Klinik ve radyolojik olarak akut akciğer emboli tanısı konulanhastalarda derin öğrenme algoritmalarının tanı başarısı
Clinically and radiologically diagnosed acute pulmonary embolismdiagnostic success of deep learning algorithms in patients
- Tez No: 903495
- Danışmanlar: PROF. DR. MUSTAFA ERELEL
- Tez Türü: Tıpta Uzmanlık
- Konular: Göğüs Hastalıkları, Chest Diseases
- Anahtar Kelimeler: Akciğer Embolisi, Yapay Zeka, BTPA, Pulmonary Embolism, Artificial Intelligence, CTPA
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Göğüs Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Akciğer embolisi tanısı güç olan, tespit edildiğinde bir an önce tedavi başlanmasının kritik olduğu ve tanı konulmadığı takdirde ölüme yol açabilen solunumsal acildir. Günümüzde akciğer embolisini erken teşhis etmek için bilgisayar algoritmaları geliştirmeye yönelik araştırma çalışmaları yapılmıştır. Düzgün çalışan bir algoritma, akciğer embolisi için pozitif olan görüntüleri vurgulayarak radyologlara ve klinisyenlere yardımcı olabilir. Böylece teşhis ve iletişim iş akışını hızlandırabilir. Biz de akciğer embolisinin hızlı ve doğru bir şekilde tespit edilebileceği yeni bir algoritma geliştirmeyi ve bu algoritmayı test etmeyi amaçladık. Hastalar ve Yöntem: Araştırmamıza 01/01/2023-30/02/2024 tarihleri arasında İ.Ü İstanbul Tıp Fakültesinde klinik olarak akciğer embolisinden kuşkulanarak BTPA çektiğimiz 333 erişkin hasta dahil edildi. Hastaların klinik değerlendirmelerine ulaşılarak bulgular detaylı olarak kaydedildi. Akciğer emboli ön tanısı ile BTPA çekilen hastaların görüntülemeleri iki radyolog tarafından değerlendirilerek hastaların görüntülemelerinden kantitatif analiz yapıldı. Akciğer embolisi saptanan ve saptanmayan hastalar belirlendi. Çalışmada kullanılmak üzere yeni bir yapay zeka algoritması geliştirildi. Çalışmaya dahil edilen 205 hastanın verileri algoritmayı eğitmek için kullanılırken 128 hasta üzerinde analiz yapıldı. Güncel literatürde kullanılan algoritmalardan farklı olarak algoritmanın iki farklı şekilde eğitimini sağladık. Günümüze kadar yapılmış çalışmalarda algoritmalar radyologların emboli saptadığı görüntüler üzerinde geliştirilmiştir. Bizim çalışmamızda iki farklı algoritma geliştirerek ikisinin de farklı şekilde eğitimini sağladık. Çalışmanın birinci kısmında algoritma eski modellerde olduğu gibi sadece radyologların değerlendirme verilerini kullandı(Model-B). Diğer kısmında ise radyolojik verilere göğüs hastalıkları hekimleri tarafından emboli tanısı doğrulanan klinik bilgiler de dahil edilerek algoritmanın öğrenimi geliştirildi. (Model-A). Bulgular: Geliştirdiğimiz algoritmalardan Model-A'nın akciğer embolisi varlığını belirlemedeki duyarlılık %75,0 [%95 GA=67,5-82,5], özgüllüğü %76,3 [%95 GA=68,9-83,7] ve doğruluğu %75,8 [%95 GA=68,4-83,2] olarak hesaplandı. Model-A ile elde edilen 1 2 bulgularla akciğer embolisi varlığı yüksek duyarlılık, özgüllük ve doğruluk ile belirlenmiştir. Model-A ile akciğer embolisi varlığı arasındaki uyumun iyi-kabul edilebilir ve istatiksel olarak anlamlı olduğu saptandı ((κ=0,505; p<0,001). Model-B algoritmasının akciğer embolisi varlığını belirlemedeki duyarlılığı %34,6 [%95 GA=26,4-42,8], özgüllüğü %96,1 [%95 GA=92,7-99,5] ve doğruluğu %71,1 [%95 GA=63,2-79,0] olarak hesaplandı. Model B ile elde edilen bulgularla akciğer embolisi varlığı düşük duyarlılık, yüksek özgüllük ve yüksek doğruluk ile belirlenmiştir. Model B ile pulmoner emboli varlığı arasındaki uyumun orta derecede olduğu saptandı (κ=0,339; p<0,001) Sonuç: Sonuç olarak, akciğer embolisinin tespiti için yeni bir derin öğrenme modeli geliştirdik ve önemli sonuçlar elde ettik. Bu sonuçlar nispeten küçük bir eğitim setiyle bile anlamlı sonuçlar elde edilebileceğini gösterdi. Geliştirdiğimiz algoritmalardan klinik bilgilerle eğitilen Model-A da sonuçlar çok daha iyiydi. Her iki algoritmanın performansı da radyologların gerisinde kaldı.
