Geri Dön

Otoimmün hepatitte antinükleer antikor durumunun öngörülmesi için çok-modlu makine öğrenimi: Laboratuvar değerleri ile patoloji raporlarının doğal dil işleme entegrasyonu

Multi-modal machine learning for predicting antinuclear antibody status in autoimmune hepatitis: Integrating natural language processing of laboratory values and pathology reports

PDF İndir

  1. Tez No: 1015452
  2. Yazar: YUSUF ÜSAME DURMUŞ
  3. Danışmanlar: PROF. DR. TAYYİBE SALER, DOÇ. DR. CEM ŞİMŞEK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: İç Hastalıkları, Internal diseases
  6. Anahtar Kelimeler: Otoimmün Hepatit, Makine Öğrenimi, Doğal Dil İşleme, Antinükleer Antikor, Açıklanabilir Yapay Zekâ, Çok-Modlu Veri Entegrasyonu, Autoimmune hepatitis, machine learning, natural language processing, antinuclear antibody, explainable artificial intelligence, multi-modal data integration
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Adana Şehir Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: İç Hastalıkları Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

ÖZET Otoimmün Hepatitte Antinükleer Antikor Durumunun Öngörülmesi için Çok-Modlu Makine Öğrenimi: Laboratuvar Değerleri ile Patoloji Raporlarının Doğal Dil İşleme Entegrasyonu Giriş ve Amaç: Klinik pratikte yapılandırılmamış serbest metin şeklinde sunulan patoloji raporları, makine öğrenimi modellerine entegrasyon zorluğu nedeniyle dijital sağlık verisi olarak genellikle geleneksel analiz yöntemleriyle doğrudan ve etkin bir şekilde işlenememektedir. Bu çalışmanın amacı, klinik olarak otoimmün hepatit (OİH) şüphesi bulunan hastalarda, rutin laboratuvar parametreleri ile Türkçe patoloji raporlarından Doğal Dil İşleme (NLP) yöntemiyle süzülen histopatolojik özellikleri entegre eden çok-modlu bir makine öğrenimi modeli geliştirmek ve bu modelin serolojik antinükleer antikor (ANA) durumunu öngörmedeki başarısını bir kavram kanıtı olarak değerlendirmektir. Yöntemler: Çalışmaya, kliniğimizde OİH şüphesiyle karaciğer biyopsisi uygulanmış 99 hastadan oluşan farklı klinik fenotipleri barındıran retrospektif bir hasta kohortu dahil edildi. Yapılandırılmamış Türkçe patoloji raporlarındaki serbest metin verileri, kural tabanlı bir NLP boru hattı kullanılarak sayısallaştırıldı ve 12 majör histopatolojik özellik elde edildi. Hastaların demografik, biyokimyasal ve hematolojik parametreleri ile NLP tabanlı özellikleri birleştirildi. Rastgele Orman (RF), Gradyan Artırma (GB) ve Lojistik Regresyon (LR) algoritmaları, 10 katlı çapraz doğrulama yöntemiyle(n:74) eğitildi. Modellerin ayırt etme gücü bağımsız bir test setinde (n=25) test edildi. Model kararlarının klinik ve biyolojik doğrulaması Açıklanabilir Yapay Zekâ tabanlı SHAP (Shapley Additive exPlanations) analizi ile gerçekleştirildi. Bulgular: Tek değişkenli analizlerde; ANA pozitif grupta serum IgG (p<0,001), AST (p<0,001), ALT (p=0,002) ve Total Bilirubin (p=0,018) düzeyleri ile NLP ile süzülen“otoimmün”ifadesi (p<0,001; Cohen's d=1,24), interfaz hepatit derecesi (p<0,001; Cohen's d=1,18), plazma hücresi infiltrasyonu (p<0,001; Cohen's d=1,05) ve hepatosit rozetleri (p<0,001; Cohen's d=1,01) istatistiksel olarak ileri düzeyde anlamlı şekilde yüksek ve çok büyük etki büyüklüklerine sahip bulundu. Sadece laboratuvar verilerine dayalı modellerin test kümesindeki ROC-AUC değerleri 0,691–0,731 aralığında kısıtlı kalırken; NLP tabanlı patoloji özelliklerinin eklenmesiyle tüm modellerin performansı dramatik düzeyde arttı. En başarılı algoritma olan RF (Lab+NLP) modeli; test setinde %83,2 doğruluk, %80,0 duyarlılık, %86,4 özgüllük, 0,828 F1-skoru ve 0,891 ROC-AUC değeri sergiledi. SHAP analizi, küresel öngörüde en yüksek ağırlıkların serum IgG (0,142), patolojideki“otoimmün”ifadesi (0,118) ve AST (0,115) değişkenlerinde olduğunu göstererek tıbbi literatür kurallarıyla tam bir klinik uyum ortaya koydu. Sonuç: Geliştirilen çok-modlu makine öğrenimi modeli, heterojen ve şüpheli bir klinik popülasyonda bile, serbest metin patoloji verilerini başarıyla anlamlandırarak yüksek bir tanısal öngörü başarısına ulaşmıştır. Bu çalışma, yapay zekanın yapılandırılmamış klinik dilden tıbbi kuralları okuyarak öğrenebileceğini kanıtlamaktadır. Model, gelecekte biyopsi öncesi non-invaziv verilere uyarlanarak gereksiz invaziv girişimlerin önüne geçebilecek, klinik olarak açıklanabilir vizyoner bir karar destek sistemi potansiyeline sahiptir.

