Benign ve malign parotis kitlelerinin tanısını koymada deep learning; ince iğne aspirasyon biyopsisi'nin yerini alabilir mi?
Can deep learning replace fine needle aspiration biyopsy(FNAB) indi̇agnosi̇s of benign and malign parotid masses?
- Tez No: 915240
- Danışmanlar: DOÇ. DR. MUHAMMED AYRAL
- Tez Türü: Tıpta Uzmanlık
- Konular: Kulak Burun ve Boğaz, Otorhinolaryngology (Ear-Nose-Throat)
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Kulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
ÖZET Giriş ve Amaç: Parotis tümörleri her yaş grubunda rastlanabilen ve birçok farklı histolojik alt tipi olan tümörlerdir. Parotis bezleri tüm tükürük bezi tümörlerinin %80' inin kaynağıdır ve küratif primer tedavileri genellikle cerrahidir. Ancak yapılacak cerrahinin kapsamı tümörün benign veya malign karakterde olmasına göre şekillenmektedir. Preoperatif yapılan invaziv girişimlerle histopatolojik tanıya gidilmeye çalışılır. İnce iğne aspirasyon biyopsisi(İİAB) ve cerrahi biyopsi işlemleri içerdikleri komplikasyon riskleri, hasta uyumunda yaşanan güçlükler, bu işlemler öncesinde ve sonrasında yaşanan zaman ve iş gücü kaybı nedeniyle daha az riskli ve daha kesin sonuçlar verebilecek ekonomik ve konforlu yeni yöntemlerin arayışına sebep olmuştur. Tüm dünyada hızla gelişen ve hayatımızın birçok alanında kullanılmaya başlanan yapay zeka uygulamaları tıbbi hastalıkların tanı ve tedavi sürecinde de denenmeye başlanmıştır. Biz de bu çalışmamızda yapay zeka uygulamalarından makine öğrenmesinin alt başlığı olan deep learning (derin öğrenme) modellerinden ResNet50 mimarisinin normal parotis dokusunu, benign ve malign parotis kitlelerini ayırabilme beceresini patoloji sonuçlarını referans alarak değerlendirmeyi ve daha önce bu konuda yapılan çalışmalarla karşılaştırmayı amaçladık. Gereç ve Yöntem: Çalışmamızda retrospektif olarak 01.01.2014-01.07.2024 tarihleri arasında Dicle Üniversitesi Tıp Fakültesi Kulak Burun Boğaz kliniğine parotis kitlesi ile başvuran hastalar seçilerek yapıldı. Benign ve malign tümör tanılı iki grup ve ayrıca derin öğrenme modelinin eğitimi için herhangi bir amaçla kontrastlı boyun BT çekilmiş ve parotis bezlerinde herhangi bir patoloji saptanmayan normal hastalardan da bir grup oluşturuldu. Her grupta 52 , toplamda 156 hasta çalışmaya dahil edildi. Her hastanın aksiyel kesitte kontrastlı boyun BT görüntülerinden parotis ve kitle düzeyinden geçen 6 adet görüntü alındı. Toplamda 936 görüntüden oluşan veri seti ResNet50 mimarisinde girdi olarak kullanıldı. Bu veri setinin %70' i eğitim, %30'u test ve eğitimde kullanılan veri setinin de %10'u validasyon olarak kullanıldı. Elde edilen veriler ile traning ve validasyon accuracy ile loss grafikleri, karışıklık matrisi ve model başarım ölçüm sonuçları tespit edildi. Bulgular: Çalışmamızda benign hastaların % 40,4 (n=21)' ü kadın, %59,6(n=31)' sı erkek, malign hastaların % 40,4 (n=21)' ü kadın, %59,6(n=31)' sı erkekti. Benign hastalarda ortalama yaş 42,8 iken, malign hastalarda 62,2 bulundu. Malign grupta yaş ortalaması istatiksel olarak anlamlı düzeyde daha yüksek bulundu(p
Özet (Çeviri)
ABSTRACT Objective and Aim: Parotid tumors are tumors that can be found in all age groups and have many different histological subtypes. Parotid glands are the source of 80% of all salivary gland tumors and curative primary treatments are usually surgery. However, the scope of surgery to be performed depends on whether the tumor is benign or malignant. An attempt is made to make a histopathological diagnosis through preoperative invasive interventions. Fine needle aspiration biopsy (FNAB) and surgical biopsy procedures have led to the search for economical and comfortable new methods that can provide less risky and more accurate results due to the risks of complications, difficulties in patient compliance, and loss of time and labor experienced before and after these procedures. All Artificial intelligence applications, which are rapidly developing in the