Sıvı bazlı servikal sitolojide tarayıcıdan bağımsız derin öğrenme yaklaşımı – çok merkezli kantitatif bir analiz
A scanner-independent deep learning approach for liquid- based cervical cytology: A multi-center quantitative analysis
- Tez No: 1013185
- Danışmanlar: PROF. DR. MUSTAFA CANER AKÜNER
- Tez Türü: Doktora
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tüm slayt görüntüleme teknolojisi aracılığıyla gerçekleştirilen otomatik servikal kanser taraması, erken teşhis süreçlerinde büyük bir potansiyel sunmaktadır. Ancak tarama cihazlarının çeşitliliği gibi faktörler, genellikle yalnızca küçük ve homojen halka açık veri setleri üzerinde eğitilen yapay zeka modellerinin klinik uygulanabilirliğini sınırlayan kritik zorluklar yaratmaktadır. Özellikle alan kayması olarak bilinen bu problem, modellerin gerçek dünya verilerinde başarısız olmasına neden olmaktadır. Bu doktora tez çalışması, söz konusu alan kayması problemini çözmek amacıyla, gerçek dünya klinik heterojenliğini yansıtan çeşitli ve çok kaynaklı bir veri yapısından yararlanarak, sıvı bazlı Pap Smear sitolojisi için güçlü bir otomatik sınıflandırma çerçevesi sunmaktadır. Çalışma kapsamında standart halka açık veri havuzlarını içeren, bunun yanı sıra iki farklı sağlık merkezinden toplanan ve farklı tarama sistemleri kullanılarak dijitalleştirilen 416 WSI'lık özgün bir veri setini birleştiren kapsamlı bir veritabanı oluşturulmuştur. Analiz sürecinde, veri setindeki görüntüler Bethesda Sistemi kriterlerine uygun olarak NILM, LSIL, HSIL ve ASC-USolmak üzere dört ana tanısal kategoride sınıflandırılmıştır. İlgili tüm klinik alt sınıflar bu dört ana başlık altında toplanarak, Derin Öğrenme tabanlı mimarilerin eğitimi için birleşik ve kapsamlı bir yapı sağlanmıştır. Modellerin farklı tarayıcı ve merkez varyasyonlarına karşı genelleme yeteneğini değerlendirmek için, güncel CNN'ler ile transfer öğrenme yöntemleri uygulanmıştır. Önerilen yaklaşım, temel referans modellere kıyasla üstün performans göstermiştir. Elde edilen bulgulara göre ResNet50 modeli test setinde 0.91 doğruluk, 0.91 duyarlılık ve 0.91 F1-skoru elde ederek en başarılı model olarak öne çıkmış EfficientNetB0, VGG16 ve MobileNetV2 mimarilerini tutarlı bir şekilde geride bırakmıştır. Çalışmanın kritik bulgusu, çok merkezli özgün verilerin ve hiyerarşik sınıf yapısının eğitim sürecine dahil edilmesinin, tarayıcı kaynaklı varyasyonlara karşı modelin dayanıklılığını anlamlı ölçüde artırmasıdır. Bu sonuçlar, alan kaymalarını hafifletmek için çeşitli ve çok merkezli verilerin entegrasyonunun etkinliğini vurgulamakta ve servikal kanser taraması için klinik olarak uygulanabilir yapay zeka tanı araçlarının geliştirilmesine yönelik güvenilir bir yol haritası sunmaktadır.
Özet (Çeviri)
Fully automated cervical cancer screening enabled by whole-slide imaging technologies offers substantial potential to strengthen early detection pathways. However, the heterogeneity of scanning devices and acquisition protocols creates critical barriers to clinical deployment of artificial intelligence models, which are often trained on small, homogeneous public datasets. In particular, the resulting domain shift frequently causes models to underperform on real-world data, limiting their reliability in routine practice. To address this challenge, this doctoral research proposes a robust automated classification framework for liquid-based Pap smear cytology by leveraging a diverse, multi-source dataset that reflects real-world clinical heterogeneity. A comprehensive database was constructed by integrating standard public data repositories with an original dataset comprising 416 whole-slide images collected from two distinct healthcare centers and digitized using different scanning systems. During analysis, all images were labeled according to the Bethesda System and consolidated into four primary diagnostic categories NILM, ASC-US, LSIL, and HSIL by aggregating relevant clinical subtypes under these umbrella classes. This unified and comprehensive class structure was designed to support consistent training of deep learning–based architectures. To evaluate generalization across scanner- and site-specific variations, state-of-the-art convolutional neural networks were trained using transfer learning strategies. The proposed approach consistently outperformed baseline reference models. Among the evaluated architectures, ResNet50 achieved the strongest performance on the test set, with 0.91 accuracy, 0.91 sensitivity, and a 0.91 F1-score, surpassing EfficientNetB0, VGG16, and MobileNetV2 in a stable manner. A key finding is that incorporating original multi- center data and a hierarchical class aggregation strategy into the training pipeline markedly improves model robustness against scanner-induced variability. Overall, these results underscore the effectiveness of integrating diverse, multi-center data to mitigate domain shift and provide a credible roadmap for developing clinically deployable AI diagnostic tools for cervical cancer screening.
Benzer Tezler
- Kolposkopik biyopsi sonucunda CIN1, CIN2, CIN3 veya invaziv kanser saptanan olgularda anal sıvı bazlı sitoloji sonuçlarının değerlendirilmesi
Evaluation of anal liquid based cytology results in cases detected with CIN1, CIN2, CIN3or invasive cancer as a result of colposcopic biopsy
TUBA ALPTEKİN KARAPOLAT
Tıpta Uzmanlık
Türkçe
2024
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. HAKAN GÜRASLAN
- HPV tiplerine göre sitolojide morfolojik bulgular
Morphological findings in cytology based on HPV types
BERFİN EKİN YILDIZ
Tıpta Uzmanlık
Türkçe
2023
PatolojiSağlık Bilimleri ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
DOÇ. DR. NERMİN KOÇ
- Iraklı kadınlarda servikal sürme örneğinin sıvı bazlı sitoloji hazırlanmasında yüksek risk tipleri olan insan papilloma virüsünün tespiti için kromojen etiketli içerisinde hibritizasyon (CISH) yaklaşımı
Chromogen labeled in situ hybridization (CISH) approach for detection of high risk types human papillomavirus in liquid based cytology preparation of cervical smear in lraqi women
HATEM NADHIM OWAID AL-ISAWI
Doktora
Türkçe
2024
BiyolojiÇankırı Karatekin ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. ÖZCAN ÖZKAN
DR. ÖĞR. ÜYESİ MAYSAA GHAZİ JUMAA
- Sıvı bazlı sitoloji materyalinde human papilloma virus araştırılması
Prevalence of high-risk human papilloma virus in liquidbased cervical samples from Turkish women
HATİCE ŞENELDİR
Tıpta Uzmanlık
Türkçe
2015
PatolojiSağlık Bilimleri ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
DOÇ. DR. GÖZDE KIR
- Human papilloma virus (HPV) pozitif servikal sitoloji negatif hastalarda servikal preinvaziv lezyon sıklığının araştırılması
Başlık çevirisi yok
ORKAN DÖNMEZ
Tıpta Uzmanlık
Türkçe
2017
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
UZMAN NEDİM TOKGÖZOĞLU