Özet (Çeviri)

ABSTRACT Multi-Modal Machine Learning for Predicting Antinuclear Antibody Status in Autoimmune Hepatitis: Integrating Natural Language Processing of Laboratory Values and Pathology Reports Background and Aims: In clinical practice, pathology reports presented as unstructured free text often cannot be directly and effectively processed through traditional analysis methods due to the challenges of integrating them into machine learning workflows. The aim of this study is to develop a multimodal machine learning model that integrates routine laboratory parameters with histopathological features extracted from Turkish pathology reports using natural language processing (NLP) and to evaluate its performance in predicting serological antinuclear antibody (ANA) status as a proof of concept in patients with clinical suspicion of autoimmune hepatitis (AIH). Methods: A retrospective patient cohort comprising 99 patients with diverse clinical phenotypes who underwent liver biopsy due to suspected AIH at our clinic was included in the study. Unstructured text data from Turkish pathology reports were digitized using a rule-based NLP pipeline to extract 12 major histopathological features. Patients' demographic, biochemical, and hematological parameters were merged with these NLP-based features. Random Forest (RF), Gradient Boosting (GB), and Logistic Regression (LR) algorithms were trained using a 10-fold cross-validation method (n=74). The discriminative power of the models was evaluated on an independent test set (n=25). Clinical and biological validation of the model decisions was executed using Explainable Artificial Intelligence based SHAP (Shapley Additive exPlanations) analysis. Results: In univariate analyses; serum IgG (p<0.001), AST (p<0.001), ALT (p=0.002) and Total Bilirubin (p=0.018) levels, along with NLP-extracted features including the presence of the term“autoimmune”(p<0.001; Cohen's d=1.24), interface hepatitis grade (p<0.001; Cohen's d=1.18), plasma cell infiltration (p<0.001; Cohen's d=1.05), and hepatocyte rosetting (p<0.001; Cohen's d=1.01) were found to be statistically significantly higher in the ANA-positive group, exhibiting very large effect sizes. While models based solely on laboratory data remained limited with ROC-AUC values ranging between 0.691 and 0.731 on the test set, the addition of NLP-based pathology features led to a dramatic increase in the performance of all models. The most successful algorithm, the RF (Lab+NLP) model, achieved an accuracy of 83.2%, 80.0% sensitivity, 86.4% specificity, an F1-score of 0.828, and a ROC-AUC value of 0.891 on the independent test set. SHAP analysis demonstrated that the highest global predictive weights belonged to serum IgG (0.142), the NLP-extracted“autoimmune”phrase (0.118), and AST (0.115), revealing perfect clinical validation with established medical literature guidelines. Conclusions: The developed multimodal machine learning model successfully comprehended free-text pathology data and achieved high predictive performance, even within a heterogeneous and suspected clinical population. This study provides proof of concept that artificial intelligence can effectively read and learn medical rules directly from unstructured clinical language. By adapting to non-invasive pre-biopsy data streams in the future, this model holds significant potential as a clinically explainable, visionary decision support system that could prevent unnecessary invasive procedures.

Benzer Tezler

  1. Tez No

    729537

    Otoimmün hepatitte inflamatuar belirteçler ve hastalık prognozunu belirlemedeki yerlerinin retrospektif değerlendirilmesi

    Retrospective evaluation of inflammatory markers in autoimmune hepatitis and their place in determining the prognosis of the disease

    VOLKAN BALKAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    GastroenterolojiBursa Uludağ Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. MAHMUT ENVER DOLAR

  2. Tez No

    390101

    Kronik hepatit C hastalarında otoimmün hepatit belirteçlerinin sıklığı ve tedaviye yanıt ile ilişkisi

    Prevelance of autoantibody positivity and the clinical significance of the presence of autoantibodies on the treatment response of chronic hepatitis C patients

    GÜLÇİN ŞAHİNGÖZ ERDAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Gastroenterolojiİstanbul Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ALİ İBRAHİM HATEMİ

  3. Tez No

    493368

    2010-2017 tarihleri arasında otoimmün hepatit tanılı erişkin hastaların retrospektif olarak epidemiyolojik değerlendirilmesi

    Epidemiological evaluation of retrospective in adults with autoimmune hepatitis between 2010-2017 dates

    AYTÜL COŞAR ERTEM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    GastroenterolojiUludağ Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. MACİT GÜLTEN

  4. Tez No

    158119

    Primer biliyer siroz ve primer biliyer siroz+otoimmun hepatit çakışma sendromu ile ilişkili otoimmun hastalıklar

    Başlık çevirisi yok

    MUAMMER KARADENİZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2005

    RomatolojiEge Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ.DR. FULYA GÜNŞAR

  5. Tez No

    755033

    HCV RNA pozitif kronik hepatit C hastalarında otoantikor prevalansı

    The prevalance of autoantibody in patients with HCV RNA positive chronic hepatitis C

    RABİYE ALTINBAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2009

    MikrobiyolojiSağlık Bakanlığı

    Tıbbi Mikrobiyoloji Ana Bilim Dalı

    DR. NÜKHET KURULTAY

Geri Dön