Geri Dön

Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile adneksiyel kitlelerin malignite potansiyellerinin öngörülmesi

Predicting the malignancy potential of adnexal masses using machine learning and ai-based magnetic resonance imaging analysis

PDF İndir

  1. Tez No: 962147
  2. Yazar: ZEYNEP ACAR
  3. Danışmanlar: DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ, DR. HALE ÇETİN ARSLAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kadın Hastalıkları ve Doğum, Obstetrics and Gynecology
  6. Anahtar Kelimeler: Difüzyon manyetik rezonans görüntüleme, Diffusion magnetic resonance imaging
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Kanuni Sultan Süleyman Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Kadın Hastalıkları ve Doğum Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

GİRİŞ VE AMAÇ: Jinekolojik maligniteler arasında en agresif seyirli olanı over kanseridir. Borderline tümörler ise invaziv ve yıkıcı bir büyüme göstermemeleri nedeniyle fertilite koruyucu cerrahinin uygun bir seçenek olabileceği özgün bir grubu oluşturur. Bu nedenle adneksiyel kitlelerin malignite potansiyelinin doğru bir şekilde öngörülmesi klinik açıdan büyük önem taşımaktadır. Çalışmamızda epitelyal over tümörlerinin manyetik rezonans görüntülerinin (MRG) yapay zekâ tabanlı derin öğrenme modelleri ile analiz edilerek malignite potansiyelinin belirlenmesi ve cerrahi planlamaya katkısının araştırılması amaçlanmıştır. GEREÇ VE YÖNTEM: Ocak2010-Ocak2025tarihleri arasında Kanuni Sultan Süleyman Eğitim ve Araştırma Hastanesi Jinekolojik Onkoloji Cerrahisi Kliniğinde adneksiyel kitle nedeniyle opere edilen ve patoloji sonucu malign, borderline veya benign epitelyal over tümörü olarak raporlanan, preoperatif MRG verileri mevcut olan hastalar retrospektif olarak incelendi. Toplam 362 hastaya ait 2896 MRG kesiti analiz edildi. Görüntü sınıflandırması amacıyla beş farklı yapay zekâ tabanlı derin öğrenme modeli kullanıldı. BULGULAR: Çalışmaya 100 benign, 100 malign, 62 borderline tümörlü hasta ile kontrol grubu olarak 100 normal olgu dahil edildi. Borderline tümör grubunda medyan yaş, malign ve benign gruplara göre anlamlı olarak daha düşük bulundu (sırasıyla p<0,001 ve p=0,012).Tüm evrişimli sinir ağı (CNN) modelleri birbiri ile kıyaslandığında EfficientNetV2B0 modeli, test kümesinde %74,55'lik bir doğruluk, %74,01'lik bir kesinlik, %73,53'lik kesinlik ve duyarlılık arasındaki dengeyi gösteren F-skoru değeri ile en iyi performansı gösterdi. SONUÇLAR: Çalışmamız, yapay zekâ destekli MRG analizlerinin adneksiyel kitlelerin malignite potansiyelini öngörmede ve cerrahi planlamada umut verici bir araç olabileceğini ortaya koymuştur. Bununla birlikte, nadir görülen veya tanısal olarak karmaşık tümör alt tiplerinde performansın artırılması için daha geniş ve çok merkezli çalışmalara ihtiyaç vardır.

Özet (Çeviri)

INTRODUCTION: Ovarian cancer is the most aggressive among gynecological malignancies. Borderline tumors, however, do not exhibit invasive or destructive growth, forming a unique group where fertility-sparing surgery can be a suitable option. Therefore, accurate prediction of the malignancy potential of adnexal masses is of great clinical importance. In our study, we aimed to analyze magnetic resonance imaging (MRI) of epithelial ovarian tumors using artificial intelligence-based deep learning models to determine their malignancy potential and investigate their contribution to surgical planning. MATERIAL AND METHODS: Patients who underwent surgery for an adnexal mass at the Kanuni Sultan Süleyman Training and Research Hospital's Gynaecological Oncology Surgery Clinic between January 2010 and January 2025 were retrospectively reviewed. The patients included in the study had pathology reports confirming a malignant, borderline, or benign epithelial ovarian tumour and had available preoperative MRI data. A total of 2896 MRI sections from 362 patients were analyzed. Five different AI-based deep learning models were used for image classification. RESULTS: The study included 100 patients with benign tumors, 100 with malignant tumors, 62 with borderline tumors, and 100 normal cases as a control group. The median age in the borderline tumor group was found to be significantly lower than in the malignant and benign groups (p<0.001 and p=0.012, respectively). When all Convolutional Neural Network (CNN) models were compared, the EfficientNetV2B0 model demonstrated the best performance in the test set with an accuracy of 74.55%, a precision of 74.01%, and an F-score of 73.53%, which indicates a balance between precision and recall. CONCLUSIONS: Our study has demonstrated that AI-supported MRI analysis can be a promising tool for predicting the malignancy potential of adnexal masses and for surgical planning. However, larger, multi-center studies are needed to improve performance, particularly for rare or diagnostically complex tumor subtypes.

Benzer Tezler

  1. Tez No

    1019682

    Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile serviks kanserinde inoperabilitenin öngörülmesi

    Prediction of inoperability in cervical cancer using machine learning and artificial intelligence-based analysis of magnetic resonance imaging

    MELİKE NUR BEDİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Kadın Hastalıkları ve DoğumSağlık Bilimleri Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ

  2. Tez No

    997036

    Acil serviste periferik ve santral vertigo tanısında yapay zeka destekli bir sistemin tasarlanması ve klinik önemi

    Design and clinical significance of an artificial intelligence-assisted system for diagnosing peripheral and central vertigo in the emergency department

    ÖMER TURALİOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Acil TıpAtatürk Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. ERDAL TEKİN

  3. Tez No

    879686

    Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  4. Tez No

    945247

    Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo

    Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi

    NUSAIBAH KHALID ABDULMAJEED AL-SALIHI

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

    PROF. DR. TURGAY İBRİKÇİ

  5. Tez No

    1011844

    Yapay zeka ile entegre radyomik yaklaşım kullanılarak glial tümörlerde tanısal ve prognostik analizlerin yapılması

    Diagnostic and prpgnostic analysis of glial tumors using an artificial intelligence-integrated radiomic approach

    YUNUS EMRE SAĞLAM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    NöroşirürjiBezm-İ Alem Vakıf Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    PROF. DR. MUSTAFA AZİZ HATİBOĞLU

Geri Dön