Akciğer kitlelerinde transtorasik ince iğne aspirasyon biyopsisi (TTİİAB) öncesi pnömotoraks öngörülebilirliğinin derin öğrenme yöntemi ile değerlendirilmesi
Evaluation of pneumothorax predictionability by deep learning method before transtoraci̇c fi̇ne needle aspirati̇on biopsy (TTİİAB) in lung masses
- Tez No: 869676
- Danışmanlar: PROF. DR. ŞÜKRÜ MEHMET ERTÜRK
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Perkütan transtorasik biyopsi (PTB), transtorsik ince iğne aspirasyon biyopsisi(TTİİAB), Pnömotoraks(Px), derin öğrenme
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
GİRİŞ VE AMAÇ: Akciğer kanseri kadınlarda meme kanserini, erkeklerde prostat kanserini takiben en sık görülen ikinci kanserdir. Her iki cinste kansere bağlı ölümlerin en sık nedeninin oluşturmaktadır. Yeni tanımlanan akciğer lezyonlarının kesin tanısı için histopatolojik tanı yani doku örneği gerekmektedir. Histopatolojik tanı için en önemli yöntem BT kılavuzluğunda yapılan perkütan transtorasik biyopsilerdir. PTB'ler minimal invaziv yöntem olmalarına rağmen pnömotoraks, pulmoner hemoraji, hemoptizi gibi komplikasyonlar ile karşılaşılmış olup tariflenen komplikasyon oranları literatür taramasında değişkenlik göstermektedir. Bizim bu çalışmamızdaki amacımız derin öğrenme algoritmaları ile TTİİAB öncesi PTB'nin en sık komplikasyonu olan pnömotoraks öngörülebilirliğinin değerlendirilmesi ve işleme bağlı komplikasyonları öngörerek hasta yönetimi, gözlem süresi ve yatış ihtiyacını planlamak, morbidite ve mortaliteyi azaltmaktır. MATERYAL VE METOD: Retrospektif tarzda olan çalışmamıza, kurumumuz Girişimsel Radyoloji Bilim Dalı'nda BT kılavuzluğunda gerçekleştirilen toplam 403 PTB işlemi dahil edilmiştir. Hastane PACS (Picture Archiving and Communication Systems) sistemimizde 2018-2023 tarihleri arasında TTİİAB yapılmış hastaların görüntüleri tek kesit olarak DİCOM formatında anonimize edilmiş şekilde indirilerek veriler anonimize edilmiş halde derin öğrenme algoritmalarıyla işlenmiştir. Hastaların biyopsi öncesi PTB planlama aşamasında ve PTB sonrası çekilen kontrol BT görüntüleri kullanılmıştır. Çalışmamızda DICOM görüntülerini sınıflandırmak amacıyla VGG-19 algoritması kullanılarak bir derin öğrenme modeli oluşturulmuştur. Öncelikle, mevcut veri kümesi modele tanıtılarak eğitim süreci gerçekleştirilmiştir. Oluşturulan model, test aşamasında ayrılmış olan görüntülerle değerlendirilmiştir. Analiz sürecinde veri önişleme, model oluşturma, eğitim aşaması ve performans değerlendirilmesi şeklinde adımlar uygulanmıştır. BULGULAR: Çalışmamıza 117'si kadın (%29), 286'sı erkek (%71) olgulara uygulanan toplam 403 biyopsi işlemi dahil edilmiştir. PTB uygulanan olguların yaş aralığı 18-92 arasındadır. İşlem yapılan hastalarda Px durumu değerlendirildiğinde işlem yapılan hastaların 271'de (%67) Px gelişmemişken, 132 vakada (%33) Px gelişmesi gözlemlenmiştir. Px gelişen 132 vaka değerlendirildiğinde bu vakaların 76'sında (%58) yatış ihtiyacı olmamış ancak 54 vakada (%42) yatış ihtiyacı gerekmiştir. Px gelişen ve yatış ihtiyacı olan 54 vakanın Px tüpü ihtiyacı değerlendirmesinde hastaların 25'de (%46) sadece yatış ile takibi yeterli bulunmuş olup tüp ihtiyacı gerekmemiştir. Ancak Px gelişen ve yatışı yapılan 29 hastada(%54) Px tüpü takılması ihtiyacı bulunmuştur. Çalışmamızda analiz süreci sonucunda elde edilen sonuçlara göre VGG-19 model %68.7 doğruluk ve 0.68 AUC değerlerine sahiptir. Modelin genel doğruluk oranını ifade eden bu değerler seçilen yöntemin pnömotoraks riskinin öngörülmesinde kabul edilebilir bir başarıya sahip olduğunu göstermektedir. Bununla birlikte, analiz sonucu %52 olarak hesaplanan duyarlılık değeri pozitif vakaların yaklaşık olarak yarsının doğru tahmin edildiğini göstermektedir. Modelin uygulanması sonucunda negatif vakaların %73'ü doğru bir şekilde sınıflandırılmıştır. Bu da seçilen yöntemin negatif vakalar üzerinde daha etkin bir başarıya sahip olması ile ilişkilendirilebilir. Son olarak hassasiyet ve duyarlılık değerleri arasındaki dengeyi ölçmede kullanılan F1 skoru %41 olarak hesaplanmıştır. SONUÇ: Bizim çalışmamızda elde ettiğimiz sonuçlar derin öğrenme tekniklerinin görüntü analizi yaparak PTB işlemi öncesi Px ön görülebilirliğinin başarılı bir şekilde yapabileceğini göstermiş olup bu yönüyle umut vericidir. Gelecek çalışmalar için önerilerimiz çok merkezli daha yüksek ve homojenize örneklem sayılarıyla çalışılacak ve eğitilecek farklı derin öğrenme yöntemleri ile doğruluk oranlarını artırabileceği yönündedir.
