Geri Dön

Over kanserinde görüntü tabanlı olarak rezektabiliteyi değerlendirmede yapay zekanın potansiyelinin araştırılması

Investigation of the potential of artificial intelligence in imaging-based assessment of resectability in ovarian cancer

PDF İndir

  1. Tez No: 947574
  2. Yazar: SERAY TAK AKSOY
  3. Danışmanlar: DOÇ. DR. HASAN AYKUT TUNCER
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kadın Hastalıkları ve Doğum, Obstetrics and Gynecology
  6. Anahtar Kelimeler: Artificial Intelligence, Ovarian Cancer, Resectability, Imaging Modalities, MRI, PET, Gynecologic Oncology
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Kadın Hastalıkları ve Doğum Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 84

Özet

Over Kanserinde Görüntü Tabanlı Olarak Rezektabiliteyi Değerlendirmede Yapay Zekanın Potansiyelinin Araştırılması Amaç: Kliniğimizde over kanseri nedeniyle tedavi alan hastaların tıbbi verilerini ve radyolojik görüntülerini, yapay zeka programı tahminleriyle karşılaştırmak ve analiz etmektir. Bu çalışmanın amacı, over kanserli hastalarda preoperatif görüntülemelere dayalı olarak yapay zeka programının rezektabilite tahmin yeteneğini değerlendirmek ve bu tahminleri radyoloji raporları ile klinikte uygulanan tedavilerle karşılaştırmaktır. Yapay zeka tabanlı sistemlerin over kanserinde rezektabiliteyi değerlendirmede ve tedavi planlanmasında ne derece etkili ve güvenilir olabileceği araştırılacaktır. Bu bağlamda çalışma, yapay zekanın tıbbi alanda kullanımının geleceğine dair önemli bilgiler sunmayı hedeflemektedir. Gereç ve yöntem: Bu çalışma, 01 Ocak 2015 ile 01 Ocak 2025 tarihleri arasında, Akdeniz Üniversitesi Kadın Hastalıkları ve Doğum Kliniği'ne başvuran veya tedavi alan over kanser tanılı hastaların incelenmesini içermektedir. Toplamda 230 hasta tespit edildi fakat 46 hastanın preoperatif görüntüleri ve patoloji sonuçlarına ulaşılamadı. Toplam 184 hasta üzerinde çalışıldı. Toplanan veriler yapay zeka programı ChatGPT'ye girildi. Her hastanın radyolojik görüntüleri ve klinik özellikleri değerlendirilerek yapay zeka tarafından tahmini bir rezektabilite olma ihtimali belirlendi. Radyolojik raporlar ile tekrar yapay zeka tarafından tahmini bir oran belirlendi. Bu oranlar karşılaştırıldı. Ayrıca en uygun tedavi seçeneğini belirlemesi amaçlandı. Önerilen tedavi seçeneği ile gerçekte uygulan tedaviler karşılaştırıldı. Aynı zamanda tanı konulduktan sonra tedavi arasında geçen süreç değerlendirildi. Yapay zeka programlarının tanı ile tedavi arasında geçen sürece katkısı araştırıldı. Bu çalışma, yapay zekanın klinik karar verme süreçlerine katkısını değerlendirmek ve potansiyel etkinliğini incelemek için tasarlandı. Bulgular: 01 Ocak 2015 ile 01 Ocak 2025 tarihleri arasında Akdeniz Üniversitesi Kadın Hastalıkları ve Doğum Kliniği'nde tedavi veya tanı alan over kanseri 184 hastanın tanı anındaki ortalama yaşları 55,67 ± 11,70 olarak bulundu, 53 hastaların %69,0'ı postmenopozal, %23,4'ü sigara kullanmakta, beden kitle indeksi (BMI) ortalaması 27,72 ± 4,83 olarak saptandı. Ek hastalıklar arasında en sık görüleni hipertansiyon olup, CA 12-5 değerleri incelendiğinde; ortalama değer 1305,34 ± 3495,64 dür. Patoloji türlerine göre en yaygın tanı %69 ile seröz tiptir. Bunu %10,9 ile endometrioid, %5,4 ile berrak hücreli ve %3,3 ile granüloza tipleri takip etmektedir. Seröz over kanseri tanısı konulan 127 hasta arasında grade dağılımı incelendiğinde, %89,8'i high gradedir. Uygulanan tedavi yöntemleri değerlendirildiğinde; hastaların %61,4'üne primer sitoredüksiyon uygulandığı belirlendi. Yapay zeka programının görüntü üzerinden değerlendirdiği rezektabilite olma ihtimali ile radyoloji raporlarına dayalı değerlendirdiği rezektabilite olma ihtimali karşılaştırıldığında; p

Özet (Çeviri)

