Geri Dön

Makine öğrenmesi ve yapay zekâ tabanlı bilgisayar tomografi analizi ile akut apandisit tanısının değerlendirilmesi

Evaluation of acute appendicitis diagnosis with machine learning and artificial intelligence based computed tomography analysis

PDF İndir

  1. Tez No: 833319
  2. Yazar: OSMAN SIBIÇ
  3. Danışmanlar: DOÇ. DR. ERKAN SOMUNCU, DOÇ. DR. SERHAN YILMAZ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Genel Cerrahi, General Surgery
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Kanuni Sultan Süleyman Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 72

Özet

AMAÇ: Akut apandisit (AA), en sık karşılaşılan cerrahi acillerden biri olup, nüfusun %7-8'inde görülmektedir. Zamanında tanı ve tedavisi yapılmaması halinde ciddi morbidite ve mortalite sonuçları olabilmektedir. Tanı genellikle fizik muayene, laboratuvar, ultrasonografi, bilgisayarlı tomografi (BT) yöntemleri ile konulur. Bu çalışmada AA tanısının erken konulması ve perforasyon, apse gibi komplikasyonların önüne geçilmesi için BT görüntülerinde yapay zekâ kullanımının etkinliğini değerlendirmek amaçlanmıştır. GEREÇ VE YÖNTEM: Kanuni Sultan Süleyman Sağlık Uygulama ve Araştırma Merkezi Genel Cerrahi kliniğinde 01 Ocak 2019 ile 31 Haziran 2023 tarihleri arasında akut apandisit tanısıyla opere edilen hastaların BT görüntüleri incelendi. 400 hastanın kaydedilen 1200 BT kesit görüntüsü MobileNet, Resnet, EfficientNet ve Inception yapay zekâ modellerinde değerlendirildi. Model sonuçları hata matrisi kullanılarak ve kategorik değişkenler IBM SPSS istatistik paket programı kullanılarak değerlendirildi. BULGULAR: Çalışma grubunun yaş ortancası 28 (17–88) (IQR: 13) yıl idi ve gruplar arasında yaş parametresi açısından anlamlı fark izlenmedi. Akut apandisit grubunda 266 erkek, 134 kadın hasta ve sağlıklı grupta 269 erkek, 131 kadın hasta mevcuttu. Gruplar arasında cinsiyet parametrei açısından anlamlı fark saptanmadı (p=0,881). Tüm CNN modelleri kıyaslandığında modeller arasında en yüksek doğruluk oranı (0,8) Inception v3, en yüksek kesinlik oranı (0,819515) MobileNet v2 modelinde saptandı. Kesinlik ve duyarlılık arasındaki dengeyi gösteren F-skor değeri en yüksek (0,795745) Inception v3 modelinde saptandı. Sensivite değeri en yüksek (0,7791667) Inception v3 ve spesifite değeri en yüksek (0,8625) EfficientNet b2 modelinde saptandı. SONUÇ: Yapay zekâ ve yapay zekâ ilişkili teknolojiler, bilgisayar bilimleri alanında yaşanan yeni gelişmeler ile günlük hayatta sıklıkla yer almaya devam etmektedir. Çalışmamızda kullanılan modellerde en yüksek sensivite %77 ve en yüksek spesifite %86 olarak saptanmıştır. BT görüntülemesinin yapay zekâ sistemleri ile desteklenmesi halinde AA teşhisi için sensivite, spesifite ve doğruluk değerlerinin artacağını düşünmekteyiz.

Özet (Çeviri)

AIM: Acute appendicitis (AA) is one of the most common surgical emergencies and is seen in 7-8% of the population. If timely diagnosis and treatment are not made, serious morbidity and mortality may occur. Diagnosis is usually made by physical examination, laboratory, ultrasonography and computerized tomography (CT) methods. This study aimed to evaluate the effectiveness of using artificial intelligence in CT images to diagnose AA early and prevent complications such as perforation and abscess. MATERIALS AND METHODS: CT images of patients who were operated on with the diagnosis of acute appendicitis at the General Surgery Clinic of Kanuni Sultan Süleyman Health Application and Research Center between January 1, 2019 and June 31, 2023 were examined. 1200 CT cross-sectional images recorded from 400 patients were evaluated in MobileNet, Resnet, EfficientNet and Inception artificial intelligence models. Model results were evaluated using confusion matrix and categorical variables were evaluated with IBM SPSS statistical package program. RESULTS: The median age of the study group was 28 (17–88) (IQR: 13) years and no significant difference was observed between the groups in terms of age parameters. There were 266 male and 134 female patients in the acute appendicitis group and 269 male and 131 female patients in the healthy group. No significant difference was found between the groups in terms of gender parameters (p=0.881). When all CNN models were compared, the highest accuracy rate (0.8) was found in Inception v3, and the highest accuracy rate (0.819515) was found in MobileNet v2 model. The highest F-score value (0.795745), indicating the balance between precision and sensitivity, was detected in the Inception v3 model. The highest sensitivity value (0.7791667) was detected in the Inception v3 model and the highest specificity value (0.8625) was detected in the EfficientNet b2 model. CONCLUSION: Artificial intelligence and artificial intelligence-related technologies continue to take part frequently in daily life with new developments in the field of computer science. In the models used in our study, the highest sensitivity was found to be 77% and the highest specificity was 86%. We think that if CT imaging is supported by artificial intelligence systems, the sensitivity, specificity and accuracy values for AA diagnosis will increase.

Benzer Tezler

  1. Tez No

    798730

    Metastaz tanısı için çoklu radyomik verileri ile yapay zeka tabanlı karar destek sistemi oluşturulması

    Creating an artificial intelligence based decision support system with multiple radiomic datas for the diagnosis of metastasis

    EMİNE ACAR AKKAYA

    Doktora

    Türkçe

    Türkçe

    2023

    OnkolojiDokuz Eylül Üniversitesi

    Onkoloji Ana Bilim Dalı

    PROF. DR. ENDER BERAT ELLİDOKUZ

    PROF. DR. YASEMİN BAŞBINAR

  2. Tez No

    546544

    Emotion aware artificial intelligence for cognitive systems

    Bilişsel sistemler için duygu farkındalıklı yapay zeka

    DEĞER AYATA

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  3. Tez No

    434152

    Investigation of deep learning approaches for biomedical data classification

    Biyomedikal veri sınıflandırmasında derin öğrenme yaklaşımlarının araştırılması

    ESRA MAHSERECİ KARABULUT

    Doktora

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGAY İBRİKÇİ

  4. Tez No

    842068

    Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

    Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

    MERVE BEGÜM TERZİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  5. Tez No

    863776

    Nazal kitlelerin bilgisayarlı tomografi görüntüleri kullanılarak radyomik tabanlı sınıflandırılması: sinonazal inverted papillom, antrokoanal polip ve nazal polipin karşılaştırmalı analizi

    Radiomics-based classification of nasal masses using computerized tomography images: comparative analysis of sinonasal inverted papilloma, antrochoanal polyp and nasal polyp

    MUHAMMED FAZIL ARAS

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Kulak Burun ve BoğazSağlık Bilimleri Üniversitesi

    Kulak Burun Boğaz Hastalıkları Ana Bilim Dalı

    DR. FATİH TETİK

Geri Dön