Geri Dön

Over kanserinde görüntü tabanlı olarak rezektabiliteyi değerlendirmede yapay zekanın potansiyelinin araştırılması

Investigation of the potential of artificial intelligence in imaging-based assessment of resectability in ovarian cancer

PDF İndir

  1. Tez No: 947574
  2. Yazar: SERAY TAK AKSOY
  3. Danışmanlar: DOÇ. DR. HASAN AYKUT TUNCER
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kadın Hastalıkları ve Doğum, Obstetrics and Gynecology
  6. Anahtar Kelimeler: Yapay zeka, Over Kanseri, Rezektabilite, Görüntüleme Yöntemleri, MRI, PET, Jinekolojik Onkoloji, Artificial Intelligence, Ovarian Cancer, Resectability, Imaging Modalities, MRI, PET, Gynecologic Oncology
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Kadın Hastalıkları ve Doğum Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Over Kanserinde Görüntü Tabanlı Olarak Rezektabiliteyi Değerlendirmede Yapay Zekanın Potansiyelinin Araştırılması Amaç: Kliniğimizde over kanseri nedeniyle tedavi alan hastaların tıbbi verilerini ve radyolojik görüntülerini, yapay zeka programı tahminleriyle karşılaştırmak ve analiz etmektir. Bu çalışmanın amacı, over kanserli hastalarda preoperatif görüntülemelere dayalı olarak yapay zeka programının rezektabilite tahmin yeteneğini değerlendirmek ve bu tahminleri radyoloji raporları ile klinikte uygulanan tedavilerle karşılaştırmaktır. Yapay zeka tabanlı sistemlerin over kanserinde rezektabiliteyi değerlendirmede ve tedavi planlanmasında ne derece etkili ve güvenilir olabileceği araştırılacaktır. Bu bağlamda çalışma, yapay zekanın tıbbi alanda kullanımının geleceğine dair önemli bilgiler sunmayı hedeflemektedir. Gereç ve yöntem: Bu çalışma, 01 Ocak 2015 ile 01 Ocak 2025 tarihleri arasında, Akdeniz Üniversitesi Kadın Hastalıkları ve Doğum Kliniği'ne başvuran veya tedavi alan over kanser tanılı hastaların incelenmesini içermektedir. Toplamda 230 hasta tespit edildi fakat 46 hastanın preoperatif görüntüleri ve patoloji sonuçlarına ulaşılamadı. Toplam 184 hasta üzerinde çalışıldı. Toplanan veriler yapay zeka programı ChatGPT'ye girildi. Her hastanın radyolojik görüntüleri ve klinik özellikleri değerlendirilerek yapay zeka tarafından tahmini bir rezektabilite olma ihtimali belirlendi. Radyolojik raporlar ile tekrar yapay zeka tarafından tahmini bir oran belirlendi. Bu oranlar karşılaştırıldı. Ayrıca en uygun tedavi seçeneğini belirlemesi amaçlandı. Önerilen tedavi seçeneği ile gerçekte uygulan tedaviler karşılaştırıldı. Aynı zamanda tanı konulduktan sonra tedavi arasında geçen süreç değerlendirildi. Yapay zeka programlarının tanı ile tedavi arasında geçen sürece katkısı araştırıldı. Bu çalışma, yapay zekanın klinik karar verme süreçlerine katkısını değerlendirmek ve potansiyel etkinliğini incelemek için tasarlandı. Bulgular: 01 Ocak 2015 ile 01 Ocak 2025 tarihleri arasında Akdeniz Üniversitesi Kadın Hastalıkları ve Doğum Kliniği'nde tedavi veya tanı alan over kanseri 184 hastanın tanı anındaki ortalama yaşları 55,67 ± 11,70 olarak bulundu, 53 hastaların %69,0'ı postmenopozal, %23,4'ü sigara kullanmakta, beden kitle indeksi (BMI) ortalaması 27,72 ± 4,83 olarak saptandı. Ek hastalıklar arasında en sık görüleni hipertansiyon olup, CA 12-5 değerleri incelendiğinde; ortalama değer 1305,34 ± 3495,64 dür. Patoloji türlerine göre en yaygın tanı %69 ile seröz tiptir. Bunu %10,9 ile endometrioid, %5,4 ile berrak hücreli ve %3,3 ile granüloza tipleri takip etmektedir. Seröz over kanseri tanısı konulan 127 hasta arasında grade dağılımı incelendiğinde, %89,8'i high gradedir. Uygulanan tedavi yöntemleri değerlendirildiğinde; hastaların %61,4'üne primer sitoredüksiyon