Geri Dön

Dermoskopik görüntüler kullanılarak yapay zeka tabanlı tanı sistemi oluşturulması ve tanı sisteminin asistan eğitimindeki yerinin değerlendirilmesi

Development of an artificial intelligence-based diagnostic system using dermoscopic images and evaluation of the diagnostic system's place in dermatology residency

PDF İndir

  1. Tez No: 869668
  2. Yazar: TUĞÇE ARSLAN
  3. Danışmanlar: PROF. SİBEL DOĞAN GÜNAYDIN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Dermatoloji, Dermatology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Deri ve Zührevi Hastalıklar Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş: Yapay zeka; öğrenme, problem çözme, anlam çıkarma ve hatırlama gibi yeteneklerin makinelere kazandırılması olarak tanımlanmaktadır. Yapay zeka günümüzde hızla gelişen görüntü işleme becerisi kazanmıştır. Dermatolojide tanı koymada kullanılan dermoskopi yönteminde de klinisyenler lezyonların özel olarak çekilen görüntülerini analiz ederek tanı koymaktadır. Yapay zeka ile dermoskopik görüntülerin analizi üzerine çalışmalar bulunmaktadır. Bazı çalışmalarda yapay zeka dermoskopik görüntülere tanı koymada tecrübeli uzman doktorlardan dahi başarılı olarak bulunmuştur. Bu çalışmanın amacı kendi hasta grubumuzun özelliklerini yansıtan dermoskopik görüntüler kullanılarak eğitilmiş bir yapay zekanın dermatoloji uzmanlık eğitiminde araştırma görevlilerinin var olan becerilerine katkısını ortaya koymaktır. Yöntem ve Gereçler: 2013-2023 yılları arasında hastanemizde tanı ve takip amaçlı çekilen dermoskopik fotoğraflar değerlendirildi. Bazal hücreli karsinom, skuamöz hücreli karsinom, melanom, displastik nevus, melanositik nevus, benign keratozlar, aktinik keratoz, dermatofibroma ve vasküler lezyonlar tanılı 4.220 adet görüntüden oluşan veri seti hazırlandı. Bu veri setine literatürde yer alan ISIC 19 açık veri seti eklendi. Bir görüntü işleme yapay zeka algoritması oluşturuldu. Algoritmanın eğitimi ve testinde elde edilen veri seti kullanıldı. Yapay zekanın araştırma görevlilerinin tanı doğruluklarına etkisini araştırmak amacıyla bir ağ uygulaması tasarlandı. Çalışmaya ünitemizde uzmanlık eğitimi alan akademik eğitim takvimi içinde en az bir yıl dermoskopi dersi almış ve en az bir yıllık poliklinikte dermoskopi tecrübesi olan n=17 araştırma görevlisi dahil edildi. Katılımcılara önce kendileri, daha sonra yapay zeka desteği ile yanıtlayacakları her bir tanıdan altışar adet toplam n=54 adet dermoskopik görüntü sorusu uygulama üzerinden yöneltildi. Uygulama üzerinden veriler kaydedildi. Uygun istatistiksel yöntemlerle analiz edildi. Bulgular: Veri seti ISIC19'a ait n=24.731 (%85) dermoskopik fotoğraf ile Hacettepe Üniversitesi (HÜ) hastalarına ait n=4.220 (%15) dermoskopik fotoğraf kullanılarak n=28.951 fotoğraftan oluşturuldu. Yapay zeka n=5.910 fotoğraf ile test edildi. Yapay zekanın tanı koymada 0,91 (%91) doğruluk oranı elde ettiği görüldü. Algoritmanın dengeli doğruluk oranı 0,78 (%78) ve F1 skoru 0,80 olarak hesaplandı. Test setinden hazırlanan 54 soruluk katılımcı değerlendirme testine göre Katılımcıların (n=17) yapay zeka desteği ile doğruluk oranlarındaki değişim bağımlı t testi ile 0,13 (p<0.001) olarak hesaplandı. Yapay zeka desteği ile tüm tanılarda en düşük 0.01 ve en yüksek 0.24 olarak duyarlılık artışı izlendi. Duyarlılıkta en yüksek iyileşme 0,24 (p=0.001) ile bazal hücreli karsinomda görüldü. Bu değeri, 0,20 (p=0.001) ile melanositik nevüs ve 0.19 (p=0.002) ile skuamöz hücreli karsinom değerleri takip ettiği görüldü. Duyarlılık değerindeki en düşük iyileşme değerin ise 0,01 (p=0.773) ile displastik nevüs tanısına ait olduğu hesaplandı. Deneyime göre alt grup analizinde birinci yıl araştırma görevlilerinin yapay zeka desteği ile doğruluk oranları 0,18 (p=0.068) artarak en yüksek değişim değerine sahip olduğu görüldü. İkinci yıl araştırma görevlilerinde yapay zeka desteği ile doğruluk oranı artışı 0,10 (p=0.144); üçüncü yılda 0,12 (p=0.068) ve dördüncü yıl için değişim 0,11 (p=0.042) olarak hesaplandı. Yapay zeka desteğinin sağladığı doğruluk oranı artışının araştırma görevlilerinin deneyim yılı ile anlamlı ilişkisi saptanmamıştır. Sonuç: Çalışmamız yapay zekanın dermatoloji araştırma görevlilerinin dermoskopik görüntüler ile tanı koyma doğruluğunu arttırarak uzmanlık eğitiminin bir parçası olabileceğini göstermiştir. Yapay zeka desteğinin özellikle melanom dışı deri kanserleri öncelikli olmak üzere melanom dahil malign tanılarda duyarlılık artışı sağladığı izlenmiştir.

