Günümüzde yapay zekâ; tıp alanında kullanımı açısından önemli bir potansiyele sahiptir. Yapay zekâ teşhis, tedavi, hasta takibi gibi birçok alanda hekimlere yardımcı olabilir. Yapay zekânın akciğer grafilerinin triyajına ve yorumlanmasına yardımcı olma potansiyeli özellikle önemlidir çünkü akciğer grafileri hekimler tarafından kolay ve hızlı ulaşılabilen, yaygın kullanılan bir görüntüleme yöntemidir. Son dönemlerde göğüs radyografilerinin analizi için yapay zekâ algoritmalarının geliştirilmesinde önemli ilerlemeler kaydedilmiş ve görüntü analizi için yapay zekânın derin öğrenme yöntemi baskın yaklaşım haline gelmiştir. Sunulan çalışmada cc kullanılarak yapay zekâya grafisinde hiler dolgunluğu olan hastaları tespit ettirecek derin öğrenmenin sağlanması, bu amaca ait bir uygulama hazırlanması ve poliklinik pratiklerinde bu uygulamanın kullanılarak hiler dolgunluğun saptanma başarısının artırılması hedeflenmiştir. Süleyman Demirel Üniversitesi Araştırma ve Uygulama Hastanesinde belirli tanı kodları ile 2013-2023 yılları arasında PA akciğer grafisi çekilen hastalar retrospektif olarak tespit edildi. Grafiler yaş ve cinsiyet açısından randomize edildikten sonra 879 grafi iki ayrı bağımsız araştırmacı tarafından değerlendirildi, ortak karar verilen; 184 hiler dolgunluk saptanan ve 154 normal olarak değerlendirilen grafi çalışmaya dahil edildi. Toplamda 338 PA akciğer grafisinin 255'i yapay zekâ eğitimi için, 83'ü ise test amacıyla kullanıldı. Çalışmada olguların %54,1'i kadın (n=183), %45,9'u erkek (n=155) olup yaş ortalamaları 60,80±9,91 (min:19-max:106) yıl olarak bulundu. Olguların %45,6'sını (n=154) posteroanteriyor akciğer grafisi normal olan hastalar oluşturuken, %54,4'ünü (n=184) grafisinde hiler dolgunluğa sahip olan hastalar oluşturuyordu. Grafi sonuçları yaş ve cinsiyet açısından randomize dağılmaktaydı. Geliştirilen yapay zekâ modelinin duyarlılığı %88 ve özgüllüğü %88 olarak bulundu. Geliştirilen yapay zekâ modelinin genel başarısı (F1 skoru) %93 olarak saptandı. Sunulan çalışmada geliştirilen model; PA akciğer grafilerinin normal ya da hiler dolgunluk olarak ayrımında hekimlere yardımcı olma potansiyeline sahiptir. Bu sayede hiler dolgunluğun varlığı konusundaki kafa karışıklığını ortadan kaldırması, eğer hiler dolgunluk mevcutsa gözden kaçırılmaması, altta yatan nedenin belirlenmesi ve uygun tedavinin başlanmasına katkıda bulunabilir. Patolojinin erken farkedilmesi ile altta yatan hastalık tanısına erken ulaşılması, hastalığın ilerlemesini engelleyebilir ve komplikasyon riskini azaltabilir. Anahtar Sözcükler : Hiler Dolgunluk, Akciğer Grafisi, Yapay Zeka, Derin Öğrenme.
Today, artificial intelligence has a significant potential for use in the medical field. Artificial intelligence can assist physicians in many areas such as diagnosis, treatment, and patient follow-up. The potential for AI to assist in the triage and interpretation of chest radiographs is particularly important because lung radiography is a widely used imaging method that can be accessed easily and quickly by physicians. Recently, significant progress has been made in the development of artificial intelligence algorithms for the analysis of chest radiographs, and the deep learning method of artificial intelligence has become the dominant approach for image analysis. In the presented study, it is aimed to provide deep learning to artificial intelligence to detect patients with hilar enlargement by using chest radiographs, to prepare an application for this purpose and to increase the success of detecting hilar enlargement by using this application in outpatient clinic practices. Patients who had PA chest radiography with certain diagnostic codes at Süleyman Demirel University Research and Application Hospital between 2013 and 2023 were identified retrospectively. After the radiographs were randomized in terms of age and gender, 879 radiographs were evaluated by two separate independent researchers, a mutual decision was made; 184 radiographs in which hilar enlargement was detected and 154 radiographs evaluated as normal were included in the study. In total, 255 of 338 posteroanterior chest radiographs were used for artificial intelligence training and 83 for testing purposes. In the study, 54.1% of the cases were female (n = 183), 45.9% were male (n = 155), and the average age was 60.80±9.91 (min: 19-max: 106) years. While 45.6% (n=154) of the cases were patients with normal PA chest radiographs, 54.4% (n=184) were patients with hilar enlargement on their radiographs. Radiograph results were distributed randomly in terms of age and gender. The sensitivity of the developed artificial intelligence model was found to be 88% and the specificity was 88%. The overall success (F1 score) of the developed artificial intelligence model was found to be 93%. The model developed in the presented study has the potential to assist physicians in distinguishing PA chest radiographs as normal or as hilar enlargement. In this way, it can contribute to eliminating confusion about the presence of hilar enlargement, not to miss hilar enlargement if it is present, determining the underlying cause and initiating appropriate treatment. Early recognition of pathology and early diagnosis of the underlying disease can prevent the progression of the disease and reduce the risk of complications. Keywords : Hilar Enlargement, Chest X-ray, Artificial Intelligence, Deep Learning.
Tez (Tıpta Uzmanlık -PhD) - Süleyman Demirel Üniversitesi, Tıp Fakültesi, Göğüs Hastalıkları Anabilim Dalı, 2024.
