Kolposkopik biyopsi sonuçlarının yapay zeka kullanılarak hpv tipi ve servikal sitoloji subgrubuna göre prediksiyonu
HPV type of colposcopic biopsy results using artificial intelligence and cervical cytology prediction according to subgroup
- Tez No: 849358
- Danışmanlar: PROF. DR. ÖZLEM MORALOĞLU TEKİN
- Tez Türü: Tıpta Uzmanlık
- Konular: Kadın Hastalıkları ve Doğum, Obstetrics and Gynecology
- Anahtar Kelimeler: Artificial intelligence, Machine learning, Hpv, Colposcopy, Pap smear
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Kadın Hastalıkları ve Doğum Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Amaç: Servikal premalign lezyonlar ve servikal kanser Human Papillomavirus'e (HPV) bağlı olarak gelişmekte olup ciddi bir halk sağlığı sorunu teşkil etmektedir. Servikal smear ve HPV genotip testleri ile servikal kanser tarama programı yapılmakta olup, amaç yüksek riskli hastalarda kolposkopik değerlendirme ile servikal premalign lezyonların tanısını koyarak progresyona zaman vermeden eksizyonel tedaviler uygulayarak servikal kanseri önlemektir.[1] Bu çalışmada jinekolojik onkoloji polikliniğine başvuran ve kolposkopi yapılan 4652 hastanın HPV genotip ve servikal smear subgrup sonuçları 30/70, 20/80 ve 10/90 oranları ile makine öğrenmesine öğretilmiştir.Bu öğrenilen sonuçlar ile makine öğrenmesi ile bir formül geliştirilmiş olup toplumsal bazda histopatolojik sonuçların prediksiyonu amaçlanmıştır. Gereç ve Yöntem: Sağlık Bilimleri Üniversitesi Ankara Bilkent Şehir Hastanesi Kadın Hastalıkları ve Doğum Hastanesi Jinekolojik Onkoloji Cerrahisi Polikliniğine 1 Ocak 2018 ve 1 Haziran 2021 tarihleri arasında kolposkopik biyopsi yapılan toplam 4652 hasta; HPV genotiplerine göre 10 alt gruba, ECC sonrası patolojilere göre 12 alt gruba, Punch sonrası patolojilere göre 12 alt gruba, servikal smear sitoloji sonucuna göre 10 alt gruba ayrılmıştır. Bu ayrılan alt gruplara göre her hastanın sonuçları makine öğrenmesine öğretilmiştir. Elde edilen veriler uç veri ve eksik değerlerden arındırılmıştır. Bu işlemler sonucunda 1921 hasta değerlendirmeye alınmıştır. HPV ve Sitoloji sonuçlarından hareketle ECC sonrası patoloji ve Punch biyopsi sonrası patoloji sonuçları dört farklı makine öğrenmesi yöntemiyle tahmin edilmiştir. Bulgular: Bu çalışmada kolposkopik biyopsi yapılan 4652 hasta dahil edildi.Bu hastaların hpv genotip ve/veya hpv genotip-servikal smear sonuçları ile kolposkopik biyopsi sonrası ecc ve punch biyopsi sonuçlarını retrospektif olarak hasta dosyalarından kaydedildi ve yapay zeka modaliteleri kullanılarak karşılaştırıldı.Veriler uç veri ve eksik değerlerden arındırıldı ve 1921 hasta ile çalışıldı. HPV genotip ve servikal smear sub gruplarına göre kolposkopik biyopsi sonuçlarının prediksiyonunu incelemeyi ve bu analizler dahilinde toplumsal bazda yüksek riskli ve düşük riskli hpv genotip ve/veya hpv genotip-servikal smear birlikteliği tespit edildi. Çalışmamızda yapay zeka ve makine öğrenmesi metotları kullanıldı. Ayrıca rastgele orman ve karar ağacı yöntemleri ile, her bir parametreyi subgruplar altında adım adım karşılaştırarak verilerin girdi olarak alınmasından sonra gizli katmanlar şeklinde karşılıklı gruplar oluşturarak çıktı şeklinde beklenen sonucu prediksiyon esasına göre yapıldı. Bu işlemler sonucunda ele alınan 1921 hastada HPV ve Sitoloji sonuçlarından hareketle ECC sonrası patoloji ve Punch biyopsi sonrası patoloji sonuçları sıralanan dört farklı makine öğrenmesi yöntemi ile tahmin edilmiştir. Bunlar; rastgele orman (random forest lerner), karar ağacı (decision tree lerner), naive bayes lerner ve gradyon Artırma (gradient boosted tree lerner) yöntemleridir. Bu modaliteler kullanılarak yapılan çalışmamızda yöntemlerin kullanılmasında KNIME 4.7 veri analiz platformu kullanılmıştır. Tüm metotlarının uygulanmasında 3 farklı öğrenme oranı kullanılmıştır. Bunlar; 30/70, 20/80 ve 10/90 şeklindedir. Bu