Acil servise başvuran femur boyun kırığı tanılı hastaların grafilerinin yapay zeka programları ile yorumlanması
Interpretation of radiographs of patients with femoral neck fractures admitted to the emergency department using artificial intelligence programs
- Tez No: 933516
- Danışmanlar: PROF. DR. ZEYNEP KARAKAYA, DOÇ. DR. MEHMET GÖKTUĞ EFGAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Acil Tıp, Emergency Medicine
- Anahtar Kelimeler: Femur boyun kırığı, Derin öğrenme, Yapay zeka, x-ray görüntüleme, klinik karar verme, Femur neck fracture, Deep learning, Artificial intelligence, x-ray imaging, clinical decision making
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Amaç: Bu çalışma, femur boyun kırığının hızlı ve etkili bir şekilde tanınmasına odaklanmaktadır. Femur boynu kırığı, özellikle yaşlı hasta gruplarında ve yüksek enerjili travmalarda acil servise sık başvuru sebeplerinden biridir. Bu tür kırıkların tespitinde, acil serviste yapılan röntgen değerlendirmesi, tanı ve tedavi sürecinin kritik basamaklarından biridir. Çalışmada, yapay zeka programlarının röntgen görüntülerini yorumlama performansı değerlendirilmektedir. Hedef, yapay zekanın röntgen değerlendirme konusunda hekimler kadar hızlı ve etkili olup olamayacağını araştırmaktır.Yapay zeka programları hekimler kadar başarılı olursa, acil servislerde tanı sürecinin hızlanması ve tanı doğruluğunun artacağı öngörülmektedir. Yöntem: Çalışma retrospektif olarak tasarlanıp hastane bilgi yönetim sistemi üzerinden hasta kayıtlarına ulaşıldı 01.05.2019 ve 06.09.2024 tarihleri arasında İzmir Atatürk Eğitim ve Araştırma Hastanesi Acil Servisi'ne başvuran femur boynu kırığı olan ve herhangi bir femur kırık bulgusu olmayan sağlam X-Ray görüntülerinin yer aldığı veri seti %70'I eğitim (179 Kırık olan, 171 sağlam X-Ray görüntüsü) ve %30 doğrulama (79 kırık olan, 73 Sağlam X-Ray görüntüsü) veri seti olmak üzere ikiye ayrılmıştır. Eğitilen mimarilerin performansları test için hazırlanmış farklı bir veri seti (61 Kırık olan, 61 Sağlam X-Ray görüntüsü) kullanılarak test edilmiştir..Hastane bilgi yönetim sisteminden ,PACS sisteminden ve hasta dosyalarından ilgili klinik bilgiler ve x-ray görüntüleri toplanarak veri kayıt formuna not edildi,Görüntüleri kaydedildi.. Bulgular: Çalışma kapsamında AlexNet, GoogleNet, ResNet18, ResNet50, ResNet101, MobileNetV2, Inceptionv3, SuffleNet, VGG16 gibi literatürde kullanılan ve farklı problemlerde başarılı sonuçlar sağlayan evrişimli sinir ağı mimarileri kullanılmıştır. ResNet50, InceptionV3 ve VGG16 mimarilerinin femur boynu kırığı tespit performanslarının diğer mimarilere göre daha yüksek olduğu görülmektedir. Tüm performans metrikleri dikkate alındığında ise hem doğrulama hem de test veri setleri için en yüksek performanslar ResNet50 (Doğrulama: %96.00 ACC, %100.00 SEN, %91.80 SPE, %92.80 PPV, ve %7.20 FDR; Test: %87.70 ACC, % 98.40 SEN, %77.00 SPE, %81.10 PPV, ve %18.90 FDR) ve VGG16 (Doğrulama: %97.30 ACC, %98.70 SEN, %95.90 SPE, %96.20 PPV, ve %3.80 FDR; Test: %89.30 ACC, %100.00 SEN, %78.70 SPE, %82.40 PPV, ve %17.60 FDR) mimarileri kullanılarak elde edilmiştir. VGG16 mimarisinin hesaplama yoğunluğu dikkate alınırsa problemimize uygun olarak ResNet50 mimarisinin de başarılı şekilde kullanılabileceği görülmektedir. Sonuçlar : Bu çalışmada kullanılan derin öğrenme modeli, femur boyun kırıklarını tespit etmede %80-85 doğruluk oranı ile umut verici sonuçlar ortaya koymuştur. Bu, insan gözlemine dayalı değerlendirmenin tamamlayıcısı olarak YZ'nin etkinliğini göstermektedir. YZ algoritmalarının, özellikle heterojen hasta gruplarında ve farklı radyografik görüntüleme koşullarında tutarlı performans sergileyebilmesi, klinik uygulamalarda değerini artırmaktadır. Bununla birlikte, modelin doğruluğunu artırmak için daha büyük, çeşitlendirilmiş ve yüksek kaliteli veri setleri ile eğitim gerekliliği açıktır. Acil servis gibi zaman kısıtlamalarının kritik olduğu bir ortamda, yapay zeka tabanlı sistemlerin tanısal süreçlere entegrasyonu, hekimlerin yükünü azaltabilir, karar alma süreçlerini hızlandırabilir ve tanısal doğruluğu artırabilir. Bu durum, yalnızca hasta sonuçlarını iyileştirmekle kalmayıp aynı zamanda acil servis iş akışlarının daha etkin bir şekilde organize edilmesine olanak tanıyabilir.