uygulandığı belirlendi. Yapay zeka programının görüntü üzerinden değerlendirdiği rezektabilite olma ihtimali ile radyoloji raporlarına dayalı değerlendirdiği rezektabilite olma ihtimali karşılaştırıldığında; p<0.001 olup bu fark istatistiksel olarak anlamlı bulundu. Bu oranlar arasında %13,29 fark olduğu görüldü. Bu oranlar ayrı olarak değerlendirildiğinde %64.1 hastada daha yüksek, %7.1 hastada eşit olarak bulundu. Yapay zekanın görüntüleme üzerinden verdiği rezektabilite olma ihtimalinin, radyoloji uzmanlarının raporlarını değerlendirerek verdiği rezektabilite olma ihtimaline göre yüksek oran verdiği hastalarda fark ortalama %14.28, düşük oran verdiği hastalarda fark ortalama %14.34 olarak bulundu. Görüntüleme yöntemleri kendi içlerinde ayrı ayrı değerlendirildiğinde BT raporları arasında %13,20; MR görüntülemesi yapılan hastalarda %12,86; PET yapılan hastalarda %14,17 gibi bir fark olduğu bulundu. Ayrıca yapay zekanın önerdiği tedavi seçeneği ile hastaya uygulanan tedavi karşılatırıldı ve sonuç olarak 184 geçerli vakanın %75.5'inde yapay zeka ile doktor kararı birebir örtüştüğü izlendi. Bu da klinik karar alma süreçlerinin yapay zeka ile ilişkili olduğu ve yapay zeka önerilerinin çoğu durumda dikkate alındığını göstermektedir. Yapay zeka tarafından önerilen tedavi ile gerçekte uygulanan tedavi arasında %24.5 uyumsuzluk oranı bulundu. Bunların %88.9'una neoadjuvan tedavi önerilmesine rağmen operasyon uygulandığı gösterildi. Neoadjuvan tedavi önerilmesine rağmen operasyon uygulanan hastaların ise %52.5'inde maksimal sitoredüksiyon sağlanamadığı tespit edildi. Neoadjuvan tedavi yapılan 71 hastanın 69 tanesine rezeksiyona uygun olmadığı için, 2 tanesine operasyon yapılabilecekken komorbid durumlar nedeniyle neoadjuvan tedavi uygulandığı ve bu hastalara yapay zeka tarafından da neoadjuvan tedavi önerildiği tespit edildi. Bu durum hastaların yönetim sürecinde yapay zeka destekli 54 sistemlerden faydalanabileceğini düşündürmektedir. Ayrıca tanı ile tedaviye karar verme arasında geçen süre değerlendirildi. 184 veri üzerinden aradaki sürenin ortalaması alındı. Ortalama değer 35,17 olarak saptandı. Yani buna göre görüntüleme yöntemi ile karar verme ve tedaviye başlama süreci arasında ortalama 35 gün bir süre geçtiği tespit edildi. Sonuçlar: Over kanseri, genellikle geç evrede tanı alması ve yüksek mortalite oranı nedeniyle etkin tanı ve tedavi planlaması gerektiren bir malignitedir. Cerrahi rezektabilitenin doğru şekilde değerlendirilmesi hasta sağkalımı açısından kritik öneme sahiptir. Bu çalışmada, yapay zeka tabanlı sistemlerin görüntüleme temelli rezektabilite tahminindeki performansı ve klinik karar süreçlerine katkısı araştırılmıştır. Çalışmada yapay zeka, over kanserinde rezektabilite değerlendirmesi ve tedavi planlamasında umut vaat eden bir destek aracı olarak öne çıkmaktadır. Yapay zeka teknolojilerinin over kanserinde rezektabilite değerlendirmesi ve tedavi planlamasında karar destek aracı olarak etkin biçimde kullanılabileceği düşünülmektedir. Klinik karar süreçlerine entegre edildiğinde, tanısal doğruluğu artırma ve tedaviye başlama süresini kısaltma gibi katkılar sağlayabilir. Ancak, yapay zekanın önerileri ve gerçek klinik uygulamalar arasında bazı farklılıkların bulunması, yapay zekanın henüz bağımsız bir karar verme aracı olarak kullanılmaması gerektiğini göstermektedir. Yapay zeka önerilerinin klinisyen tarafından bireyselleştirilerek dikkatle değerlendirilmesi ve destekleyici bir araç olarak kullanılması gerekmektdir. Bu sistemlerin rutin kullanımı öncesinde daha büyük örneklemlerle ve çok merkezli ileri araştırmalara ihtiyaç vardır.

