutarsızlık, açıklanabilirlik ve izlenebilirlik kısıtlılığı, güncellik, yerel uygulama uyumsuzluğu ve potansiyel hatalı ve uydurma çıktı riski gibi sınırlılıklar nedeniyle bu araçların klinik kararı ikame edecek şekilde değil, klinisyen gözetiminde ve doğrulama temelli bir yardımcı araç olarak konumlandırılması gereklidir.

Özet (Çeviri)

Objective: This study aimed to comparatively evaluate, across decision domains, the agreement and performance of four AI-based clinical decision support tools (Chatgpt-5.0, Gemini, Openevidence, and the Singapore AI system) against Multidisciplinary Breast Tumor Board (MDK) decisions in postoperative breast cancer cases. Materials and Methods: In a retrospective dataset of 150 postoperative breast cancer patients, MDK decisions were accepted as the reference standard. For each case, structured clinical and pathological data were anonymized and queried using a standardized prompt across four AI tools (Chatgpt-5.0, Gemini, Openevidence, and Singapore AI). Recommendations were obtained for adjuvant chemotherapy, adjuvant radiotherapy, endocrine therapy, targeted therapy, re-operation, Oncotype testing, and genetic testing. Agreement with the MDK, inter-tool agreement, and factors associated with discordance were assessed. Classification performance was evaluated using accuracy, sensitivity, specificity, PPV/NPV, and F1-score; agreement was assessed using Cohen's kappa and Gwet's AC1; marginal differences were examined with the McNemar test. Results: Marked heterogeneity in performance was observed across decision domains. For endocrine therapy, all tools showed high accuracy, with the highest value in Singapore AI (96.575%). For adjuvant radiotherapy, Singapore AI again had the highest accuracy (94.074%), followed by Openevidence (89.041%); agreement metrics were stronger for these two tools. In targeted therapy decisions, Openevidence achieved the highest accuracy and agreement (accuracy 93.197%; kappa 0.8195), and no directional difference was detected between Openevidence and MDK decisions. For adjuvant chemotherapy, accuracies were moderate (highest with Gemini 65.753% and Openevidence 65.493%) and agreement measures were generally low. Oncotype recommendations showed moderate accuracy, highest in Singapore AI (78.912%). For genetic testing recommendations, accuracies were variable, while agreement indices were weak/negative, suggesting limited consistency both across tools and with MDK decisions. Re-operation recommendations showed very high accuracy across tools (98.667%). Conclusion: The performance of AI-based decision support tools within MDK processes varies substantially by decision domain. Accuracy/agreement is higher in domains that align more directly with clinical guidelines (e.g., endocrine therapy, surgical decisions, and radiotherapy), whereas agreement decreases in domains requiring multi-factor contextual interpretation and threshold-based judgment (e.g., adjuvant chemotherapy, Oncotype testing, and particularly genetic testing). The rapid popularization of AI in healthcare and its integration into clinical workflows may yield major benefits such as time savings, workload reduction, speed, and standardization. However, due to limitations including sensitivity to incomplete input data, contextual omissions, inconsistency in threshold decisions, constrained explainability and traceability, guideline recency and local-practice mismatch, and the risk of erroneous or fabricated outputs, these tools should be positioned not as replacements for clinical decision-making but as clinician-supervised, validation-oriented supportive aids.

Benzer Tezler

  1. Tez No

    1002821

    CDK 4/6 inhibitörü kullanan metastatik meme kanseri hastalarında sağkalıma etki eden faktörlerin yapay zeka aracılığıyla belirlenmesi

    Identification of factors affecting survival in metastatic breast cancer patients receiving CDK4/6 inhibitors through artificial intelligence

    FEZA BALCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    OnkolojiHacettepe Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. SERCAN AKSOY

  2. Tez No

    988702

    Neoadjuvan kemoterapi alan meme kanseri hastalarında makine öğrenim modelleri kullanılarak patolojik yanıt öngörülebilir mi?

    Can pathological response be predicted using machine learning models in breast cancer patients receiving neoadjuvant chemotherapy?

    SELEN ÖZTÜRK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Genel CerrahiSağlık Bilimleri Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DR. OZAN BARIŞ NAMDAROĞLU

    DR. ÖĞR. ÜYESİ MELİKE KARATAY

  3. Tez No

    880165

    Meme kanseri hastalarında aksiller lenf nodu metastazının değerlendirilmesinde MRI AND F-18 FDG-PET/BT görüntüleri kullanılarak eğitilen yapay zeka modelinin tanısal performansı

    Diagnostic Performance of the Deep Learning Method Trained Using MRI AND F-18 FDG-PET/BT Images in the Evaluation of Axillary Lymph Node Metastasis in Breast Cancer Patients

    YAHYA SELÇUK AYDEDE

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Genel CerrahiSağlık Bilimleri Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    DOÇ. DR. ÜMİT TURAN

  4. Tez No

    887018

    Triple negatif meme kanserli hastalarda neoadjuvan tedaviye yanıtın tedavi öncesi dinamik meme MRG kullanılarak derin öğrenme bazlı yapay zeka desteği ile öngörülmesi

    Prediction of response to neoadjuvant therapy in patients with triple-negative breast cancer using deep learning-based artificial intelligence support with pre-treatment dynamic breast MRI

    RAŞİT EREN BÜYÜKTOKA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. ZEHRA HİLAL ADIBELLİ

  5. Tez No

    978309

    Lokal hastalıklı, bölgesel lenf nodu metastazlı ve uzak metastazlı meme kanserli hastaların ayrımında PET/BT görüntüleri ile derin öğrenmenin kullanılması

    The use of deep learning on PET/CT images to differentiate between local disease, regional lymph node metastatic and distant metastatic breast cancer patients

    ENES KOÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpHatay Mustafa Kemal Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. HASAN İKBAL ATILGAN

Geri Dön