Direkt radyografilerde derin öğrenme tabanlı nesne tanıma algoritması ile otomatik fraktür tespiti
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL BAĞCILAR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: GÜL GİZEM PAMUK
Danışman: Ahmet Tan CİMİLLİ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Giriş ve Amaç:