Özet (Çeviri)
Aim: This study focuses on the rapid and effective recognition of femoral neck fracture. Femoral neck fracture is one of the common reasons for admission to the emergency department, especially in elderly people and as a result of high-energy trauma. In detecting such fractures, x-ray evaluation performed in the emergency room is one of the critical steps in the diagnosis and treatment process. In the study, the performance of artificial intelligence programs in interpreting x-ray images is compared with the reviews of orthopedic and emergency room assistant physicians who frequently work in the emergency department. The goal is to demonstrate that artificial intelligence can be as fast and effective as physicians in x-ray evaluation. If artificial intelligence programs are as successful as physicians, it is predicted that the diagnostic process will accelerate and diagnostic accuracy will increase in emergency departments. Method: The study was designed retrospectively and 100 patients who applied to the emergency department due to femoral neck fracture were examined. Before starting the study, artificial intelligence training was given using 250 fractured and 250 healthy femur x-ray images, so that the artificial intelligence could correctly recognize fractures. Thanks to this training, artificial intelligence has gained the ability to distinguish between broken and healthy femur sections. Then, the x-ray images of the patients in the emergency room were interpreted by artificial intelligence and the rate of correctly detecting the fracture was determined. The interpretation performance of artificial intelligence was evaluated by comparing it with the success rates of orthopedic and emergency department assistant physicians. Conclusion: Within the scope of the study, convolutional neural network architectures such as AlexNet, GoogleNet, ResNet18, ResNet50, ResNet101, MobileNetV2, Inceptionv3, SuffleNet, VGG16, which are used in the literature and provide successful results in different problems, were used. It is seen that the femoral neck fracture detection performances of ResNet50, InceptionV3 and VGG16 architectures are higher than other architectures. Considering all performance metrics, the highest performances for both validation and test datasets are ResNet50 (Validation: 96.00% ACC, 100.00% SEN, 91.80% SPE, 92.80% PPV, and 7.20% FDR; Test: 87.70% ACC, 98.40% SEN, 77.00% SPE, 81.10% PPV, and 18.90% FDR) and VGG16 (Validation: 97.30% ACC, 98.70% SEN, 95.90% SPE, 96.20% PPV, and 3.80% FDR; Testing: 89.30% ACC, 100.00% SEN, 78.70% SPE, 82.40% PPV, and 17.60 FDR) architectures. Considering the computational intensity of the VGG16 architecture, it can be seen that the ResNet50 architecture can also be used successfully in accordance with our problem. Results: The deep learning model used in this study showed promising results with an accuracy rate of 80-85% in detecting femoral neck fractures. This demonstrates the effectiveness of AI as a complement to human observation-based evaluation. The ability of AI algorithms to exhibit consistent performance, especially in heterogeneous patient groups and different radiographic imaging conditions, increases their value in clinical applications. However, the need to train the model with larger, diversified and high-quality datasets to improve its accuracy is clear. In an environment where time constraints are critical, such as the emergency department, the integration of artificial intelligence-based systems into diagnostic processes can reduce the burden on physicians, accelerate decision-making processes, and increase diagnostic accuracy. This may not only improve patient outcomes but also allow ED workflows to be organized more effectively.
Benzer Tezler
- Acil servise başvuran pelvik fraktür ve femur başı fraktür tanısı alan hastaların retrospektif analizi
Retrospective analysis of diagnosed pelvic fracture and femur head fractures registering to emergency department
BURÇİN AYDIN
Tıpta Uzmanlık
Türkçe
2022
Acil TıpBursa Uludağ ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. ŞAHİN ASLAN
- Acil servise proksimal femur kırığı ile başvuran yaşlı hastalarda kırık yeri ile ilişkili klinik özellikler ve risk faktörlerinin araştırılması
İnvestigation of clinical characteristic and risk factors releated to the fracture location in elderly patients admitted to the emergency service with proximal fracture
BURAK ÇELİK
Tıpta Uzmanlık
Türkçe
2019
İlk ve Acil YardımMersin ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. ATAMAN KÖSE
- Femoroasetabuler sıkışmanın kalça kırıkları üzerine etkisi
Effect of femoroacetabular i̇mpi̇ngement on hip fractures
HAKAN YOLAÇAN
Tıpta Uzmanlık
Türkçe
2021
Ortopedi ve TravmatolojiSağlık Bilimleri ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. CEM NURİ AKTEKİN
- Femoroasetabular sıkışmaya ait morfolojik bulguların sıklığının bilgisayarlı tomografi ile değerlendirilmesi
Computed tomography evaluation of frequency of morphological findings of femoroacetabular impingement
SAİT GÖNÜLCÜ
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpAkdeniz ÜniversitesiDahili Tıp Bilimleri Bölümü
PROF. DR. CAN ÖZKAYNAK
- Travma hastalarına çekilen abdominal tomografi görüntülerinin acil tıp asistanı tarafından akut travma patolojilerini değerlendirme düzeyi
The level of evaluation of acute trauma pathologies by the emergency medicine assistant of abdominal tomography images taken in trauma patients
MEHMET SOYUGÜZEL
Tıpta Uzmanlık
Türkçe
2022
Acil TıpAfyonkarahisar Sağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
YRD. DOÇ. DR. AYŞE ERTEKİN