Özet (Çeviri)

Introduction: Artificial intelligence is defined as endowing machines with abilities such as learning, problem solving, deriving meaning, and remembering. Today, artificial intelligence has rapidly developed image processing capabilities. In dermatology, clinicians diagnose conditions using dermoscopy, a method that involves analyzing specially taken images of lesions. There are studies on the analysis of dermoscopic images with artificial intelligence. In some studies, artificial intelligence has been found to be more successful than experienced specialist doctors in diagnosing dermoscopic images. However, our literature search to date has not found a study evaluating the position of artificial intelligence's successful diagnostic capability, especially in dermatology specialist training. The aim of this study is to demonstrate the contribution of an artificial intelligence trained with dermoscopic images reflecting the characteristics of our own patient group to the existing skills of residents. Methods and Materials: Dermoscopic photos taken for diagnosis and follow up purposes at our hospital between 2013-2023 were evaluated. A dataset consisting of 4,220 images diagnosed with basal cell carcinoma, squamous cell carcinoma, melanoma, dysplastic nevus, melanocytic nevus, benign keratoses, actinic keratosis, dermatofibroma, and vascular lesions was prepared. The ISIC 19 open dataset from the literature was added to this dataset. An image processing artificial intelligence algorithm was developed. The dataset obtained was used for the training and testing of the algorithm. A web application was designed to investigate the effect of artificial intelligence on the diagnostic accuracy of residents. The study included n=17 research assistants who had received at least one year of dermoscopy training in our unit's academic training schedule and had at least one year of clinical experience in dermoscopy. Participants were asked a total of n=54 dermoscopic image diagnosis questions through the our application, first answering themselves and then with the support of artificial intelligence. Data was recorded through the application and the interaction between dermatology assistants and artificial intelligence was analyzed. Findings: The dataset was created using n=24,731 (85%) dermoscopic photos from ISIC19 and n=4,220 (15%) dermoscopic photos from patients at Hacettepe University (HU), totaling n=28,951 photos. The artificial intelligence was tested with n=5,910 photos. It was found that the artificial intelligence achieved a diagnostic accuracy of 0.91 (91%). The balanced accuracy rate of the algorithm was calculated as 0.78 (78%) and the F1 score as 0.80. According to a 54-question participant evaluation test prepared from the test set, the change in accuracy rates of the participants (n=17) with artificial intelligence support was calculated as 0.13 (p<0.001). With artificial intelligence support, the sensitivity increase ranged from a minimum of 0.01 to a maximum of 0.24 across all diagnoses. The highest improvement in sensitivity was observed in basal cell carcinoma with 0.24 (p=0.001). This was followed by melanocytic nevus with 0.20 (p=0.001) and squamous cell carcinoma with 0.19 (p=0.002). The lowest improvement in sensitivity value was calculated as 0.01 (p=0.773) for the diagnosis of dysplastic nevus. In the subgroup analysis according to experience, first-year research assistants had the highest change in accuracy rates with artificial intelligence support, increasing by 0.18 (p=0.068). For second-year research assistants, the increase in accuracy rate with artificial intelligence support was 0.10 (p=0.144); for the third year, it was 0.12 (p=0.068), and for the fourth year, the change was 0.11 (p=0.042). No significant relationship was found between the increase in accuracy rate provided by artificial intelligence support and the research assistants' years of experience. Conclusion: Our study has shown that artificial intelligence using dermoscopic images increased the diagnostic accuracy of dermatology residents. Besides, artificial intelligence support has been observed to increase sensitivity in malignant diagnoses, including melanoma and especially non-melanoma skin cancers.

Benzer Tezler

  1. Tez No

    1011316

    Melanom cilt kanserinin tespiti için derin öğrenme tabanlı optimize edilmiş ve açıklanabilir aı destekli bir yöntem

    Deep learning-based optimized and explaninable ai-supported method for the detection of melanoma skin cancer

    ALİAGHA GULİYEV

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Hitit Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KENAN GENÇOL

  2. Tez No

    685484

    Derin öğrenmeye dayalı yapay zekâ teknikleri kullanılarak dermoskopik görüntülerden melanom tahminini sağlayan bir web arayüzünün geliştirilmesi

    Development of a web interface for estimating melanoma from dermoscopic images using artificial intelligence techniques based on deep learning

    ALİ KAPLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Biyoistatistikİnönü Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMEK GÜLDOĞAN

  3. Tez No

    783838

    Skin lesion classification with machine learning

    Makine öğrenmesi ile cilt lezyonu sınıflandırması

    ESRA SENDEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  4. Tez No

    961901

    Sağlık verileri üzerinde makine öğrenmesi ile hastalık sınıflandırması: RNA-SEQ, Tiroid ve cilt kanseri uygulamaları

    Disease classification on health data using machine learning: Applications on RNA-SEQ, Thyroid, and skin cancer

    FERDİ GÜLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    BiyoistatistikGiresun Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. MELİH AĞRAZ

  5. Tez No

    1005624

    Derin öğrenme yöntemleri ile dermatoloji görüntülerinden deri kanserinin otonom teşhisi

    Autonomous diagnosis of skin cancer from dermatology images using deep learning methods

    SUDE NUR KAHRAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIğdır Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSHAK PAÇAL

Geri Dön