Geri Dön

Temporal kemik BT görüntülerinde kolesteatom ile granülasyon dokusunun ayırıcı tanısında radiomics tabanlı makine öğrenmesi modeli ile klinik uzman değerlendirmelerinin karşılaştırılması

Comparison of a radiomics-based machine learning model and clinical expert evaluations in the differential diagnosis of cholesteatoma and granulation tissue on temporal bone CT images

PDF İndir

  1. Tez No: 1021626
  2. Yazar: AFGAN MEHDIYEV
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YAVUZ GÜNDOĞDU
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kulak Burun ve Boğaz, Radyoloji ve Nükleer Tıp, Otorhinolaryngology (Ear-Nose-Throat), Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Kolesteatom, granülasyon dokusu, kronik otitis media, temporal kemik BT, radiomics, makine öğrenmesi, Cholesteatoma, granulation tissue, chronic otitis media, temporal bone CT, radiomics, machine learning
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Kulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmanın amacı, temporal kemik BT görüntülerinden elde edilen radiomics özellikler kullanılarak kolesteatom ile granülasyon dokusunun ayırıcı tanısında radiomics tabanlı makine öğrenmesi modelinin tanısal performansını değerlendirmek ve elde edilen sonuçları klinik uzman değerlendirmeleri ile karşılaştırmaktır. Gereç ve Yöntem: Retrospektif tasarımdaki bu çalışmaya, cerrahi ve histopatolojik tanısı doğrulanmış toplam 50 olgu dahil edilmiştir. Olgular kolesteatom grubu ve granülasyon dokusu/kronik otitis media grubu olarak sınıflandırılmıştır. Temporal kemik BT görüntülerinde lezyon alanları manuel olarak segmente edilmiş ve PyRadiomics aracılığıyla birinci derece, şekil ve tekstür temelli radiomics özellikleri çıkarılmıştır. Sayısal özelliklere z-score standardizasyonu uygulanmış, ayırt edici özellikler SelectKBest yöntemi ile seçilmiş ve sınıflandırma lojistik regresyon modeli ile gerçekleştirilmiştir. Model performansı 5-fold cross-validation yöntemiyle değerlendirilmiş; elde edilen sonuçlar KBB uzmanı ve radyolog değerlendirmeleri ile karşılaştırılmıştır. Bulgular: Radiomics tabanlı makine öğrenmesi modeli 0.83 düzeyinde ortalama ROC-AUC değeri göstermiştir. Modelin doğruluk, duyarlılık, özgüllük, kesinlik ve F1 skoru sırasıyla %72, %64, %80, %81 ve %68 olarak hesaplanmıştır. KBB uzmanı değerlendirmesinde doğruluk %66 ve ROC-AUC 0.66; radyolog değerlendirmesinde ise doğruluk %74 ve ROC-AUC 0.74 olarak bulunmuştur. Radyolog değerlendirmesi en yüksek duyarlılık değerine ulaşırken, makine öğrenmesi modeli en yüksek ROC-AUC ve kesinlik değerlerini göstermiştir. Sonuç: Temporal kemik BT görüntülerinden elde edilen radiomics özellikler, kolesteatom ve granülasyon dokusu ayrımında klinik değerlendirmeye yardımcı olabilecek objektif ve nicel bilgiler sunmaktadır. Radiomics tabanlı makine öğrenmesi modeli tek başına klinik karar yerine geçmemekle birlikte, özellikle konvansiyonel BT bulgularının sınırlı kaldığı olgularda destekleyici bir karar aracı olarak potansiyel taşımaktadır.

Özet (Çeviri)

Objective: The aim of this study was to evaluate the diagnostic performance of a radiomics-based machine learning model in differentiating cholesteatoma from granulation tissue on temporal bone CT images and to compare its performance with clinical expert assessments. Materials and Methods: This retrospective study included 50 patients with surgically and histopathologically confirmed diagnoses. Patients were classified into cholesteatoma and granulation tissue/chronic otitis media groups. Lesions were manually segmented on temporal bone CT images, and first-order, shape-based, and texture-based radiomics features were extracted using PyRadiomics. Numerical features were standardized using z-score normalization, discriminative features were selected using the SelectKBest method, and classification was performed using a logistic regression model. Model performance was evaluated using 5-fold cross-validation and compared with assessments by an otorhinolaryngologist and a radiologist. Results: The radiomics-based machine learning model demonstrated a mean ROC-AUC value of 0.83. The accuracy, sensitivity, specificity, precision, and F1-score of the model were 72%, 64%, 80%, 81%, and 68%, respectively. The otorhinolaryngologist assessment yielded an accuracy of 66% and a ROC-AUC of 0.66, whereas the radiologist assessment yielded an accuracy of 74% and a ROC-AUC of 0.74. The radiologist assessment achieved the highest sensitivity, while the machine learning model showed the highest ROC-AUC and precision values. Conclusion: Radiomics features extracted from temporal bone CT images may provide objective and quantitative information for differentiating cholesteatoma from granulation tissue. Although the radiomics-based machine learning model should not replace clinical decision-making, it may serve as a supportive diagnostic tool, particularly in cases where conventional CT findings are inconclusive.

Geri Dön