Özet (Çeviri)
AIM: Lung cancer is the second most common cancer in women, following breast cancer and prostate cancer in men. It is the most common cause of cancer-related deaths in both genders. For the definitive diagnosis of newly identified lung lesions, histopathological diagnosis, that is, a tissue sample, is required. The most important method for histopathological diagnosis is percutaneous transthoracic biopsies performed under CT guidance. Although PTBs are minimally invasive methods, complications such as pneumothorax, pulmonary hemorrhage, and hemoptysis have been encountered, and the described complication rates vary in the literature review. Our aim in this study is to evaluate the predictability of pneumothorax, the most common complication of PTB, before TTNAB with deep learning algorithms, and to plan patient management, observation period and need for hospitalization by predicting procedure-related complications, and to reduce morbidity and mortality. MATERIALS AND METHODS: A total of 403 PTB procedures performed under CT guidance in our institution's Interventional Radiology Department were included in our retrospective study. In our hospital PACS (Picture Archiving and Communication Systems) system, images of patients who underwent TTIAB between 2018 and 2023 were downloaded as a single section in DICOM format, and the data was processed with deep learning algorithms in anonymized form. Control CT images of the patients taken during the PTB planning phase before biopsy and after PTB were used. In our study, a deep learning model was created using the VGG-19 algorithm to classify DICOM images. First of all, the training process was carried out by introducing the existing data set to the model. The created model was evaluated with the images separated during the testing phase. During the analysis process, steps such as data preprocessing, model creation, training phase and performance evaluation were applied. RESULTS: A total of 403 biopsy procedures performed on 117 female (29%) and 286 male (71%) cases were included in our study. The age range of cases undergoing PTB is between 18-92. When the Px status was evaluated in the patients who underwent the procedure, Px did not develop in 271 (67%) of the patients who underwent the procedure, while Px development was observed in 132 cases (33%). When 132 cases that developed Px were evaluated, 76 of these cases (58%) did not require hospitalization, but 54 cases (42%) required hospitalization. In the evaluation of the Px tube need of 54 cases that developed Px and required hospitalization, it was found that in 25 (46%) of the patients, follow-up only with hospitalization was sufficient and the need for a tube was not required. However, the need for Px tube insertion was found in 29 patients (54%) who developed Px and were hospitalized. According to the results obtained as a result of the analysis process in our study, the VGG-19 model has 68.7% accuracy and 0.68 AUC values. These values, which express the general accuracy rate of the model, show that the selected method has an acceptable success in predicting the risk of pneumothorax. However, the sensitivity value calculated as 52% as a result of the analysis shows that approximately half of the positive cases are predicted correctly. As a result of the application of the model, 73% of negative cases were classified correctly. This can be attributed to the fact that the chosen method has more effective success on negative cases. Finally, the F1 score used to measure the balance between sensitivity and sensitivity values was calculated as 41%. CONCLUSİON: The results we obtained in our study showed that deep learning techniques can successfully predict Px before the PTB procedure by performing image analysis, and are promising in this respect. Our recommendations for future studies are that accuracy rates can be increased with multi-center, higher and homogenized sample numbers, and different deep learning methods to be trained. KEY WORDS: Percutaneous transthoracic biopsy (PTB), transthoracic fine needle aspiration biopsy (TTNAB), Pneumothorax (Px), deep learning
Benzer Tezler
- Akciğer kitlelerinde bilgisayarlı tomografi eşliğinde transtorasik ince iğne aspirasyon biyopsisinin tanısal değeri
Diagnostic value of transthoracic fine needle aspiration biopsy with the computed tomography guidance in lung masses
AHMET SARICA
Tıpta Uzmanlık
Türkçe
2003
Radyoloji ve Nükleer TıpTrakya ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. BİLGE ÇAKIR
YRD. DOÇ. DR. ERCÜMENT ÜNLÜ
- Akciğer kitlelerinde bilgisayarlı tomografi rehberliğinde transtorasik ince iğne ve core biyopsi yöntemi; Teknik, komplikasyonlar ve multidisipliner uyum
Computed tomography guided transthoracic fine needle aspiration biopsy and core biopsy method in lung cancers; Technique, complications and multidisciplinary concordance
EMİN ALBAYRAK
Tıpta Uzmanlık
Türkçe
2018
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. HAKKI MUAMMER KARAKAŞ
- Akciğer kitlelerinde bilgisayarlı tomografi rehberliğinde yapılan perkütan transtorasik ince iğne aspirasyon biopsisinin tanısal değeri
Başlık çevirisi yok
AHMET MESRUR HALEFOĞLU
- Akciğer kitlelerinde biyopsi yapılacak kesimin belirlenmesinde difüzyon ağırlıklı görüntüleme ve görünür difüzyon katsayısı değerlerinin rolü
The role of diffusion-weighted imaging and appparent diffusion coefficint values for determining biopsy region in lung masses
ARZU CANAN
Tıpta Uzmanlık
Türkçe
2014
Göğüs HastalıklarıAbant İzzet Baysal ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. KAMİL GÜREL