world and started to be used in many areas of our lives, have also started to be tested in the diagnosis and treatment of medical diseases. In this study, we aimed to evaluate the ability of the ResNet50 architecture, one of the deep learning models, which is a sub-title of machine learning, one of the artificial intelligence applications, to distinguish normal parotid tissue, benign and malignant parotid masses, with reference to pathology results and to compare it with previous studies on this subject. Materials and Methods: Our study was conducted retrospectively by selecting patients who applied to Dicle University Faculty of Medicine Ear Nose and Throat clinic with a parotid mass between 01.01.2014 and 01.07.2024. Two groups diagnosed with benign and malignant tumors were created, as well as a group of normal patients whose contrast-enhanced neck CT was performed for any purpose for the training of the deep learning model and no pathology was detected in the parotids. 52 patients in each group, 156 patients in total, were included in the study. From the axial section CT images of each patient, 6 images passing through the parotid and mass levels were taken. The dataset consisting of 936 images in total was used as input in the ResNet50 architecture. 70% of this data set was used for training, 30% for testing, and 10% of the data set used in training was used for validation. With the data obtained, training and validation accuracy, loss graphs, confusion matrix and model performance measurement results were determined. Results: In our study, 40.4% (n=21) of benign patients were female, 59.6% (n=31) were male, and 40.4% (n=21) of malignant patients were female, 59.6% (n=31) were female. =31) were male. While the average age in benign patients was 42.8, it was 62.2 in malignant patients. The average age was found to be statistically significantly higher in the malignant group. (p
Benzer Tezler
- Parotis bezi tümörlerinin ayırıcı tanısında multiparametrik manyetik rezonans görüntüleme kullanılarak geliştirilen derin öğrenme modeli
Deep learning model developed using multiparametric magnetic resonance imaging in the differential diagnosis of parotid gland tumors
EMRAH GÜNDÜZ
Tıpta Uzmanlık
Türkçe
2021
Kulak Burun ve Boğazİnönü ÜniversitesiKulak Burun Boğaz Hastalıkları Ana Bilim Dalı
PROF. DR. AHMET KIZILAY
- Parotis tümörlerinin tanısında kullanılan manyetik rezonans görüntüleme ile ince iğne aspirasyon biyopsisinin postoperatif histopatolojik sonuçlarla ilişkisinin retrospektif olarak incelenmesi
Retrospective investigation of the relationship of fine needle aspiration biopsy, magnetic resonance imaging and postoperative histopathological results in diagnosis of parotid tumors
GÜLSÜN BAŞAK SAYGAN USTA
Tıpta Uzmanlık
Türkçe
2022
Kulak Burun ve BoğazSağlık Bilimleri ÜniversitesiKulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
DOÇ. DR. KAMİL HAKAN KAYA
- Parotis bezi kitlelerinde B-MOd sonografi, renkli Doppler sonografi, sonoelastografi bulguları ile histopatoloji sonucunun karşılaştırılması
Comparison of histopathology results with b-mod sonography, color doppler sonography, sonoelastography findings in parotid gland masses
MEHMET GÜRDAL DEMİRCİ
Tıpta Uzmanlık
Türkçe
2021
Radyoloji ve Nükleer TıpGaziantep ÜniversitesiRadyoloji Ana Bilim Dalı
YRD. DOÇ. DR. MELİH AKŞAMOĞLU
- Parotis bezi kitlelerinin benign-malign ayrımında sonoelastografinin etkinliği
Ultrasound elastography of parotid gland masses: the value for the differentiation of benign from malignant tumors
SÜMEYRA ARIKAN CORTCU
Tıpta Uzmanlık
Türkçe
2016
Radyoloji ve Nükleer TıpOndokuz Mayıs ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MUZAFFER ELMALI
- Parotis bezi kitlelerinin değerlendirilmesinde sonoelastografinin yeri
Sonoelastography in the evaluation of parotid gland tumors
İRFAN OKUMUŞER
Tıpta Uzmanlık
Türkçe
2010
Radyoloji ve Nükleer TıpGazi ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. SUNA ÖZHAN OKTAR