Investigation of the Potential of Artificial Intelligence in Imaging-Based Assessment of Resectability in Ovarian Cancer Objective: This study aims to analyze and compare the medical data and radiological images of ovarian cancer patients treated in our clinic with the resectability predictions provided by an artificial intelligence (AI) program. The primary objective is to evaluate the AI system's ability to predict resectability based on preoperative imaging and compare these predictions with radiology reports and the treatments applied in clinical practice. Additionally, the study investigates the effectiveness and reliability of AI-based systems in assessing resectability and guiding treatment planning in ovarian cancer. Materials and Methods: This retrospective study included patients diagnosed with ovarian cancer who were treated or followed at the Department of Obstetrics and Gynecology, Akdeniz University Hospital, between January 1, 2015, and January 1, 2025. A total of 230 patients were initially identified; however, 46 were excluded due to the unavailability of preoperative imaging or pathology data. The final analysis included 184 patients. Data were processed through the AI program ChatGPT. For each patient, both radiological imaging and clinical features were evaluated to generate AI-based resectability probabilities, which were then compared with predictions derived from radiology reports. Furthermore, the treatments suggested by AI were compared with those actually applied, and the time interval between diagnosis and treatment was assessed to evaluate the contribution of AI to decision-making timelines. Results: The mean age at diagnosis among the 184 patients was 55.67 ± 11.70 years. Of these, 69.0% were postmenopausal, 23.4% were smokers, and the average BMI was 27.72 ± 4.83 kg/m². Hypertension was the most common comorbidity. The mean CA-125 level was 1305.34 ± 3495.64 U/mL. Histopathologically, serous carcinoma was the most common subtype (69%), followed by endometrioid (10.9%), clear cell (5.4%), and granulosa cell tumors (3.3%). Among the 127 serous carcinoma patients, 89.8% were high-grade. Primary cytoreductive surgery was performed in 61.4% of cases. A statistically significant 56 difference (p < 0.001) was found between the AI-predicted resectability based on imaging and that based on radiology reports, with a mean discrepancy of 13.29%. In 64.1% of cases, the AI prediction was higher, equal in 7.1%, and lower in 28.8%. The average absolute difference in resectability probability was 14.28% for higher AI predictions and 14.34% for lower predictions. When analyzed by imaging modality, the discrepancy was 13.20% for CT, 12.86% for MRI, and 14.17% for PET. Regarding treatment planning, AI-generated treatment suggestions matched the actual clinical decisions in 75.5% of cases. The remaining 24.5% showed discordance, predominantly due to AI suggesting neoadjuvant chemotherapy while surgery was performed instead. Among those who underwent surgery despite AI recommending chemotherapy, 52.5% failed to achieve maximal cytoreduction. Of the 71 patients who received neoadjuvant chemotherapy, 69 were non-resectable, and 2 were resectable but received chemotherapy due to comorbidities—both cases aligned with AI suggestions. The average time from diagnosis to treatment initiation was 35.17 days. Conclusion: Ovarian cancer is often diagnosed at an advanced stage and requires effective planning of both diagnosis and treatment. Accurate evaluation of surgical resectability is essential for improving survival outcomes. This study demonstrates that AI-based systems show promising potential in predicting resectability and assisting clinical decision-making in ovarian cancer. When integrated into clinical workflows, AI may enhance diagnostic precision and reduce time to treatment. However, the observed discrepancies between AI recommendations and real-world practices indicate that AI should currently serve only as a supportive tool rather than an autonomous decision-maker. Its outputs must be critically assessed and tailored by clinicians. Further large-scale, multicenter studies are needed before routine clinical implementation.

Benzer Tezler

  1. Tez No

    520033

    Scoring of CERbB2 tumors in breast cancer by pathological image analysis

    Patolojik görüntü analizi ile meme kanserinde CERbB2 tümörlerinin skor değerlerinin belirlenmesi

    GÖZDE AYŞE TATAROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

  2. Tez No

    776438

    Biopsy cost reduction for early diagnosis of breast cancer using hybrid deep learning techniques

    Hibrit derin öğrenme teknikleri kullanılarak meme kanserinde erken teşhis için biyopsi maliyetinin düşürülmesi

    PINAR USKANER HEPSAĞ

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SELMA AYŞE ÖZEL

    PROF. DR. ADNAN YAZICI

  3. Tez No

    787402

    Akciğer kanserinin derin öğrenme yaklaşımları kullanılarak tespit edilmesi

    Detection of lung cancer using deep learning approaches

    FERHAT AYAYNA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABİDİN ÇALIŞKAN

  4. Tez No

    945204

    T1-ağırlıklı mr görüntülerinde meme tümörü tanısı için görüntü tabanlı tespit ve hasta bazlı karar iyileştirilmesinin birleştirilmesi: faster R-CNN yaklaşımı

    Combining image-based detection and patient-level decision enhancement for breast tumor diagnosis using t1-weighted mri and faster R-CNN

    ŞEYMA NUR TUFAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  5. Tez No

    519901

    Compressed sensing based 3D image reconstruction in digital breast tomosynthesis and micro-bioimaging

    Sayısal meme tomosentezinde ve mikro biyogörüntülemede sıkıştırılmış algılama tabanlı 3B görüntü geri çatma

    ADEM POLAT

    Doktora

    İngilizce

    İngilizce

    2018

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

Geri Dön