Özet (Çeviri)
Objective: Pulmonary embolism is a respiratory emergency that is difficult to diagnose, critical to initiate treatment as soon as possible and can lead to death if undiagnosed. Currently, research efforts have been made to develop computer algorithms for early detection of pulmonary embolism. A properly working algorithm can help radiologists and clinicians by highlighting images that are positive for pulmonary embolism. This can speed up the diagnostic and communication workflow. We aimed to develop and test a new algorithm for fast and accurate detection of pulmonary embolism. Patients and Methods: Between 01/01/2023 and 30/02/24, 333 adult patients with clinically suspected pulmonary embolism who underwent BTPA at I.U. Istanbul Medical Faculty were included in our study. Clinical evaluations of the patients were accessed and findings were recorded in detail. The images of the patients who underwent CTPA with a prediagnosis of pulmonary embolism were evaluated by two radiologists and quantitative analysis was performed from the images of the patients. Patients with and without pulmonary embolism were identified. A new artificial intelligence algorithm was developed to be used in the study. The data of 205 patients included in the study were used to train the algorithm and 128 patients were analyzed. Unlike the algorithms used in the current literature, we trained the algorithm in two different ways. In the studies conducted to date, algorithms have been developed on images in which radiologists detected emboli. In our study, we developed two different algorithms and trained them differently. In the first part of the study, the algorithm used only the evaluation data of radiologists as in previous models (Model-B). In the other part of the study, we improved the learning of the algorithm by including clinical information that confirmed the diagnosis of embolism by pulmonologists in the radiologic data (Model- A). Results: Among the algorithms we developed, the sensitivity of Model-A in determining the presence of pulmonary embolism was 75.0% [95% CI=67.5-82.5], specificity was 76.3% [95% CI=68.9-83.7] and accuracy was 75.8% [95% CI=68.4-83.2]. With the findings obtained with Model-A, the presence of pulmonary embolism was determined with high 4 sensitivity, specificity and accuracy. The agreement between Model-A and the presence of pulmonary embolism was good-acceptable and statistically significant ((κ=0.505; p<0.001). The sensitivity of the Model-B algorithm for the presence of pulmonary embolism was 34.6% [95% CI=26.4-42.8], specificity was 96.1% [95% CI=92.7-99.5] and accuracy was 71.1% [95% CI=63.2-79.0]. With the findings obtained with Model B, the presence of pulmonary embolism was determined with low sensitivity, high specificity and high accuracy. The agreement between Model B and the presence of pulmonary embolism was moderate (κ=0.339; p<0.001). Conclusion: In conclusion, we developed a new deep learning model for the detection of pulmonary embolism and achieved significant results, showing that significant results can be obtained even with a relatively small training set. Among the algorithms we developed, Model-A, trained with clinical information, showed much better results. The performance of both algorithms lagged behind radiologists.
Benzer Tezler
- Doğuştan kalça çıkıklı hastalarda kalça patolojilerinin bilgisayarlı tomografi ile değerlendirilmesi
Başlık çevirisi yok
NECDET ŞÜKRÜ ALTUN
- Türkiye'de serebral hareket bozukluklarının etiyolojisi epidemiyolojisi ve bazı klinik özellikleri
Başlık çevirisi yok
AŞER BENSUSAN
Tıpta Uzmanlık
Türkçe
1986
İstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
Yükleniyor...
- Pre-eklampsi ve eklampsi vakalarında immünoglobülin düzeylerinin değerlendirilmesi (Klinik ve immünobiolojik araştırma)
Examination des valeurs d'immunoglobulines en cas de la toxemie gravidique
M. MURAT SEMİZ
- Çocuklarda akut stres hiperglisemisinde hormonal değişikliklerin ve kısa süreli prognozun incelenmesi
Başlık çevirisi yok
AYGÜN DİNDAR
Tıpta Uzmanlık
Türkçe
1987
İstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Hemşireliği Ana Bilim Dalı
Yükleniyor...