oranların açıklaması şu şekildedir: incelenmekte olan %70-80-90 oranındaki veriler ile modele öğretilmekte kalan %30-20-10'u ile model test edilmektedir. Sonuçlar: Yaygın bir halk sağlığı problemi olan ve hpv pozitifliği olan hastalarda kolposkopi gibi bir işlem kümülatif orana bakıldığında ciddi bir iş gücü kaybı ve artan maliyete neden olmaktadır. Çalışmamızda Ecc ve punch biyopsi sonuçları predikte edilmeye çalışılmıştır. Sisteme göre 4 ayrı makine öğrenmesi modeli kullanılarak ve 3 ayrı öğrenme yöntemi ile yapılan analizlerde kesinlik, 0.45 civarında tespit edilmiştir. Tahmin ile veri seti arasındaki uyuşmayı gösteren Cohen's kappa katsayısı ECC patoloji sonuçları için 0.1'den düşük tespit edilmiştir.Cohen's kappa katsayısının 0.1'den düşük , kesinlik değerlerinin 0,45 civarında gelmesi bu analizlerin makine öğrenmesinin bu araştırmadaki gücünün yüksek olduğunu ifade etmektedir. Çalışmamızı güçlendirmek için çok daha fazla veri setine, eksiksiz hasta sonuçlarına ve takibine ihtiyaç vardır.Makine öğrenmesine ne kadar girdi verilirse makinenin bunu o kadar öğrenmesi ve o kadar yüksek doğrulukla tahmin etmesi mümkün olacaktır. İstatiksel analiz dışında tıbbın birçok alanında yapay zeka kullanılarak verimlilik artırılabilir. Ancak bu konu ile ilgili daha fazla çalışmaya ihtiyaç duyulmaktadır. Anahtar kelime: Yapay Zeka, Makine Öğrenmesi, Hpv, Kolposkopi, Pap smear
Özet (Çeviri)
Purpose: Cervical premalignant lesions and cervical cancer develop due to Human Papillomavirus (HPV) and constitute a serious public health problem. A cervical cancer screening program is carried out with cervical smear and HPV genotype tests, and the aim is to prevent cervical cancer by diagnosing cervical premalignant lesions with colposcopic evaluation in high-risk patients and applying excisional treatments without giving time to progression. In this study, the HPV genotype and cervical smear subgroup results of 4560 patients who applied to the gynecological oncology outpatient clinic and underwent colposcopy were taught to machine learning with the ratios of 30/70, 20/80 and 10/90. With these learned results, a formula was developed with machine learning and it was aimed to predict histopathological results on a social basis. Materials and Methods: Health Sciences University Ankara Bilkent City Hospital Women's a total of 4652 patients who underwent colposcopic biopsy at the Gynecological Oncology Surgery Polyclinic of the Diseases and Obstetrics Hospital between January 1, 2018 and June 1, 2021; It is divided into 10 subgroups according to HPV genotypes, 12 subgroups according to post-ECC pathologies, 12 subgroups according to post-Punch pathologies, and 10 subgroups according to cervical smear cytology results. According to these separated subgroups, the results of each patient were taught to machine learning. The obtained data was cleared of extreme data and missing values. As a result of these procedures, 1921 results were taken into consideration. Based on HPV and Cytology results, post-ECC pathology and post-Punch pathology results were predicted with four different machine learning methods. Results: In this study, 4560 patients who underwent colposcopic biopsy were included. The hpv genotype and/or hpv genotype-cervical smear results of these patients and the ecc and punch biopsy results after colposcopic biopsy were recorded retrospectively from the patient files and compared using artificial intelligence modalities. The data are extreme data and Missing values were eliminated and 1921 patients were examined. We aimed to examine the prediction of colposcopic biopsy results according to HPV genotype and cervical smear subgroups, and within the scope of these analyses, high-risk and low-risk HPV genotype and/or HPV genotype-cervical smear association was detected on a social basis. Artificial intelligence and machine