Geri Dön

Parotis bezi patolojileri tanısında derin öğrenme tabanlı yapay zeka modelinin kullanımı ve etkinliği

Utilization and efficacy of deep learning-based artificial intelligence model in the diagnosis of parotid gland pathologies

  1. Tez No: 912306
  2. Yazar: KAZIM AYBERK SİNCİ
  3. Danışmanlar: DOÇ. DR. NEZAHAT KARAÇA ERDOĞAN, DR. İLKER ÖZGÜR KOSKA
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: İzmir Atatürk Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 90

Özet

Amaç: Parotis bezi tümörlerinin operasyon öncesi sınıflandırılmasında manyetik rezonans görüntüleme (MRG) ile derin öğrenme tabanlı bir algoritma geliştirmek ve bu algoritmanın etkinliğini değerlendirmektir. Yöntem: Ocak 2014 ile Ocak 2024 tarihleri arasında İzmir Kâtip Çelebi Üniversitesi Atatürk Eğitim ve Araştırma Hastanesi'nde histopatolojik tanıya sahip 164 hastadan elde edilen multiparametrik MRG görüntüleri çalışmaya dahil edilmiştir. Veri seti toplamda 1908 MRG kesitinden oluşmakta olup, bu kesitlerin 1488'i eğitim, 186'sı doğrulama ve 234'ü test grubu olarak ayrılmıştır. Transfer öğrenme yöntemi ve VGG16 mimarisi ile normal ve patolojik grupları sınıflayan üç temel model geliştirilmiştir. Model 1'de T1 ağırlıklı (T1A), T2 ağırlıklı (T2A), kontrastlı T1A, b800 ve ADC; Model 2'de T1A, T2A ve kontrastlı T1A ve Model 3'te kontrastlı T1A, T2A ve b800 sekansları kullanılmıştır. Ardından, radyoloji uzmanı deneyimi gerektirmeyen demografik (yaş ve cinsiyet) ve klinik (lezyon tarafı ve kontrastlanma istatistiği) verilerin eklenmesiyle modellerin doğruluğunu artırmayı hedefleyen ve üç patolojik grubu sınıflayan dört yeni hibrit model oluşturulmuştur (Model 4, 5, 6 ve 7). Son olarak, ADC ve dinamik eğri tipi verisinin de modele eklenmesiyle, radyolog ve yapay zeka birlikteliğini temsil eden Model 8 geliştirilmiştir. Ayrıca, MRG görüntüleri okuyucu 1 (kıdemli radyoloji asistanı) ve okuyucu 2 (30 yılı aşkın deneyime sahip baş boyun radyoloğu) tarafından değerlendirilmiş ve histopatolojik tanılara göre her iki okuyucunun tanı doğruluğu ile aralarındaki uyum analiz edilmiştir. Bulgular: Normal ve patolojik grupları sınıflayan ilk üç model arasında en yüksek başarıyı Model 1 göstermiş olup genel doğruluk oranı %74'tür. Normal grup, pleomorfik adenom, Warthin tümörü ve malign tümör için sensitivite, spesifite ve F1 skoru sırasıyla %74, %91, %80; %80, %89, %63; %66, %90, %73; ve %85, %91, %71 olarak elde edilmiştir. Klinik ve demografik verilerin entegrasyonuyla oluşturulan ve üç patolojik grubu sınıflayan hibrit modeller arasında Model 8, %97 tanı doğruluk oranı ile en yüksek başarıya ulaşmıştır. Bu modelde pleomorfik adenom, Warthin tümörü ve malign tümör için sensitivite, spesifite ve F1 skoru sırasıyla %92, %99, %96; %100, %95, %97; ve %95, %99, %97 olarak bulunmuştur. Ayrıca, okuyucu 1 ve okuyucu 2 için başarı yüzdeleri sırasıyla %82 ve %90, okuyucular arasındaki uyum ise %80 olarak belirlenmiştir. Sonuçlar: Bu çalışmada, parotis bezi tümörlerinin sınıflandırılmasında kullanılabilecek etkili hibrit derin öğrenme modelleri geliştirilmiştir. Bu modellerin klinik uygulamalara entegre edilmesi erken ve doğru tanı oranlarını artırarak hasta mortalite ve morbiditesini azaltacaktır.

