Geri Dön

Yapay zeka temelli nodul saptama algoritması kullanılarak rutin klinik uygulamada hasta yönetimine katkısının araştırılması

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 986421
  2. Yazar: EMRE RUHAT AVCI
  3. Danışmanlar: PROF. DR. NACİYE SİNEM GEZER
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Pulmoner nodül, yapay zekâ, derin öğrenme, toraks BT, nodül saptama algoritması, foundation model, domain shift, klinik doğrulama, Pulmonary nodule, artificial intelligence, deep learning, thoracic CT, nodule detection algorithm, foundation model, domain shift, clinical validation
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın amacı, Dokuz Eylül Üniversitesi Radyoloji Anabilim Dalı'nda geliştirilen derin öğrenme tabanlı pulmoner nodül saptama algoritmasının rutin klinik uygulamalardaki performansını değerlendirmek; farklı parankimal akciğer hastalıklarının (KOAH, pnömoni, interstisyel akciğer hastalıkları, ödem, postoperatif değişiklikler, sekeller) ve teknik görüntüleme parametrelerinin (kesit kalınlığı, kontrast kullanımı, rekonstrüksiyon kerneli, cihaz modeli) model doğruluğu üzerindeki etkisini incelemektir. Ek olarak hastalıklı parankim içeren olgularla yeniden eğitim sonrası model performansındaki değişiklikler değerlendirilmiştir. Gereç ve Yöntem: 1 Temmuz 2023 – 27 Mart 2024 tarihleri arasında DEÜ PACS arşivinden elde edilen 209 hastaya ait toraks BT tetkikleri retrospektif olarak incelenmiştir. Normal parankimli olgular (n=53) ile çeşitli parankimal hastalık grupları (n=156) karşılaştırılmıştır. Toplam 3323 nodül, iki radyolog tarafından oluşturulan“ground truth”referans alınarak analiz edilmiştir. Algoritmanın ilk versiyonu tüm olgular üzerinde test edilmiş, ardından hastalıklı parankim örnekleriyle %75 eğitim – %10 validasyon – %15 test şeklinde yeniden eğitilmiştir. Performans; TP, FP, FN, precision, recall, F1 skoru ve vaka başına hata sayıları ile değerlendirilmiştir. Bulgular: İlk testte model yüksek duyarlılık (recall: 0,993) ve güçlü F1 skoru (0,855) göstermiş ancak yalancı pozitif oranı yüksek bulunmuştur (FP: 1094). Hastalıklı parankimde yanlış pozitif oranı belirgin biçimde artarken normal parankimde doğruluk daha yüksektir. Kesit kalınlığının 1 mm olması FP sayısını artırmış; kontrast kullanımı ve rekonstrüksiyon kernelinin performansa anlamlı etkisi olmamıştır. Yeniden eğitim sonrası duyarlılık azalmış (0,915), F1 skoru düşmüş (0,786) ve yanlış negatif sayısı artmıştır. Nodül boyutu ≥5,5 mm eşik değeri kullanıldığında FP azalmış ancak duyarlılık belirgin şekilde düşmüştür. Radyologlar tarafından 31 hastada toplam 372 nodülün raporlanmadığı saptanmış olup, özellikle acil servisten çekilen tetkiklerde nodül atlama oranı anlamlı derecede yüksektir (p<0,001). Algoritma bu nodüllerin önemli bir kısmını doğru şekilde işaretlemiştir. Sonuç: Derin öğrenme tabanlı nodül saptama algoritması yüksek duyarlılık göstermiş olup, özellikle normal parankimde güçlü performans sergilemiştir. Ancak heterojen parankim yapısı içeren olgularda yanlış pozitif oranı artmakta, yeniden eğitim sonrasında dahi genellenebilirlik sınırlı kalmaktadır. Bulgular, nodül saptama modellerinde“alan kayması (domain shift)”sorununa dikkat çekmekte ve klinik uygulamada daha geniş, çeşitli ve hastalıklı parankim örüntülerini içeren foundation modellerin gerekliliğini ortaya koymaktadır. Algoritmanın ikinci okuyucu (second reader) olarak kullanılması, özellikle acil koşullarda gözden kaçan nodüllerin saptanmasına katkı sağlayabilir.

