Geri Dön

Aksiyel spondiloartritin erken tanısı için yapay zekâ tabanlı klinik karar destek sistemi

An artificial intelligence-based clinical decision support system for the early diagnosis of axial spondyloarthritis

PDF İndir

  1. Tez No: 1020539
  2. Yazar: FATİH TARAKCI
  3. Danışmanlar: DOÇ. DR. İLKER ALİ ÖZKAN
  4. Tez Türü: Doktora
  5. Konular: Romatoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Rheumatology, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Erken teşhis, Spondiloartrit, Yapay zeka, Early diagnosis, Spondylarthritis, Artificial intelligence
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Aksiyel spondiloartrit (axSpA), erken dönemde özgül klinik bulguların sınırlı olması, kronik bel ağrısı gibi yaygın yakınmalarla karışabilmesi ve görüntüleme bulgularının uzman yorumu gerektirmesi nedeniyle tanısal gecikmenin sık görülebildiği kronik inflamatuar romatizmal bir hastalıktır. Yapılan çalışmalarda axSpA'nın özellikle radyografik yapısal değişiklikler henüz ortaya çıkmadan önce saptanmasının güç olduğu ve erken dönemde tanısal belirsizliğin yüksek seyrettiği vurgulanmaktadır. Erken tanı, hastalık progresyonunun yavaşlatılması, fonksiyonel kaybın azaltılması ve uygun tedaviye zamanında başlanması açısından kritik öneme sahiptir. Bununla birlikte axSpA tanısı çoğu zaman tek bir klinik, laboratuvar veya görüntüleme bulgusuna dayandırılamamakta; sakroiliak eklem manyetik rezonans görüntüleme (MRG) bulgularının klinik ve laboratuvar verileriyle birlikte değerlendirilmesini gerektirmektedir. Literatürdeki çalışmaların çoğunlukla tekil görüntüleme sekanslarına, kesit düzeyindeki tahminlere veya görüntüleme bulgularını klinik ve laboratuvar verileriyle bütünleştirmeyen modelleme yaklaşımlarına odaklanması, hasta düzeyinde bütünleşik ve açıklanabilir klinik karar destek sistemlerine (KKDS) duyulan ihtiyacı artırmaktadır. Bu tez çalışması, çok sekanslı MRG verilerinin romatolojik, klinik ve laboratuvar bulguları ile hasta düzeyinde entegrasyonunu temel alan bir KKDS geliştirmeyi ve bu sistemin axSpA'nın erken tanısındaki rolünü incelemeyi amaçlamaktadır. Bu doğrultuda, axSpA grubu (n=193) ve axSpA dışı kontrol grubu (n=174) olmak üzere toplam 367 katılımcıya ait veriler değerlendirilmiştir. Her katılımcıya ait T1-ağırlıklı, T2-ağırlıklı, STIR ve PD-ağırlıklı sakroiliak eklem MRG sekanslarından elde edilen toplam 28.447 görüntü kesiti analiz kapsamına alınmıştır. Görüntü tabanlı sınıflandırmada VGG16, ResNet50, DenseNet121 ve InceptionV3 gibi transfer öğrenme tabanlı derin öğrenme (DÖ) modelleri kullanılmıştır. Ayrıca sakroiliak eklem bölgesine özgü örüntülerin düşük parametreli ve kompakt bir mimariyle öğrenilmesini sağlamak amacıyla SacroNet modeli geliştirilmiştir. DÖ modelleri tarafından kesit düzeyinde üretilen axSpA olasılık skorları, önerilen Dinamik Top-K ortalama stratejisi ile hasta düzeyi axSpA olasılık skoruna dönüştürülmüştür. Klinik ve laboratuvar değişkenleri kullanılarak lojistik regresyon modeli aracılığıyla hasta düzeyinde klinik risk skoru hesaplanmıştır. Daha sonra bu skor, DÖ modellerinden elde edilen görüntü tabanlı axSpA olasılık skoru ile birleştirilmiş ve böylece her hasta için nihai karar skoru oluşturulmuştur. Elde edilen nihai skor, belirlenen eşik değer temel alınarak axSpA ve axSpA dışı sınıflarına dönüştürülmüştür. Model kararlarının yorumlanabilirliğini artırmak amacıyla Grad-CAM aktivasyon haritalarından yararlanılmış, axSpA olarak sınıflandırılan hastalarda aktif inflamasyon alanlarının belirlenmesi ve görselleştirilmesi amacıyla MDC-UNet modeli kullanılmıştır. Bulgular, T1-ağırlıklı sekans üzerinde eğitilen VGG16 modelinin AUC açısından 0.920, doğruluk açısından ise 0.878 değerine ulaşarak en yüksek görüntü tabanlı sınıflandırma performansını sağladığını göstermektedir. SacroNet ise düşük parametreli yapısına rağmen hasta düzeyinde karşılaştırılabilir bir sınıflandırma performansı sunmaktadır. Görüntü tabanlı axSpA olasılık skorunun klinik risk skoruyla birleştirilmesi, özellikle karar sınırına yakın olgularda hasta düzeyindeki karar yapısını güçlendirmektedir. Segmentasyon bulguları, MDC-UNet'in STIR ve T2-ağırlıklı sekanslarda aktif inflamasyon alanlarını dengeli ve kararlı biçimde temsil edebildiğini ortaya koymaktadır. Sonuç olarak bu tez çalışması, axSpA'nın erken tanısında çok sekanslı MRG bulguları, klinik risk skoru ve açıklanabilir yapay zekâ bileşenlerini hasta düzeyinde bütünleştiren bir KKDS yaklaşımının klinik karar sürecini destekleyici sonuçlar üretebildiğini göstermektedir.