Özet (Çeviri)

Aim: To develop a deep learning-based algorithm for the preoperative classification of parotid gland tumors using magnetic resonance imaging (MRI) and to evaluate the effectiveness of this algorithm. Methods: Between January 2014 and January 2024, multiparametric MRI images from 164 patients with histopathological diagnoses at İzmir Kâtip Çelebi University Atatürk Training and Research Hospital were included in the study. The dataset consists of 1908 MRI slices, with 1488 used for training, 186 for validation, and 234 for testing. Using the transfer learning method and the VGG16 architecture, three primary models were developed to classify normal and pathological groups. Model 1 utilized T1-weighted (T1W), T2-weighted (T2W), contrast-enhanced T1W, b800, and ADC sequences; Model 2 used T1W, T2W, and contrast-enhanced T1W sequences; and Model 3 employed contrast-enhanced T1W, T2W, and b800 sequences. Subsequently, four new hybrid models (Models 4, 5, 6, and 7) were created, incorporating demographic (age and gender) and clinical (lesion side and contrast enhancement statistics) data, which do not require radiologist expertise, to improve the accuracy of the models in classifying three pathological groups. Finally, Model 8 was developed by adding ADC and dynamic curve type data, representing the combination of radiologists and artificial intelligence. Additionally, the MRI images were evaluated by Reader 1 (a senior radiology resident) and Reader 2 (a head and neck radiologist with over 30 years of experience), and their diagnostic accuracy and inter-reader agreement were analyzed against histopathological diagnoses. Results: Among the first three models, which classify normal and pathological groups, Model 1 demonstrated the highest success with an overall accuracy of 74%. The sensitivity, specificity, and F1 score for normal group, pleomorphic adenoma, Warthin tumor, and malignant tumor were 74%, 91%, 80%; 80%, 89%, 63%; 66%, 90%, 73%; and 85%, 91%, 71%, respectively. Among the hybrid models created by integrating clinical and demographic data to classify the three pathological groups, Model 8 achieved the highest success with a diagnostic accuracy rate of 97%. In this model, the sensitivity, specificity, and F1 score for pleomorphic adenoma, Warthin tumor, and malignant tumor were 92%, 99%, 96%; 100%, 95%, 97%; and 95%, 99%, 97%, respectively. Additionally, the success rates for Reader 1 and Reader 2 were determined to be 82% and 90%, respectively, with an inter-reader agreement of 80%. Conclusion: This study developed effective hybrid deep learning models for the classification of parotid gland tumors. Integrating these models into clinical practice will increase early and accurate diagnosis rates, thereby reducing patient mortality and morbidity.

Benzer Tezler

  1. Parotis bezi kitlelerinde bilgisayarlı tomografi

    Başlık çevirisi yok

    HANİFİ BAYAROĞULLARI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1997

    Radyoloji ve Nükleer TıpÇukurova Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    Y.DOÇ.DR. MEHMET E. İNAL

  2. Parotis bezi tümörlerinin klinik ve patolojik olarak değerlendirilmesi: Retrospektif çalışma

    Clinical and pathological evaluation of parotid gland tumors: A retrospective study

    HASAN GÖRÜR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Kulak Burun ve BoğazKaradeniz Teknik Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    PROF. DR. OSMAN BAHADIR

  3. 2000- 2011 yılları arasında kliniğmizde tedavi edilen parotis bezi malign neoplazmlı hastalarda elde ettiğimiz sonuçlarımız

    The results obtained between 2000 and 2011 by the patients cured by malignant neoplasm of the parotid gland in our clinic

    MUSTAFA BALCIOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    Kulak Burun ve BoğazAnkara Üniversitesi

    Kulak Burun Boğaz Hastalıkları Ana Bilim Dalı

    PROF. DR. M. TEVFİK AKTÜRK

  4. Parotis cerrahisi geçiren hastalarda rezidü parotis doku miktarının komplikasyonlara ve yaşam kalitesine olan etkilerinin değerlendirilmesi

    Evaluation of the effects of residual parotid tissue on complications and quality of life in patients undergoing parotid surgery

    ŞÜKRÜ AYDIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Kulak Burun ve Boğazİnönü Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    PROF. DR. AHMET KIZILAY