Geri Dön

Yapay zeka ve makine öğrenimi ile pankreas tümörlerinin saptanması

Detecting pancreatic tumors with artificial intelligence and machine learning

PDF İndir

  1. Tez No: 905172
  2. Yazar: GÜNEŞ ORAL
  3. Danışmanlar: PROF. DR. ABDULLAH KAĞAN ZENGİN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Genel Cerrahi, Radyoloji ve Nükleer Tıp, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, General Surgery, Radiology and Nuclear Medicine, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Cerrahpaşa Tıp Fakültesi
  11. Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş: Pankreas kanserleri, klinik belirtileri geç izlenmesi ve tarama testlerinden yoksun olmaları nedeniyle kötü prognozlu tümörlerdir. Yapay zeka teknolojileri, büyük veri setlerinin incelenmesi alanında çığır açmaktadır. Hızlı bölgesel evrişimsel sinir ağları, görüntü tanıma algoritmaları arasında obje tanıma alanında yüksek doğruluk, senstivite ve spesifite skorlarıyla dikkat çekmektedir. Amaç: Çalışmamızda, merkezimizde kaydedilmiş pankreatik tümörlü hastaların bilgisayarlı tomografi görüntüleri, yapay zeka modeline eğitilerek pankreas tümörlerinin erken tanısının koyulması; doktora ulaşımın zor olduğu bölgelerde sürecin otomatize edilip uzmanların iş yükünü hafifletmeleri ve mevcut sağlık sistemine olan yükü azaltmayı amaçlanmıştır. Yöntem ve Gereçler: İstanbul Üniversitesi Cerrahpaşa, Cerrahpaşa Tıp Fakültesi Genel Cerrahi Anabilim Dalı'nda 2016-2024 yılları arasında patolojileri pankreas tümörüyle uyumlu 350, pankreas görüntülemeleri sağlıklı 360, toplam 710 hasta çalışmaya dahil edilmiştir. Faster rCNN (Hızlı Bölgesel Evrişimsel Sinir Ağları) derin öğrenme aracı kullanılarak etiketlenmiş Bilgisayarlı Tomografi görüntüleri, denetimli öğrenme ile yapay zeka modeli oluşturulmuştur. Bulgular: Modelimiz, test setinde kullanılan görüntülemelerinde ve patolojilerinde pankreatik tümörü pozitif 50 hastanın 48'inde tümörü lokalize edip tanıyabilmiş, 200 sağlıklı pankreas rapor edilen bireyin 197'sini sağlıklı olarak kategorize etmiştir. Modelin doğruluğu %98,4, duyarlılığı %98 ve özgüllük %98,5 olarak ölçülmüştür. Pozitif olasılık oranı 65,33, negatif olasılık oranı 0,02 bulunmuştur. Modelin F1 skoru %95,04 olarak hesaplanmıştır. Test setinde, pankreatik tümörü öngören sınıflandırma CNN pozitif OO ile pozitif ilişkili bulunmuştur. (P = 0,04). Eğri altında kalan alan 0.998 hesaplanmıştır. Sonuç: Model, Bilgisayarlı Tomografi görüntü taramalarındaki pankreatik tümörleri tespit etmede yüksek doğruluk, duyarlılık ve özgüllük göstermiştir. Yüksek Dice Skoru, F1 skoru, EAA metrikleri, geliştirdiğimiz modelin şüphesiz yararlılığının göstergesidir.

Özet (Çeviri)

Introduction: Pancreatic cancers are tumors with poor prognosis due to late presentation of clinical symptoms and lack of screening tests. Artificial intelligence technologies are revolutionizing the field of huge data analysis. Faster Regional Convolutional Neural Networks (Faster R-CNN) stand out among image recognition algorithms for object detection with high accuracy, sensitivity, and specificity scores with fast results. Aim: In our study, we aimed to establish early diagnosis of pancreatic tumors by training an artificial intelligence model with computed tomography images of patients with pancreatic tumors recorded in our center; to automate the process and reduce the workload of experts in regions where access to medical doctors is difficult; and to reduce the burden on the current healthcare system, Materials and Methods: Total of 710 patients, including 350 patients whose pathologies were confirmed with pancreatic tumors and 360 patients with healthy pancreas images, who were admitted to the Department of General Surgery, Cerrahpaşa Faculty of Medicine, Istanbul University Cerrahpaşa, between 2016 and 2024, were included in the study. A supervised learning artificial intelligence model was created using labeled Computed Tomography images with the Faster R-CNN deep learning tool. Results: Our model was able to localize and diagnose tumors in 48 of the 50 patients with pancreatic tumors confirmed by imaging and pathology in the test set and categorized 197 of the 200 healthy pancreas reports as healthy. The accuracy of the model was measured as 98.4%, the sensitivity as 98%, and the specificity as 98.5%. The positive likelihood ratio was 65.33, and the negative likelihood ratio was 0.02. The F1 score of the model was calculated as 95.04%. In the test set, the classification CNN predicting pancreatic tumors was found to be positively correlated with positive OO (P = 0.04). The area under the curve was calculated as 0.998. Conclusion: Our model showed high accuracy, sensitivity, and specificity in detecting pancreatic tumors in Computed Tomography image scans. High Dice Score, F1 score, and EAA metrics are indicators of the undoubted usefulness of the model we developed.

Benzer Tezler

  1. Tez No

    943121

    Estimating metabolic flux variability with machine learning

    Metabolik akış değerlerinin makine öğrenmesi ile tahmini

    BARIŞ CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ ÇAKMAK

  2. Tez No

    927861

    Machine learning and ımage processing based concentration prediction of pancreatic cancer biomarker

    Pankreas kanseri biyobelirtecinin makine öğrenmesi ve görüntü işleme tabanlı konsantrasyon tahmini

    TURGUT KARADEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BAŞAK ESİN KÖKTÜRK GÜZEL

    DR. ÖĞR. ÜYESİ GİZEM KALELİ CAN

  3. Tez No

    885018

    Tip 2 dıabetes mellıtus hastalarında hıppocampus ve cerebellum hacimlerinin değerlendirilmesi

    Evaluation of the volume of hippocampus and cerebellum in type 2 diabetes mellitus patients

    SERRA ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer Tıpİstanbul Medipol Üniversitesi

    Anatomi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SELVA ŞEN

    DR. ÖĞR. ÜYESİ MUHAMMED İKBAL ALP

  4. Tez No

    810296

    Yapay zekâ ve makine öğrenimi araçları ile elektrik tüketimi tahmini

    Electricity consumption forecasting via artificial intelligence and machine learning tools

    UMUT YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SILA ÖVGÜ KORKUT UYSAL

  5. Tez No

    688659

    How Ai and machine learning help comabt COVID-19

    Yapay zeka ve makine öğrenimi, COVID-19 ile mücadeleye nasılyardımcı oldu

    YASMEEN HUSSEIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGE YÜCEL KASAP

Geri Dön