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: parotis, tümör, derin öğrenme, ResNet50, İİAB, parotid, tumor, deep learning, ResNet50, FNAB
- 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: Belirtilmemiş.
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<0,001). Benign grupta %65,4 (n=34) oranla en sık görülen tümör pleomorfik adenomdu. Malign grupta %40(n=21) ile en sık izlenen tümör mukoepidermoid karsinomdu. Görüntülemelerin ResNet50 mimarisi ile eğitimi sonrası test edildiğinde pozitif prediktif değer(precision), sensivite(recall) ve f1-score benign grup için sırasıyla % 94, 95, 95 olurken, malign grup için sırasıyla % 98, 99, 98 bulundu. Sonuç: Test ettiğimiz derin öğrenme modeli(ResNet50) normal parotis, benign ve malign tümör görüntülerini ayırmada %97 sensitivite ve %98,3 spesivite gösterdi. Modelin geniş vaka serilerinde test edilip geliştirilebileceği, tümör subtiplerini tanımaya yönelik eğitilecek modeller ve yapay zeka alanındaki hızlı gelişmelerin bu modellerin daha çok özellik öğrenmesine katkıda bulunabileceği düşünülmüştür. Derin öğrenme alanındaki gelişmelerle yapay zekanın yakın zamanda preoperatif tümör tiplendirmesinde İİAB' nin yerini alabileceğini düşünmekteyiz.
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<0.001). The most common tumor in the benign group was pleomorphic adenoma with a rate of 65.4% (n=34). The most common tumor in the malignant group was mucoepidermoid carcinoma with 40% (n = 21). When the images were tested after training with the ResNet50 architecture, the positive predictive value (precision), sensitivity (recall) and f1-score were 96, 100, 98%, respectively, for the benign group, while they were 100, 93, 97%, respectively, for the malignant group. Conclusions: The deep learning model (ResNet50) we tested was found to be quite successful in both tumor types, and considering that it can be tested and developed in larger case series, and that the models to be developed for tumor subtypes and rapid developments in the field of artificial intelligence can enable these models to learn more successful features, we believe that FNAB studies will be performed in the near future. We think it can replace.
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 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
- Parotı̇s kı̇tlelerı̇nı̇n karakterı̇zasyonunda dı̇füzyon mr ve gerçek zamanlı kalı̇tatı̇f sonoelastografı̇nı̇netkı̇nlı̇ğı̇nı̇n değerlendı̇rı̇lmesı̇; Hı̇stopatolojı̇k sonuçlarla karşılaştırma
Diffusion mr and real-time qualitative sonoelastography in the characterization of parotis masses evaluation of efficiency; Comparison with histopathological resultsdiffusion mr und qualitative echtzeit-sonoelastographie bei der charakterisierung von parotis-masseneffizienzbewertung; vergleich mit histopathologischen ergebnissen
SITKI MERT ULUSAY
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyodiagnostik Ana Bilim Dalı
PROF. DR. İRFAN ÇELEBİ
- Parotis bezi kitlelerinin ayırıcı tanısında dinamik bilgisayarlı tomografi ve dinamik manyetik rezonans görüntülemenin yeri
Başlık çevirisi yok
AHMET ÇELİK
Tıpta Uzmanlık
Türkçe
2003
Radyoloji ve Nükleer TıpEskişehir Osmangazi ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. BAKİ ADAPINAR
- Parotis bezi kitlelerinin ayırıcı tanısında difüzyon ağırlıklı görüntülemenin konvansiyonel manyetik rezonans görüntülemeye katkısının araştırılması
Assessment of the contribution of diffusion weighted imaging to conventional magnetic resonance imaging in the evaluation of parotid masses
ERDOĞAN ŞUGÜLER
Tıpta Uzmanlık
Türkçe
2016
Radyoloji ve Nükleer TıpNecmettin Erbakan ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. GANİME DİLEK EMLİK