Özet (Çeviri)

Objective: This study aimed to evaluate the real-world performance of a deep learning–based pulmonary nodule detection algorithm developed at Dokuz Eylül University, and to investigate the impact of various parenchymal lung diseases (COPD, pneumonia, interstitial lung disease, pulmonary edema, postoperative changes, sequelae) and technical imaging parameters (slice thickness, contrast use, reconstruction kernel, scanner model) on diagnostic accuracy. Additionally, the effect of re-training the model with diseased parenchymal cases on overall performance was assessed. Materials and Methods: This retrospective study included thoracic CT examinations of 209 patients retrieved from the DEU PACS archive between July 2023 and March 2024. Fifty-three cases had normal lung parenchyma, while 156 had parenchymal abnormalities. A total of 3323 nodules were analyzed using a“ground truth”established by two radiologists. The initial version of the algorithm was tested on all cases; subsequently, diseased-parenchyma cases were used to re-train the model using a 75% training, 10% validation, and 15% test split. Performance metrics included TP, FP, FN, precision, recall, F1-score, and per-case error rates. Results: The initial model demonstrated very high sensitivity (recall: 0.993) and a strong F1-score (0.855) but produced a substantial number of false positives (FP: 1094). Accuracy was higher in normal parenchyma, whereas FP rates increased markedly in diseased lungs. A slice thickness of 1 mm increased FP counts, while contrast usage and reconstruction kernel had no statistically significant impact on performance. After re-training with diseased parenchyma, sensitivity decreased (0.915), F1-score declined (0.786), and the number of false negatives increased. When a ≥5.5 mm size threshold was applied, FP rates decreased but sensitivity dropped considerably. Radiologists missed at least one nodule in 31 patients, accounting for 372 unreported nodules. Missed nodules were significantly more common in emergency CT examinations (p<0.001). The algorithm successfully detected many of these overlooked nodules, supporting a second-reader role in clinical practice. Conclusion: The deep learning–based algorithm achieved high sensitivity, particularly in normal lung parenchyma. However, its performance declined in heterogeneous or diseased lung patterns, and re-training did not fully mitigate this limitation. These findings highlight the challenge of“domain shift”in medical imaging AI and underscore the need for broader, more diverse training sets or next-generation foundation models capable of understanding both nodules and background parenchymal pathology. The algorithm may serve as a useful second reader, especially in high-workload emergency settings where overlooked nodules are more likely.

Benzer Tezler

  1. Tez No

    950691

    Bilgisayarlı tomografi'de yapay zekadestekli akciğer nodülü tanı ve izlem sistemi

    Başlık çevirisi yok

    RAİF CAN YAROL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpDokuz Eylül Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. OĞUZ DİCLE

  2. Tez No

    987108

    Cerrahi rezeksiyon uygulanan saf buzlu cam ve subsolid akciğer nodüllerinde malignite öngörüsü: Klinik ve radyomik parametrelerin optimizasyonu ile oluşturulan XGBoost modelinin değerlendirilmesi

    Predicting malignancy in purely ground-glass and subsolid lung nodules undergoing surgical resection: Evaluation of an XGBoost model optimised using clinical and radiomic parameters

    AYLİN CANAVAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Göğüs CerrahisiSağlık Bilimleri Üniversitesi

    Göğüs Cerrahisi Ana Bilim Dalı

    PROF. DR. LEVENT CANSEVER

  3. Tez No

    988432

    Tiroid nodüllerinde yapay zeka temelli TIRADS algoritmasının diğer sınıflama sistemlerine göre tanısal performansını karşılaştırma

    Comparison of the diagnostic performance of artifical intelligence based tirads algorithm with other classification systems in thyroid nodules

    ABDİLKADİR BOZKUŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpAcıbadem Mehmet Ali Aydınlar Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. KORAY GÜVEN

  4. Tez No

    904952

    Sulkus tanılı hastaların videostroboskopik görüntülerinin yapay zeka temelli tanısal değerlendirilmesi

    An ai-powered diagnostic assessment of videostroboscopic images in patients diagnosed with sulcus

    ÖMER TARIK KAVAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Kulak Burun ve BoğazMarmara Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    DOÇ. DR. NECATİ ENVER

  5. Tez No

    901619

    Tiroid nodüllerinin ayırıcı tanısı için yapay zeka temelli tirads skorlama sistemi geliştirilmesi

    Development of tirads scoring system based on artificial intelligence for differential diagnosis of thyroid nodules

    BURCU BEKTAŞ GÜNEŞ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. RÜYA ŞAMLI

Geri Dön