Özet (Çeviri)

Investigation of the Potential of Artificial Intelligence in Imaging-Based Assessment of Resectability in Ovarian Cancer Objective: This study aims to analyze and compare the medical data and radiological images of ovarian cancer patients treated in our clinic with the resectability predictions provided by an artificial intelligence (AI) program. The primary objective is to evaluate the AI system's ability to predict resectability based on preoperative imaging and compare these predictions with radiology reports and the treatments applied in clinical practice. Additionally, the study investigates the effectiveness and reliability of AI-based systems in assessing resectability and guiding treatment planning in ovarian cancer. Materials and Methods: This retrospective study included patients diagnosed with ovarian cancer who were treated or followed at the Department of Obstetrics and Gynecology, Akdeniz University Hospital, between January 1, 2015, and January 1, 2025. A total of 230 patients were initially identified; however, 46 were excluded due to the unavailability of preoperative imaging or pathology data. The final analysis included 184 patients. Data were processed through the AI program ChatGPT. For each patient, both radiological imaging and clinical features were evaluated to generate AI-based resectability probabilities, which were then compared with predictions derived from radiology reports. Furthermore, the treatments suggested by AI were compared with those actually applied, and the time interval between diagnosis and treatment was assessed to evaluate the contribution of AI to decision-making timelines. Results: The mean age at diagnosis among the 184 patients was 55.67 ± 11.70 years. Of these, 69.0% were postmenopausal, 23.4% were smokers, and the average BMI was 27.72 ± 4.83 kg/m². Hypertension was the most common comorbidity. The mean CA-125 level was 1305.34 ± 3495.64 U/mL. Histopathologically, serous carcinoma was the most common subtype (69%), followed by endometrioid (10.9%), clear cell (5.4%), and granulosa cell tumors (3.3%). Among the 127 serous carcinoma patients, 89.8% were high-grade. Primary cytoreductive surgery was performed in 61.4% of cases. A statistically significant 56 difference (p < 0.001) was found between the AI-predicted resectability based on imaging and that based on radiology reports, with a mean discrepancy of 13.29%. In 64.1% of cases, the AI prediction was higher, equal in 7.1%, and lower in 28.8%. The average absolute difference in resectability probability was 14.28% for higher AI predictions and 14.34% for lower predictions. When analyzed by imaging modality, the discrepancy was 13.20% for CT, 12.86% for MRI, and 14.17% for PET. Regarding treatment planning, AI-generated treatment suggestions matched the actual clinical decisions in 75.5% of cases. The remaining 24.5% showed discordance, predominantly due to AI suggesting neoadjuvant chemotherapy while surgery was performed instead. Among those who underwent surgery despite AI recommending chemotherapy, 52.5% failed to achieve maximal cytoreduction. Of the 71 patients who received neoadjuvant chemotherapy, 69 were non-resectable, and 2 were resectable but received chemotherapy due to comorbidities—both cases aligned with AI suggestions. The average time from diagnosis to treatment initiation was 35.17 days. Conclusion: Ovarian cancer is often diagnosed at an advanced stage and requires effective planning of both diagnosis and treatment. Accurate evaluation of surgical resectability is essential for improving survival outcomes. This study demonstrates that AI-based systems show promising potential in predicting resectability and assisting clinical decision-making in ovarian cancer. When integrated into clinical workflows, AI may enhance diagnostic precision and reduce time to treatment. However, the observed discrepancies between AI recommendations and real-world practices indicate that AI should currently serve only as a supportive tool rather than an autonomous decision-maker. Its outputs must be critically assessed and tailored by clinicians. Further large-scale, multicenter studies are needed before routine clinical implementation.

Benzer Tezler

  1. Tez No

    520033

    Scoring of CERbB2 tumors in breast cancer by pathological image analysis

    Patolojik görüntü analizi ile meme kanserinde CERbB2 tümörlerinin skor değerlerinin belirlenmesi

    GÖZDE AYŞE TATAROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

  2. Tez No

    1017531

    Meme kanseri tanısı için gelişmiş yapay zeka tabanlı çok aşamalı tespit sistemi

    Advanced artificial intelligence based multi-stage detection system for breast cancer diagnosis

    ABDUL SAMAD

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED KÜRŞAD UÇAR

  3. Tez No

    776438

    Biopsy cost reduction for early diagnosis of breast cancer using hybrid deep learning techniques

    Hibrit derin öğrenme teknikleri kullanılarak meme kanserinde erken teşhis için biyopsi maliyetinin düşürülmesi

    PINAR USKANER HEPSAĞ

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SELMA AYŞE ÖZEL

    PROF. DR. ADNAN YAZICI

  4. Tez No

    519901

    Compressed sensing based 3D image reconstruction in digital breast tomosynthesis and micro-bioimaging

    Sayısal meme tomosentezinde ve mikro biyogörüntülemede sıkıştırılmış algılama tabanlı 3B görüntü geri çatma

    ADEM POLAT

    Doktora

    İngilizce

    İngilizce

    2018

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  5. Tez No

    787402

    Akciğer kanserinin derin öğrenme yaklaşımları kullanılarak tespit edilmesi

    Detection of lung cancer using deep learning approaches

    FERHAT AYAYNA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABİDİN ÇALIŞKAN

Geri Dön