learning methods were used in our study. In addition, by using random forest and decision tree methods, by comparing each parameter step by step under subgroups, the expected result in the form of output was predicted by creating mutual groups in the form of hidden layers after taking the data as input. As a result of these procedures, based on HPV and Cytology results in 1921 patients, post-ECC pathology and Punch biopsy pathology results were predicted by the four different machine learning methods listed. These are Random Forest Lerner, Decision Tree Lerner, Naive Bayes Lerner and Gradient Boosted Tree Lerner methods. In our study using these modalities, KNIME 4.7 data analysis platform was used to use the methods. In the next section, the analysis results will be given and discussed. Three different learning rates were used in the application of all methods. These; They are 30/70, 20/80 and 10/90. The explanation of these ratios is as follows: the model is taught with 70-80-90% of the data being examined, and the model is tested with the remaining 30-20-10%. Conclusion: A procedure such as colposcopy in HPV-positive patients, which is a common public health problem, causes serious workforce loss and increased costs when looking at the cumulative rate. In our study, we tried to predict Ecc and punch biopsy results. According to the system, the accuracy was determined to be around 0.45 in the analyzes made using 4 different machine learning models and 3 different learning methods. Cohen's kappa coefficient, which shows the agreement between the prediction and the data set, was found to be lower than 0.1 for ECC pathology results. The fact that Cohen's kappa coefficient is lower than 0.1 and precision values are around 0.45 indicates that the power of machine learning in these analyzes is high in this research. Much more data sets, complete patient results and follow-up are needed to strengthen our study. The more input is given to machine learning, the more the machine will be able to learn and predict with higher accuracy. Apart from statistical analysis, efficiency can be increased by using artificial intelligence in many areas of medicine. However, more studies are needed on this subject.
Benzer Tezler
- HPV DNA bakılan hastaların smear ve kolposkopik biyopsi sonuçlarının retrospektif değerlendirilmesi
Retrospective evaluation of the results of smear and coloscopic biopsy in patients with HPV DNA test
YASEMİN ÇETER
Tıpta Uzmanlık
Türkçe
2017
Kadın Hastalıkları ve DoğumDicle ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
YRD. DOÇ. DR. ELİF AĞAÇAYAK
YRD. DOÇ. DR. FATİH MEHMET FINDIK
- Servikal biyopsi sonucu CIN II-III olan hastaların preoperatif MRI değerlendirmeleri ile nihai biyopsi sonuçlarının karşılaştırılması
Comparison of preoperative MRI evaluations and final biopsy results of patients with CIN II-III on cervical biopsy
ELİF UYSAL
Tıpta Uzmanlık
Türkçe
2023
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. MURAT EKİN
- HPV16-HPV18 ve diğer HPV+ hastalarda smear endoservikal küretaj ve kolposkopi sonuçlarının değerlendirilmesi
Evaluation of smear endoservical curetage and colposcopy results in HPV16-HPV18 and other HPV + patients
ASİYE KARAYEL
Tıpta Uzmanlık
Türkçe
2021
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. EMRE SİNAN GÜNGÖR
- Servikal lezyonların tanınmasında kolposkopik muayenede hpv tiplerinin ve endoservikal küratajın önemi
The importance of hpv genotypes and endoservical curettage for evoluation of cervical lesions in colposcopic examination
İREM YAMAN RUHİ
Tıpta Uzmanlık
Türkçe
2018
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. ZEHRA MELTEM PİRİMOĞLU
- HPV 16 ve 18 pozitif ile diğer tip HPV pozitifhastaların kolposkopik histopatoloji bulgularının karşılaştırılması
Başlık çevirisi yok
ESRA KARAALİ
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ARZU YAVUZ