Kolesteatomlu ve kolesteatomsuz kronik otitismedia hastalarında bilgisayarlı tomografi (BT) ve manyetik rezonans görüntüleme (MRG) kullanılarak derin öğrenme bazlı yapay zeka desteğiyle değerlendirilmesi ve radyolog bakısıile kıyaslanması
Deep learning-based differentiation of cholesteatoma and non-cholesteatoma chronic otitis media using CT and MRI: Comparison with radiologists' assessments
- Tez No: 955631
- Danışmanlar: PROF. DR. ZEHRA HİLAL ADIBELLİ, UZMAN AHMET BOZER
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Yapay zeka, kolesteatom, kronik otitis media, Artificial intelligence, cholesteatoma, chronic otitis media
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bakanlığı
- Enstitü: İzmir Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
ÖZET Giriş: Kronik otitis media (KOM), orta kulakta kronik inflamasyonla seyreden önemli bir toplum sağlığı problemidir. KOM'un agresif bir formu olan kolesteatom, kemik erozyonu ve ciddi komplikasyonlara yol açabilir. Ancak kolesteatomun, kolesteatomsuz KOM'dan klinik ve radyolojik olarak ayırt edilmesi her zaman kolay değildir. Bu nedenle doğru ve erken tanı, hastalık yönetimi ve cerrahi planlama açısından büyük önem taşımaktadır. Son yıllarda yapay zeka uygulamaları, tıbbi görüntülemede tanısal süreci desteklemek ve objektifliği artırmak amacıyla kullanılmaya başlanmıştır. Amaç: Bu çalışmanın amacı, BT ve MRG görüntülerinden yararlanılarak geliştirilen derin öğrenme tabanlı bir yapay zeka modeli aracılığıyla kolesteatomlu ve kolesteatomsuz kronik otitis media olgularını ayırt etmedeki başarısının değerlendirilmesidir. Gereç ve Yöntem: Çalışmamız 2017-2025 yılları arasında, iki merkezde, opere edilmiş ve histopatolojik tanısı bulunan kolesteatomlu ve kolesteatomsuz KOM hastalarının yer aldığı retrospektif bir çalışmadır. Toplamda 153 hasta 158 kulak çalışmaya dahil edilmiştir. BT ve MRG görüntüleri, yapay zeka modeli ve histopatolojik sonuçlardan, yapay zeka analizlerinden habersiz bir şekilde iki farklı deneyime sahip radyolog tarafından değerlendirilmiştir. Radyologlar ve yapay zeka modelinin duyarlılık, özgüllük, doğruluk, pozitif/negatif prediktif değerler (PPD/NPD), F1 skoru ve AUC değerleri hesaplanmış, gözlemciler arası ve model ile gözlemciler arasındaki uyum Kappa analizi ile değerlendirilmiştir. Bulgular: Yapay zeka modelinin görüntü değerlendirmesi test grubunda yer alan 32 kulak üzerinden gerçekleştirilmiştir. Yapay zeka modelinin BT için duyarlılığı %90, özgüllüğü %91, doğruluk oranı %91, AUC'si 0,91, F1 skoru ise 0,93 bulunmuştur. Gözlemci A için bu değerler sırasıyla %67, %91, %75 , 0,79 , 0,74 ; gözlemci B için ise %62, %91, %72, 0,76, 0,71dir. MRG'de yapay zeka modelinde duyarlılık %100, özgüllük %82, doğruluk %94, AUC 0,91, F1 skoru 0,95 olarak bulunmuştur. Gözlemci A için bu değerler sırasıyla %95, %100, %97, 0,98, 0,97; gözlemci B için %90,%100, %94, 0,95, 0,95 olarak saptanmıştır. BT ve MRG'nin birlikte değerlendirildiği yöntemde yapay zeka modelinde duyarlılık %100, özgüllük %82 , doğruluk oranı %94, AUC 0,91 ve F1 skoru 0,95 bulunmuştur. Gözlemci A ve B için sırasıyla %90, %100, %94, 0,95 ve 0,95 olarak bulunmuştur. Sonuç: Geliştirilen yapay zeka modeli kolesteatomlu ve kolesteatomsuz KOM ayrımında iyi doğruluk oranları elde etmiştir. Elde edilen bulgular, yapay zeka destekli modellerin, özellikle karmaşık ve ayırıcı tanının zor olduğu durumlarda klinik karar destek sistemi olarak kullanılabileceğini öngörmektedir. Bu bağlamda, yapay zeka temelli görüntü analizi modelleri hem tanısal doğruluğun artırılmasında hem de radyologların iş yükünün azaltılmasında önemli bir potansiyele sahiptir.
