Multiple skleroz laboratuvar tanısında eş zamanlı bos ve serum analiz sonuçlarının klinik performansının değerlendirilmesi: Yapay zeka yaklaşımı ve görüntü analizi ile laboratuvar tanı
Evaluation of the clinical performance of simultaneous csf and serum analysis results in the laboratory diagnosis of Multiple sclerosis: An artificial intelligence approach and laboratory diagnosis via image analysis
- Tez No: 945259
- Danışmanlar: PROF. DR. PINAR AKAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Biyokimya, Biochemistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Tıbbi Biyokimya Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 145
Özet
Amaç: Multiple Skleroz (MS) ve diğer merkezi sinir sistemi (MSS) hastalıklarının tanısında kullanılan oligoklonal bant (OKB) paternlerinin, izoelektrik odaklanma (IEO) ve immünoblotlama yöntemiyle hazırlanan nitroselüloz membran görüntülerinde objektif ve tekrarlanabilir biçimde analiz edilmesini sağlayacak yarı otomatik bir yazılım geliştirmek ve aynı zamanda BOS ve serum kantitatif verilerine dayanarak OKB pozitifliğini makine öğrenmesi (MÖ) tabanlı bir modelle öngörebilecek bir karar destek sistemi oluşturmaktır. Bu iki yenilikçi yaklaşım, intratekal IgG üretiminin daha duyarlı ve standart biçimde saptanmasıyla birlikte, laboratuvar süreçlerinde yorumlayıcı bağımlılığını azaltarak MS tanı performansını artırmayı hedeflemektedir. Gereç ve Yöntem: Verilerin toplanması ve analizi iki aşamalı bir tasarım üzerinden gerçekleştirilmiştir. İlk aşamada, IEO ve immünoblotlama yöntemiyle hazırlanan nitroselüloz membran görüntüleri kullanılmıştır. Toplamda 630 beyin omurilik sıvısı (BOS) ve serum paterninin görüntüleri, yüksek çözünürlükte taranarak dijital ortama aktarılmış ve Python programlama diliyle geliştirilen yarı otomatik bir yazılım aracılığıyla bant yoğunluğu, sayısı ve konumu bakımından işlenmiştir. Yazılımın algoritmik akışında, median veya Gaussian gibi gürültü giderme filtreleri, eşikleme ve segmentasyon adımları uygulanarak arka plan gürültüsü en aza indirilmeye çalışılmıştır. Ardından her örnek için yazılım tarafından saptanan bant deseni, uzman yorumlarıyla karşılaştırılarak yazılımın tutarlılığı değerlendirilmiştir. Çalışmanın ikinci aşamasında, BOS ve serumdan elde edilen kantitatif laboratuvar parametreleri kullanılarak, OKB pozitifliğini tahmin etmeye yönelik bir MÖ modeli (SYNAPSI) tasarlanmıştır. Bu kapsamda, 1079 hastaya ait BOS-serum kantitatif sonuçları kullanılmıştır. Bulgular: Yarı otomatik görüntü analiz programı, bant yoğunluğu, sayısı ve konumuna ilişkin uzman görüşüyle pozitif-negatif ayrımında %81,7 doğruluk (duyarlılık %100, özgüllük %72,6) ve iyi düzeyde uyum (Cohen'in Kappa: 0,639) göstermiştir. Buna karşın tip bazlı değerlendirmede, genel doğruluk %59,5'te kalmış ve orta düzey bir uyum (Cohen'in Kappa: 0,453) elde edilmiştir. SYNAPSI modeli ise OKB varlığını yüksek doğrulukla (ROC AUC: 0,91) öngörmüş; IgG indeksine göre daha yüksek duyarlılık ve özgüllük değerleri sunarak hem karar destek aracı hem de tarama testi olarak kullanım potansiyelini ortaya koymuştur. Sonuç: Hem yarı otomatik görüntü analiz yazılımının hem de SYNAPSI modelinin laboratuvar temelli MS tanı süreçlerinde standardizasyonu güçlendirebileceği ve uzmanlar arası yorum farklarını azaltabileceği düşünülmektedir; ancak daha geniş veri setleriyle yapılacak çok merkezli doğrulama çalışmalarına ihtiyaç duyulmaktadır. Böylelikle MS laboratuvar tanı sürecinde ek katkı sunmaları mümkün olacaktır.
