Renal skorlama ve nefrektomi karar süreçlerinde yapay zeka tabanlı çözümler
Artificial intelligence-based solutions in renal scoring and nephrectomy decision-making processes
- Tez No: 970246
- Danışmanlar: PROF. DR. HAŞMET SARICI
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyonkarahisar Sağlık Bilimleri Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, bilgisayarlı tomografi (BT) verileri üzerinden renal tümörlerin kompleksite düzeyini R.E.N.A.L. nefrometri skorlarına göre otomatik olarak sınıflandırabilen özgün bir derin öğrenme modeli geliştirerek, parsiyel ve total nefrektomi karar süreçlerine katkı sağlayacak klinik karar destek için altyapı oluşturmak ve gelecekteki yapılacak çalışmalara ışık tutmaktır. Gereç ve Yöntem: Afyonkarahisar Sağlık Bilimleri Üniversitesi Üroloji Kliniği'nde nefrektomi uygulanmış ve histopatolojik olarak malign renal tümör tanısı almış 197 hastaya ait portal faz kontrastlı BT verileri kullanılmıştır. Görüntülerdeki tümör içeren böbrek dokusu 128×128×64 voksel boyutuna yeniden örneklenmiş ve bu işlemler manuel olarak belirlenmiştir. Segmentasyon ön işlemi gerektirmeyen, sıfırdan geliştirilen bir 3 boyutlu konvolüsyonel sinir ağı (3D CNN) modeli ile tümör kompleksitesi“düşük”ve“yüksek”olarak sınıflandırılmıştır. Bulgular: Modelin genel sınıflandırma doğruluğu %90, ROC analizinde AUC skoru 0.96 olarak hesaplanmıştır. Düşük kompleksite grubundaki tüm vakalar doğru sınıflandırılarak %100 duyarlılık elde edilmiştir. Yüksek kompleksite grubunda ise duyarlılık %76.9'dur. Tümör maksimum çapı ile nefrometri skoru arasında anlamlı pozitif korelasyon saptanmıştır (r = 0.718; p < 0.001). Modelin özellikle düşük kompleksite grubundaki başarısı, parsiyel nefrektomi için uygun olguların doğru saptanmasında yüksek güvenilirlik sunmaktadır. Sonuç: Geliştirilen 3D CNN modeli, manuel skorlamalarda görülen subjektifliğe alternatif olarak, BT görüntülerinden doğrudan tümör kompleksitesi tahmini yapabilen hızlı ve tekrarlanabilir bir sistem sunmaktadır. Bu yönüyle model, cerrahların parsiyel veya total nefrektomi kararlarında destekleyici unsur olarak kullanılabilecek başarılı bir yapay zekâ uygulaması olarak görülebilir. Özellikle düşük kompleksiteli vakalarda sağlanan %100 duyarlılık oranı, bu teknolojinin preoperatif cerrahi planlama süreçlerine entegre edilebileceğini göstermektedir.
Özet (Çeviri)
Objective: The aim of this study is to develop a novel deep learning model capable of automatically classifying renal tumor complexity based on R.E.N.A.L. nephrometry scores using computed tomography (CT) data, thereby supporting clinical decision-making in partial and total nephrectomy procedures. Materials and Methods: Contrast-enhanced portal phase CT data from 197 patients diagnosed with malignant renal tumors and who underwent nephrectomy at Afyonkarahisar Health Sciences University Urology Department were used. All CT images were resampled to 128×128×64 voxel dimensions, and tumor-containing kidney were manually delineated. A custom-built three-dimensional convolutional neural network (3D CNN) model was developed to classify tumors as“low”or“high”complexity without requiring segmentation preprocessing. Results: The overall classification accuracy of the model was calculated as 90%, with an area under the ROC curve (AUC) of 0.96. All cases in the low-complexity group were correctly classified, achieving a sensitivity of 100%. In the high-complexity group, a sensitivity of 76.9% was obtained. A statistically significant and strong positive correlation was observed between tumor maximum diameter and nephrometry score (r = 0.718; p < 0.001). The model demonstrated high reliability in identifying cases suitable for partial nephrectomy, particularly within the low-complexity group. Conclusion: The developed 3D CNN model offers a rapid and reproducible alternative to manual scoring systems by predicting tumor complexity directly from CT images. This capability has the potential to reduce subjectivity in surgical planning and support urologists in determining whether partial or total nephrectomy is more appropriate. The model's 100% sensitivity in the low-complexity group highlights its promising role as an artificial intelligence-based clinical decision support tool for preoperative planning.
Benzer Tezler
- Böbrek tümörü ön tanısı ile opere edilen hastaların böbrek hücreli kanser dışı patolojilerinin geriye dönük değerlendirilmesi
Retrospective evaluation of non-renal cell carcinoma pathologies in patients operated for presumed renal tumor
FIRAT TAŞKIN
Tıpta Uzmanlık
Türkçe
2025
Ürolojiİzmir Katip Çelebi ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. SERKAN ÖZCAN
- Yapışık perinefrik yağın laparoskopik parsiyel nefrektomiye etkisi
Effect of adherent perinephric fat on laparoscopic partial nephrectomy
MURAT GÜLŞEN
Tıpta Uzmanlık
Türkçe
2021
ÜrolojiOndokuz Mayıs ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ENDER ÖZDEN
- Böbrek tümörlerinde intraoperatif gri-skala ve doppler ultrasonografinin parsiyel-radikal nefrektomi kararı alınmasındaki yeri
Intraoperative doppler and b-mode sonography for the evaluation and management of renal tumors
CENK ELİBOL
Tıpta Uzmanlık
Türkçe
2010
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MUSTAFA SEÇİL
- Böbrek tümörü nedeniyle açık parsiyel nefrektomi yapılan hastaların onkolojik ve fonksiyonel sonuçları
Oncological and functional results of patients WHO underwent open partial nephrectomy for renal tumors
EFE BOSNALI
- Renal kitle tanısı ile parsiyel nefrektomi yapılan hastaların post operatif böbrek fonksiyonlarının r.e.n.a.l skorlama sistemiyle değerlendirilmesi
Evaluation of post operative renal function of patients who underwent partial nephrectomy for renal mass using r.e.n.a.l scoring system
BURAK KARABACAKOĞLU
Tıpta Uzmanlık
Türkçe
2024
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. CEM YÜCEL