Üretra darlığı tanısında üretrografinin yorumlanmasında ve tedavi planlamasında yapay zekânın yeri
The role of artificial intelligence in the interpretation of urethrography and treatment planning in the diagnosis of urethral stricture
- Tez No: 1018254
- Danışmanlar: DOÇ. DR. MAZHAR ORTAÇ
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Retrograd Üretrografi, Yapay Zekâ, Geniş Dil Modeli, LSE, Rekonstrüktif Üroloji, Tıpta Uzmanlık Eğitimi, Retrograde Urethrography, Artificial Intelligence, Large Language Model, LSE, Reconstructive Urology, Residency Training in Medicine
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaçlar: Bu çalışmanın amacı, anterior üretra darlığı değerlendirmesinde kullanılan retrograd üretrografi (RUG) görüntülerinin LSE (Uzunluk, Segment, Etyoloji) sınıflamasına göre yorumlanmasında Geniş Dil Modeli (GDM) tabanlı yapay zekânın tanısal performansını farklı eğitim sürelerindeki üroloji tıpta uzmanlık öğrencileriyle karşılaştırmaktır. Gereç ve yöntemler: Çalışmanın Faz-1 aşamasında dört farklı GDM uzman uyumu açısından değerlendirilmiş ve en başarılı model (ChatGPT) seçilmiştir. Faz-2'de, 50 hastaya ait preoperatif RUG görüntüleri; yapay zekâ ve üç farklı eğitim seviyesindeki (1., 3. ve 5. yıl) tıpta uzmanlık öğrencisi tarafından LSE parametreleri (uzunluk, segment ve modifiyerler) üzerinden kör şekilde analiz edilmiştir. 2 adet uzmanın yanıtları uyumlu ise altın standart kabul edilmiş; uyumsuz ise gerçek hayat verileri altın standart kabul edilmiştir. İstatistiksel anlamlılık düzeyi p<0,05 kabul edilmiş olup çoklu karşılaştırmalarda Bonferroni düzeltmesi (p<0,016) kullanılmıştır. Bulgular: Yapay zekâ, genel başarı skorunda 1. yıl tıpta uzmanlık öğrencisinden istatistiksel olarak anlamlı düzeyde yüksek (p<0,001); 3. ve 5. yıl tıpta uzmanlık öğrencileriyle ise benzer performans sergilemiştir (p>0,016). Uzmanların radyolojik yorumda uzlaşamadığı (%38) zorlu olgularda yapay zekânın altın standarda uyumu %82'ye ulaşmış; anatomik segment (S) tayininde %74 doğrulukla 1. yıl tıpta uzmanlık öğrencisini (%5) anlamlı şekilde geride bırakmıştır (p<0,001). Sonuçlar: GDM tabanlı yapay zekâ, RUG yorumlamasında cerrahi planlamayı değiştirecek anatomik metrikleri yüksek doğrulukla analiz edebilen güvenilir bir tamamlayıcı klinik araçtır. Özellikle uzmanların net karar veremediği olgularda bağımsız bir doğrulama aracı ve tıpta uzmanlık öğrencilerinin eğitiminde bir araç olarak rekonstrüktif üroloji pratiğine katkı sağlayabilir.
Özet (Çeviri)
Objective: The aim of this study is to compare the diagnostic performance of Large Language Model (LLM)-based artificial intelligence with urology residents of different seniorities in the interpretation of retrograde urethrography (RUG) images used in the assessment of anterior urethral strictures according to the LSE (Length, Segment, Etiology) classification. Materials and methods: In Phase 1 of the study, four different LLMs were evaluated in terms of expert agreement, and the most successful model (ChatGPT) was selected. In Phase 2, preoperative RUG images of 50 patients were blindly analyzed by the AI and three residents of different seniorities (1st-, 3rd-, and 5th-year) based on LSE parameters (length, segment, and modifiers). If the responses of the two experts were concordant, it was accepted as the gold standard; if discordant, real-life data were accepted as the gold standard. The statistical significance level was set at p<0.05, and Bonferroni correction (p<0.016) was used for multiple comparisons. Results: AI showed a statistically significantly higher overall success score than the 1st-year resident (p<0.001); it exhibited similar performance with the 3rd and 5th-year residents (p>0.016). In challenging cases where experts disagreed in radiological interpretation (38%), the AI's agreement with the gold standard reached 82%; it significantly outperformed the junior resident (5%) with 74% accuracy in determining the anatomic segment (S) (p<0.001). Conclusions: LLM-based AI is a reliable complementary clinical tool capable of analyzing anatomical parameters relevant to surgical planning with high accuracy in RUG interpretation. It can be integrated into reconstructive urology practice as an independent verification mechanism, especially in expert disagreements, and as an objective educational tool in resident training.
Benzer Tezler
- Uretra darlıklarında spongiozografinin diğer tanı yöntemleri ile karşılaştırılması
Comparision of spongiosography with the other diagnostic methods in urethral strictures
ADNAN GÜNDOĞDU
- Üretra darliklarinda mikroRNA'larin rolü
Role of microRNAs in urethral stricture
SALİH BÜTÜN
Tıpta Uzmanlık
Türkçe
2023
ÜrolojiPamukkale ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ALİ ERSİN ZÜMRÜTBAŞ
- Perinatal hidronefrozlu olguların tedavi yöntemi ve zamanlamasını belirlemede etkili faktörler
Effectıve factors ın the determınatıon of the treatment method and tımıng ın cases wıth perınatal hydronephrosıs
TUĞBA KARACA
Tıpta Uzmanlık
Türkçe
2011
Çocuk Sağlığı ve HastalıklarıFırat ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. METİN KAYA GÜRGÖZE
- CAKUT'' lu (congenıtal anomalıes of kıdney and urınary tract: Doğumsal böbrek ve üriner sistem anomalileri) çocuklarda sınıflandırma, olası risk faktörleri ve aile ağacının değerlendirilmesi
Classification of CAKUT'(congenital kidney and urinary tract anomalies) and evaluation of possible risk factors and family tree
ELİF KÖSEOĞLU YILDIRIM
Tıpta Uzmanlık
Türkçe
2017
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. AHMET NEVZAT NAYIR
- Antenatal ve neonatal hidronefrozlu olgularda izlem
Follow up of antenatal and neonatally detected hydronephrosis
CEMAL PARLAKGÜMÜŞ
Tıpta Uzmanlık
Türkçe
2012
Çocuk CerrahisiÇukurova ÜniversitesiÇocuk Cerrahisi Ana Bilim Dalı
PROF. DR. ÜNAL ZORLUDEMİR