Geri Dön

Yama testi sonuçlarının yapay zeka kullanılarak değerlendirilmesi

Evaluating patch test results using artificial intelligence

PDF İndir

  1. Tez No: 1011052
  2. Yazar: DİLAYDA KAYAPINAR
  3. Danışmanlar: PROF. DR. ZAFER TÜRKOĞLU
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Dermatoloji, Dermatology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Başakşehir Çam ve Sakura Şehir Hastanesi
  11. Ana Bilim Dalı: Deri ve Zührevi Hastalıklar Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın amacı, Avrupa Standart Yama Testi Serisi görüntülerinin otomatik değerlendirilmesine yönelik YOLO tabanlı nesne tespiti ve CNN tabanlı sınıflandırma modellerini içeren iki aşamalı bir derin öğrenme pipeline'ı geliştirmek; geliştirilen modelin dermatolog konsensüsüyle uyumunu istatistiksel olarak değerlendirmektir. Gereç ve Yöntem: Başakşehir Çam ve Sakura Şehir Hastanesi Dermatoloji Kliniği'nde Ocak 2024 – Nisan 2026 tarihleri arasında 30 alerjenlik Avrupa Standart Yama Testi Serisi uygulanan 200 hasta retrospektif olarak değerlendirilmiştir. Görüntüler 48., 72. ve 96. saatlerde akıllı telefon kameraları ile elde edilmiştir. Üç aşamalı deneysel tasarımda; Senaryo 1'de tek geçişli (Yol A) YOLO mimarileri, Senaryo 2'de iki aşamalı patch düzeyi, Senaryo 3'te iç bölge düzeyi pipeline değerlendirilmiştir. Toplam 13 farklı model karşılaştırılmıştır. Model performansı, üç bağımsız dermatologun konsensüs değerlendirmesiyle Cohen's Kappa ve Wilcoxon işaretli sıra testi kullanılarak analiz edilmiştir. Bulgular: Senaryo 1'de YOLOv10n 0,8832 [email protected] ve 0,8370 makro F1 skoru elde ederek en yüksek performansı sergilemiştir. Senaryo 2'de YOLOv11s 0,9939 [email protected] ile en yüksek patch tespit hassasiyetine, EfficientNet-B0 ise 0,831 makro F1 skoru ile en iyi sınıflandırma performansına ulaşmıştır. Klinik doğrulama analizinde (n = 1.161, 40 hasta, 30 alerjen), yapay zekâ modelinin dermatolog konsensüsüyle kuadratik ağırlıklı Cohen's Kappa değeri κ = 0,946 (%95 GA: 0,901–0,978) olarak hesaplanmıştır. Tüm 30 alerjende κ ≥ 0,80 eşiği korunmuştur. Modelin makro F1 skoru 0,957, genel doğruluğu ise %98,97 olarak belirlenmiştir. Sonuç: Geliştirilen iki aşamalı yapay zekâ pipeline'ı, yama testi görüntülerinin değerlendirilmesinde dermatolog konsensüsüyle mükemmel düzeyde uyum sergilemiştir. CNN tabanlı mimariler (EfficientNet, ResNet) transformer tabanlı mimarilere kıyasla tutarlı biçimde üstün performans göstermiştir. Standart akıllı telefon görüntülerinin kullanılması, sistemin günlük klinik pratiğe ve teledermatoloji uygulamalarına entegrasyon potansiyelini desteklemektedir.

Özet (Çeviri)

Objective: The aim of this study was to develop a two-stage deep learning pipeline incorporating YOLO-based object detection and CNN-based classification models for automated evaluation of European Standard Patch Test Series images, and to statistically assess the agreement of the developed model with dermatologist consensus. Materials and Methods: 200 patients who underwent the 30-allergen European Standard Patch Test Series at Başakşehir Çam ve Sakura City Hospital Dermatology Clinic between January 2024 and April 2026 were retrospectively evaluated. Images were captured at 48, 72, and 96 hours using smartphone cameras. Three experimental scenarios were assessed: Scenario 1 using single-pass YOLO architectures (Path A), Scenario 2 using a two-stage patch-level pipeline, and Scenario 3 using an inner-region-level pipeline. A total of 13 architectures were compared. Model performance was analyzed against consensus evaluations from three independent dermatologists using Cohen's Kappa and the Wilcoxon signed-rank test. Results: In Scenario 1, YOLOv10n achieved the highest performance with 0.8832 [email protected] and a macro F1 score of 0.8370. In Scenario 2, YOLOv11s reached the highest patch detection precision (0.9939 [email protected]), while EfficientNet-B0 achieved the best classification performance (0.831 macro F1). In the clinical validation analysis (n = 1,161; 40 patients, 30 allergens), the quadratic weighted Cohen's Kappa between the AI model and dermatologist consensus was κ = 0.946 (95% CI: 0.901–0.978). The κ ≥ 0.80 threshold was maintained across all 30 allergens. The model achieved a macro F1 score of 0.957 and an overall accuracy of 98.97%. Conclusion: The developed two-stage AI pipeline demonstrated excellent agreement with dermatologist consensus in patch test image evaluation. CNN-based architectures (EfficientNet, ResNet) consistently outperformed transformer-based models. The use of standard smartphone images supports the potential for integration into daily clinical practice and teledermatology applications.

Benzer Tezler

  1. Tez No

    933271

    Deep learning model based on artificial intelligence for detection and classification of asphalt distress

    Asfalt bozulmalarının tespiti ve sınıflandırılması için yapay zekâ tabanlı derin öğrenme modeli

    MUHAMMET FATİH SADAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH HİLMİ LAV

  2. Tez No

    849758

    Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması

    Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques

    OSMAN YAVUZ ALTUNTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriGebze Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSMAİL ÇÖLKESEN

  3. Tez No

    737853

    Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar

    Densely connected structures in deep learning based image denoising

    VEDAT ACAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  4. Tez No

    1020452

    Yapay zeka ile yama (patch) ve deri delme (Skin Prick) test sonuçlarının nesnel yorumlanması: Dermatolog görüşleriyle uyum analizi

    Artificial intelligence–based objective evaluation of patch and Skin Prick Test results: An analysis of agreement with dermatologist assessments

    BURCU ÖZATA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    DermatolojiSağlık Bilimleri Üniversitesi

    Deri ve Zührevi Hastalıklar Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YILMAZ ULAŞ

  5. Tez No

    1020346

    6G uygulamaları için mikroşerit yama anten parametrelerinin yapay zeka ile optimizasyonu

    Optimization of the parameters of microstrip antennas for 6G applications using artificial intelligence

    SEMİH PAK

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHAMMET TAHİR GÜNEŞER

Geri Dön