Keratokonusun progresyonunun saptanmasında yapay zekanın yeri
The role of artificial intelligence in detecting the progression of keratoconus
- Tez No: 882464
- Danışmanlar: PROF. DR. NİLGÜN YILDIRIM
- Tez Türü: Tıpta Uzmanlık
- Konular: Göz Hastalıkları, Eye Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Göz Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 164
Özet
Keratokonus hastalığının erken tanısı kadar progresyonun önceden bilinmesi, tedavi kararı ve takip aralığının belirlenmesi açısından önemlidir. Bu çalışmada progresyon gösteren ve göstermeyen keratokonus hastalarının tanı aldıkları ilk muayenedeki verilerini yapay zekâ modelleri ile değerlendirerek, progresyon riskini önceden göstermeyi amaçladık. Çalışmamıza Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Göz Hastalıkları Kliniği'nde keratokonus tanısı ile takip edilen 325 hastanın 562 gözü dâhil edildi. Hasta dosyaları geriye dönük olarak incelendi. Keratokonus olguları progresyon gösteren ve göstermeyen olarak iki gruba ayrıldı. Hastaların yaş, cinsiyet, takip süresi, olası risk faktörleri ile ilişkili öyküsü, kanda vitamin B12, folat ve homosistein düzeyleri ile görme keskinliği, göz içi basıncı, refraksiyon, Pentacam ve ORA ölçüm değerleri kaydedildi. Pentacam ve ORA sayısal verilerini makine öğrenme modelleri (XGB, LGBM, AVG Blender, Extra Trees, Rastgele Orman ve Lojistik regresyon) için; Pentacam'deki renk kodlu kornea topografi haritalarının 3 farklı alandaki (tüm, 5 mm ve 3 mm) görsellerini derin öğrenme modelleri (YOLOv8L ve YOLOv8X) için kullandık. Makine öğrenme modelleri içinde en başarılı olan XGB modeli olup, bu modelin ROC/AUC skoru 0.683, doğruluk skoru ise 0.667 idi. Derin öğrenmede YOLOv8L modeli tüm kornea alanının ön elevasyon haritasında eğitimde %76 başarı gösterdi. Üç mm kornea alanında YOLOv8L modelinin arka aksiyal sagittal kurvatür haritasında test başarısı %70, duyarlılığı %74 iken; YOLOv8X modelinin arka tanjansiyel kurvatür haritasında test başarısı %70, duyarlılığı %92 idi. Bu çalışmada keratokonus progresyonunu önceden öngörebilme ve/veya erken saptama konusunda orta düzeyde güvenilirliği olan yapay zekâ model başarısı elde ettik. Sonuç olarak keratokonus progresyonu ile ilgili tekrarlanabilirliği daha yüksek parametreleri içeren, aynı hastaya ait birden fazla görselin eğitimde kullanıldığı, fazla sayıda hasta verisini kapsayan yapay zekâ çalışmaları ile daha yüksek başarı elde edilebilir.
Özet (Çeviri)
Knowing the progression in advance, as well as early diagnosis of keratoconus disease, is important in determining the treatment decision and follow-up interval. In this study, we aimed to predict the risk of progression by evaluating the data of progressive and non-progressive keratoconus patients at the first examination with artificial intelligence models. Our study included 562 eyes of 325 patients with diagnosis of keratoconus at Eskişehir Osmangazi University Faculty of Medicine Ophthalmology Clinic. Patient files were examined retrospectively. Keratoconus cases were divided into two groups: those showing progression and those not showing progression. The patients' age, gender, follow-up period, history related to possible risk factors, blood vitamin B12, folate and homocysteine levels, and visual acuity, intraocular pressure, refraction, Pentacam and ORA measurement values were recorded. We used Pentacam and ORA numerical data for machine learning models (XGB, LGBM, AVG Blender, Extra Trees, Random Forest and Logistic regression); images of color-coded corneal topography maps of Pentacam in 3 different areas (whole, 5 mm and 3 mm) for deep learning models (YOLOv8L and YOLOv8X). The most successful among machine learning models was the XGB model, which had a ROC/AUC score of 0.683 and an accuracy score of 0.667. In deep learning model, the YOLOv8L model showed 76% success in training on the front elevation map of the whole corneal area. While the test success rate on the posterior axial sagittal curvature map of the YOLOv8L model in 3 mm corneal area was 70% and the sensitivity was 74%; YOLOv8X model on the posterior tangential curvature map was 70% and its sensitivity was 92%. In this study, we achieved artificial intelligence model success with moderate reliability in predicting and/or early detection of keratoconus progression. As a result, higher success can be achieved with artificial intelligence studies that include more reproducible parameters related to keratoconus progression, use more than one image of the same patient in training, and include a large number of patient data.
Benzer Tezler
- Keratokonus hastalarında yaş, cinsiyet ve kontakt lens tipinin hastalığın progresyonuna etkisi
The effect of age, gender and contact lens type on disease progression in keratoconus patients
YİĞİT KARAŞ
Tıpta Uzmanlık
Türkçe
2023
Göz HastalıklarıHacettepe ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. SİBEL KOCABEYOĞLU
DOÇ. DR. ÖZLEM DİKMETAŞ
- Keratokonus etiyolojisi ve progresyonunda gözyaşı ozmolaritesinin etkisi
The effect of tear osmolarity on the etiology and progression of keratoconus
SEDA KURUOĞLU
Tıpta Uzmanlık
Türkçe
2013
Göz HastalıklarıOndokuz Mayıs ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
DOÇ. DR. İNCİ GÜNGÖR
- Simetrik ve asimetrik keratokonus hastalarında retrobulber kan akımının incelenmesi
Investigation of retrobulbar blood flow in symmetric and asymmetric keratoconus patients
FATMA HURİYE KISA
Tıpta Uzmanlık
Türkçe
2024
Göz HastalıklarıSağlık BakanlığıGöz Hastalıkları Ana Bilim Dalı
DOÇ. DR. MEHMET GÖKHAN ASLAN
DOÇ. DR. HÜSEYİN FINDIK
- Keratokonus hastalarında hızlandırılmış korneal kollajen çapraz bağlama tedavisinin 3 yıllık sonuçları
Three-years results of accelerated corneal collagen crosslinking treatment in keratoconus patients
EMRE AYDEMİR
Tıpta Uzmanlık
Türkçe
2018
Göz HastalıklarıSağlık Bilimleri ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
UZMAN MUSTAFA KOÇ
- Keratokonusta hızlandırılmış kollajen çapraz bağlamada morfolojik ve refraktif sonuçların değerlendirilmesi
Evaluation of morphological and refractive results in keratoconus following accelerated collagen crosslinking
YAĞMUR SEDA YEŞİLTAŞ
Tıpta Uzmanlık
Türkçe
2017
Göz HastalıklarıAnkara ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. ÖZLENEN ÖMÜR UÇAKHAN-GÜNDÜZ