Kaynakça var.
Günümüzde yapay zekâ; tıp alanında kullanımı açısından önemli bir potansiyele sahiptir. Yapay zekâ teşhis, tedavi, hasta takibi gibi birçok alanda hekimlere yardımcı olabilir. Yapay zekânın akciğer grafilerinin triyajına ve yorumlanmasına yardımcı olma potansiyeli özellikle önemlidir çünkü akciğer grafileri hekimler tarafından kolay ve hızlı ulaşılabilen, yaygın kullanılan bir görüntüleme yöntemidir. Son dönemlerde göğüs radyografilerinin analizi için yapay zekâ algoritmalarının geliştirilmesinde önemli ilerlemeler kaydedilmiş ve görüntü analizi için yapay zekânın derin öğrenme yöntemi baskın yaklaşım haline gelmiştir. Sunulan çalışmada cc kullanılarak yapay zekâya grafisinde hiler dolgunluğu olan hastaları tespit ettirecek derin öğrenmenin sağlanması, bu amaca ait bir uygulama hazırlanması ve poliklinik pratiklerinde bu uygulamanın kullanılarak hiler dolgunluğun saptanma başarısının artırılması hedeflenmiştir. Süleyman Demirel Üniversitesi Araştırma ve Uygulama Hastanesinde belirli tanı kodları ile 2013-2023 yılları arasında PA akciğer grafisi çekilen hastalar retrospektif olarak tespit edildi. Grafiler yaş ve cinsiyet açısından randomize edildikten sonra 879 grafi iki ayrı bağımsız araştırmacı tarafından değerlendirildi, ortak karar verilen; 184 hiler dolgunluk saptanan ve 154 normal olarak değerlendirilen grafi çalışmaya dahil edildi. Toplamda 338 PA akciğer grafisinin 255'i yapay zekâ eğitimi için, 83'ü ise test amacıyla kullanıldı. Çalışmada olguların %54,1'i kadın (n=183), %45,9'u erkek (n=155) olup yaş ortalamaları 60,80±9,91 (min:19-max:106) yıl olarak bulundu. Olguların %45,6'sını (n=154) posteroanteriyor akciğer grafisi normal olan hastalar oluşturuken, %54,4'ünü (n=184) grafisinde hiler dolgunluğa sahip olan hastalar oluşturuyordu. Grafi sonuçları yaş ve cinsiyet açısından randomize dağılmaktaydı. Geliştirilen yapay zekâ modelinin duyarlılığı %88 ve özgüllüğü %88 olarak bulundu. Geliştirilen yapay zekâ modelinin genel başarısı (F1 skoru) %93 olarak saptandı. Sunulan çalışmada geliştirilen model; PA akciğer grafilerinin normal ya da hiler dolgunluk olarak ayrımında hekimlere yardımcı olma potansiyeline sahiptir. Bu sayede hiler dolgunluğun varlığı konusundaki kafa karışıklığını ortadan kaldırması, eğer hiler dolgunluk mevcutsa gözden kaçırılmaması, altta yatan nedenin belirlenmesi ve uygun tedavinin başlanmasına katkıda bulunabilir. Patolojinin erken farkedilmesi ile altta yatan hastalık tanısına erken ulaşılması, hastalığın ilerlemesini engelleyebilir ve komplikasyon riskini azaltabilir. Anahtar Sözcükler : Hiler Dolgunluk, Akciğer Grafisi, Yapay Zeka, Derin Öğrenme.
Today, artificial intelligence has a significant potential for use in the medical field. Artificial intelligence can assist physicians in many areas such as diagnosis, treatment, and patient follow-up. The potential for AI to assist in the triage and interpretation of chest radiographs is particularly important because lung radiography is a widely used imaging method that can be accessed easily and quickly by physicians. Recently, significant progress has been made in the development of artificial intelligence algorithms for the analysis of chest radiographs, and the deep learning method of artificial intelligence has become the dominant approach for image analysis. In the presented study, it is aimed to provide deep learning to artificial intelligence to detect patients with hilar enlargement by using chest radiographs, to prepare an application for this purpose and to increase the success of detecting hilar enlargement by using this application in outpatient clinic practices. Patients who had PA chest radiography with certain diagnostic codes at Süleyman Demirel University Research and Application Hospital between 2013 and 2023 were identified retrospectively. After the radiographs were randomized in terms of age and gender, 879 radiographs were evaluated by two separate independent researchers, a mutual decision was made; 184 radiographs in which hilar enlargement was detected and 154 radiographs evaluated as normal were included in the study. In total, 255 of 338 posteroanterior chest radiographs were used for artificial intelligence training and 83 for testing purposes. In the study, 54.1% of the cases were female (n = 183), 45.9% were male (n = 155), and the average age was 60.80±9.91 (min: 19-max: 106) years. While 45.6% (n=154) of the cases were patients with normal PA chest radiographs, 54.4% (n=184) were patients with hilar enlargement on their radiographs. Radiograph results were distributed randomly in terms of age and gender. The sensitivity of the developed artificial intelligence model was found to be 88% and the specificity was 88%. The overall success (F1 score) of the developed artificial intelligence model was found to be 93%. The model developed in the presented study has the potential to assist physicians in distinguishing PA chest radiographs as normal or as hilar enlargement. In this way, it can contribute to eliminating confusion about the presence of hilar enlargement, not to miss hilar enlargement if it is present, determining the underlying cause and initiating appropriate treatment. Early recognition of pathology and early diagnosis of the underlying disease can prevent the progression of the disease and reduce the risk of complications. Keywords : Hilar Enlargement, Chest X-ray, Artificial Intelligence, Deep Learning.