Özet (Çeviri)

Axial spondyloarthritis (axSpA) is a chronic inflammatory rheumatic disease in which diagnostic delays are common due to the limited presence of specific clinical findings in the early stages, the possibility of confusion with common complaints such as chronic lower back pain, and the need for specialist interpretation of imaging findings. Studies have highlighted that axSpA is particularly difficult to detect before radiographic structural changes become apparent, and that diagnostic uncertainty is high in the early stages. Early diagnosis is of critical importance in terms of slowing disease progression, reducing functional loss, and initiating appropriate treatment in a timely manner. However, a diagnosis of axSpA cannot usually be based on a single clinical, laboratory or imaging finding; it requires the evaluation of sacroiliac joint magnetic resonance imaging (MRI) findings in conjunction with clinical and laboratory data. The fact that most studies in the literature focus on individual imaging sequences, slice-level predictions, or modelling approaches that do not integrate imaging findings with clinical and laboratory data has increased the need for integrated and interpretable clinical decision support systems (CDSS) at the patient level. This thesis aims to develop a CDSS based on the integration of multi-sequence MRI data with rheumatological, clinical, and laboratory findings at the patient level, and to investigate the role of this system in the early diagnosis of axSpA. To this end, data from a total of 367 participants comprising an axSpA group (n=193) and a non-axSpA control group (n=174) were evaluated. A total of 28,447 image slices obtained from T1-weighted, T2-weighted, STIR and PD-weighted sacroiliac joint MRI sequences for each participant were included in the analysis. In image-based classification, transfer learning-based deep learning (DL) models such as VGG16, ResNet50, DenseNet121 and InceptionV3 were used. Additionally, the SacroNet model was developed to ensure that patterns specific to the sacroiliac joint region are learned using a low-parameter, compact architecture. The axSpA probability scores generated at the slice level by the deep learning models were converted into patient-level axSpA probability scores using the proposed Dynamic Top-K averaging strategy. A clinical risk score at the patient level was calculated using a logistic regression model based on clinical and laboratory variables. This score was then combined with the image-based axSpA probability score obtained from the DL models, thereby creating a final decision score for each patient. The resulting final score was converted into axSpA and non-axSpA classes based on a defined threshold value. Grad-CAM activation maps were utilised to enhance the interpretability of the model's decisions, the MDC-UNet model was used to identify and visualise areas of active inflammation in patients classified as axSpA. The findings indicate that the VGG16 model, trained on T1-weighted sequences, achieved the highest image-based classification performance, reaching an AUC of 0.920 and an accuracy of 0.878. SacroNet, despite its low-parameter structure, offers comparable classification performance at the patient level. The integration of the image-based axSpA probability score with the clinical risk score strengthens the decision-making framework at the patient level, particularly in cases close to the decision threshold. Segmentation findings reveal that MDC-UNet can represent areas of active inflammation in a balanced and stable manner on both STIR and T2-weighted sequences. In conclusion, this thesis demonstrates that a CDSS approach integrating multi-sequence MRI findings, clinical risk scores and interpretable artificial intelligence components at the patient level can generate results that support the clinical decision-making process in the early diagnosis of axSpA.

Benzer Tezler

  1. Tez No

    875237

    A deep-learning approach for the diagnosis of ankylosing spondylitis

    Ankilozan spondilit tanısı için derin öğrenme yaklaşımı

    MISAGH ASGARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    BiyomühendislikBahçeşehir Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. LAVDİE RADA ÜLGEN

  2. Tez No

    452871

    İnflamatuvar bel ağrısının tanımlanmasında yeni uluslararası spondiloartrit değerlendirme cemiyeti [assessment of spondyloarthritis ınternational society (Asas)] kriterlerinin performansının gözden geçirilmesi

    Performance of different criteria sets for inflammatory back pain in patients with axial spondyloarthritis with and without radiographic sacroiliitis.

    DİLEK SOLMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    RomatolojiDokuz Eylül Üniversitesi

    Dahiliye Ana Bilim Dalı

    PROF. DR. NURULLAH AKKOÇ

  3. Tez No

    688655

    Ailesel akdeniz ateşi ve aksiyel spondiloartrit birlikteliği olan hastaların demografik, klinik ve radyolojik özelliklerinin tek başına ailesel akdeniz ateşi ve tek başına aksiyel spondiloartrit olan hastalarla karşılaştırılması

    Comparison of demographic, clinical and radiological features of patients with axial spondyloarthritis accompanying familial mediterranean fever and patients with familial mediterranean fever and patients with axial spondyloarthritis

    MURAT KİRACI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    RomatolojiHacettepe Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ LEVENT KILIÇ

    PROF. DR. UMUT KALYONCU

  4. Tez No

    816709

    Aksiyel spondiloartropati ve non-radyografik aksiyel spondiloartropati hastalarının klinik, demografik özellikleri ve yaşam kalitesinin karşılaştırılması

    Comparison of clinical, demographic characteristics and quality of life of patients with axial spondyloarthropathy and non-radiographic axial spondyloarthropathy

    FATMA NUR IŞKIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Fiziksel Tıp ve RehabilitasyonMersin Üniversitesi

    Fiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı

    PROF. DR. GÜNŞAH ŞAHİN

  5. Tez No

    762233

    Spondiloartrit tanılı hastalarda kostovertebral, kostotransvers, sternoklavikular ve manibriosternal eklem tutulumunun incelenmesi

    Investigation of costovertebral, costotransverse, sternoclavicular and manibriosternal joint involvement in patients diagnosed with spondyloarthritis

    EMİNE BÜŞRA ATA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    RomatolojiHacettepe Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. UMUT KALYONCU

Geri Dön