Özet (Çeviri)
ABSTRACT Introduction: Chronic otitis media (COM) is a significant public health problem characterized by chronic inflammation of the middle ear. Cholesteatoma, an aggressive form of COM, can lead to bone erosion and severe complications. However, differentiating cholesteatoma from non-cholesteatomatous COM is not always straightforward clinically or radiologically. Therefore, accurate and early diagnosis is of critical importance for disease management and surgical planning. In recent years, artificial intelligence (AI) applications have begun to be utilized in medical imaging to support the diagnostic process and enhance objectivity. Objective: This study aims to evaluate the performance of a deep learning-based AI model developed using CT and MRI images in distinguishing between cholesteatomatous and non-cholesteatomatous chronic otitis media cases. Materials and Methods: This is a retrospective study conducted in two centers between 2017 and 2025, including patients who underwent surgery and had histopathologically confirmed diagnoses of cholesteatomatous or non-cholesteatomatous COM. A total of 153 patients and 158 ears were included. CT and MRI images were independently evaluated by two radiologists with different levels of experience, blinded to the AI analyses and histopathological results. Sensitivity, specificity, accuracy, positive/negative predictive values (PPV/NPV), F1 score, and AUC values were calculated for both radiologists and the AI model. Interobserver agreement and agreement between observers and the model were assessed using Kappa analysis. Results: The AI model evaluated the images of 32 ears in the test group. For CT, the AI model achieved a sensitivity of 90%, specificity of 91%, accuracy of 91%, AUC of 0.91, and an F1 score of 0.93. For Observer A, these values were 67%, 91%, 75%, 0.79, and 0.74, respectively; for Observer B, they were 62%, 91%, 72%, 0.76, and 0.71. In MRI evaluation, the AI model achieved a sensitivity of 100%, specificity of 82%, accuracy of 94%, AUC of 0.91, and an F1 score of 0.95. For Observer A, the values were 95%, 100%, 97%, 0.98, and 0.97, while for Observer B they were 90%, 100%, 94%, 0.95, and 0.95, respectively. In the combined CT and MRI assessment, the AI model reached a sensitivity of 100%, specificity of 82%, accuracy of 94%, AUC of 0.91, and an F1 score of 0.95. For Observer A and B, the values were 90%, 100%, 94%, 0.95, and 0.95, respectively. Conclusion: The developed AI model achieved high accuracy in distinguishing between cholesteatomatous and non-cholesteatomatous COM. The findings suggest that AI-assisted models may serve as effective clinical decision support tools, particularly in complex cases where differential diagnosis is challenging. In this context, AIbased imaging analysis models hold significant potential for improving diagnostic accuracy and reducing radiologists' workload.
Benzer Tezler
- Kolesteatomlu ve kolesteatomsuz kronik otitis media'lı hastaların preoperatif bilgisayarlı tomografisinde görülen yumuşak doku dansitelerinin hounsfield unit değerleri ayırıcı tanı ve takipte kullanılabilir mi?
Can hounsfield unit of soft tissue densities apparent on preoperative computed tomography of the patients who had chronic otitis media with and without cholesteatoma, be used in differential diagnosis and follow-up?
ŞEVKET AKSOY
Tıpta Uzmanlık
Türkçe
2018
Kulak Burun ve BoğazSağlık Bilimleri ÜniversitesiKulak Burun Boğaz Hastalıkları Ana Bilim Dalı
UZMAN KEMAL KESEROĞLU
- Kronik otit hastalarında kemik zincir defektlerinin kemikçik mineralizasyonu ile ilişkisi ve bilgisayarlı tomografide dansitometrik ölçümler ile preoperatif tespit edilebilirliğinin incelenmesi
The relationship between the bone chain defects with bone minererization in chronic otitis patients and investigation of the preoperative detectability with dansitometric measurements in computerized tomography
SİNAN CELEP
Tıpta Uzmanlık
Türkçe
2018
Kulak Burun ve BoğazSağlık Bilimleri ÜniversitesiKulak Burun Boğaz Hastalıkları Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM TEPE KARACA
- Kronik otitis mediada kemikçik zincir durumunun preoperatif bilgisayarlı tomografi bulguları ile peroperatif cerrahi bulgularının karşılaştırılması
Comparison of preoperative computed tomography findings with peroperative surgical findings of ossicular chain status inchronic otitis media
SELÇUK KUZU
Tıpta Uzmanlık
Türkçe
2015
Kulak Burun ve BoğazAfyon Kocatepe ÜniversitesiKulak Burun Boğaz Hastalıkları Ana Bilim Dalı
DOÇ. DR. ERDOĞAN OKUR
- Semisirküler kanal defektlerinde kullanılan tamir yöntemlerinin analizi ve uzun dönem sonuçları
Analysis and long-term results of repair methods used in semicular canal defects
MURAT GENCER
Tıpta Uzmanlık
Türkçe
2022
Kulak Burun ve BoğazSağlık Bilimleri ÜniversitesiKulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
DOÇ. DR. İLKER BURAK ARSLAN
- Kronik otitis medialı olgularda preoperatif bilgisayarlı tomografi bulgularının operasyon bulguları ile değerlendirilmesi
The evaluation of surgical findings with preoperative computed tomography findings in chronic otitis media cases
FETHULLAH KENAR
Tıpta Uzmanlık
Türkçe
2008
Kulak Burun ve BoğazAfyon Kocatepe ÜniversitesiKulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
YRD. DOÇ. DR. ABDULLAH AYÇİÇEK