Özet (Çeviri)
Objective: This thesis aims to develop a semi-automated software capable of objectively and reproducibly analyzing oligoclonal band (OCB) patterns on nitrocellulose membranes prepared via isoelectric focusing (IEF) and immunoblotting methods for the diagnosis of Multiple Sclerosis (MS) and other central nervous system (CNS) disorders. Additionally, a machine learning (ML)-based model is designed to predict OCB positivity using quantitative data from cerebrospinal fluid (CSF) and serum samples. These two innovative approaches seek to enhance diagnostic performance in MS by enabling more sensitive and standardized detection of intrathecal IgG production, while minimizing interpretation bias in laboratory processes. Materials and Methods: Data collection and analysis were performed in a two-stage design. In the first stage, nitrocellulose membrane images obtained through IEF and immunoblotting were used. A total of 630 CSF and serum patterns were scanned at high resolution and processed by a semi-automated Python-based software to evaluate band intensity, count, and location. Median or Gaussian noise-removal filters, thresholding, and segmentation steps were applied to minimize background noise. The software-detected bands were then compared against expert assessments to evaluate reliability. In the second stage, a machine learning model (SYNAPSI) was developed to predict OCB positivity from quantitative laboratory parameters in CSF and serum. The retrospective dataset comprised 1079 CSF-serum results. Results: The semi-automated image analysis program achieved 81.7% accuracy (sensitivity 100%, specificity 72.6%) and demonstrated substantial agreement with expert interpretations (Cohen's Kappa: 0.639) in distinguishing OCB-positive from negative. However, when evaluated on a pattern-by-pattern basis, overall accuracy fell to 59.5%, indicating moderate agreement (Cohen's Kappa: 0.453). The SYNAPSI model predicted OCB status with high accuracy (ROC AUC: 0.91), outperforming the IgG index by yielding higher sensitivity and specificity, thus demonstrating potential as both a decision support tool and a screening test. Conclusion: Both the semi-automated image analysis software and the SYNAPSI model could strengthen standardization in laboratory-based MS diagnostic procedures and reduce inter-observer variation. Nevertheless, multicenter validation studies with larger datasets are necessary. These approaches may provide additional support in MS diagnostic workflows.
Benzer Tezler
- Multiple skleroz hastalığında nükleer manyetik rezonans tabanlı metabolomik profilleme
Nuclear magnetic resonance-based metabolomic profiling in multiple sclerosis disease
GÜLLÜ TARHAN
Tıpta Uzmanlık
Türkçe
2024
NörolojiSağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
PROF. DR. SAİME FÜSUN DOMAÇ
PROF. DR. ŞAHABETTİN SELEK
- Multiple sclerosis (MS) hastalığının erken teşhisi için manyetik rezonans (MR) görüntülerinin otomatik segmentasyonu
Automatic segmentaion of multiple sclerosis disiese (MS) from magnetic rezonans images (MRI) for early detection
CAN KİRAZ
Yüksek Lisans
Türkçe
2015
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Relapsing remitting multipl skleroz ve klinik izole sendrom tanılı hastaların beyin omurilik sıvılarının karakterizasyon ve ayırıcı tanılarınınfourier dönüşüm kızılötesi (FTIR) spektroskopi tekniği ile değerlendirilmesi
Characterization of cerebrospinal fluids and evaluation of differential diagnosis in patients with relapsing remitting multiple sclerosis or clinical isolated syndrome using fourier transformation infrared (FTIR) spectroscopy.
LEVENT ÖCEK
- Optikospinal multipl skleroz hastalık seyri ve immunolojik parametreler
Başlık çevirisi yok
ÖZLEM MERCAN
Tıpta Uzmanlık
Türkçe
2017
NörolojiSağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
DOÇ. DR. MEHMET GENCER
- Multipl Skleroz ve diğer nörolojik hastalıklarda beyin omurilik sıvısının analizi
Analysis of cerebrospinal fluid in Multiple Sclerosis and other neurologic diseases
BURCU GÖKÇE ÇOKAL
Yüksek Lisans
Türkçe
2023
NörolojiHacettepe ÜniversitesiKlinik Nörolojik Bilimler ve Psikiyatri Ana Bilim Dalı
PROF. DR. MERYEM ASLI TUNCER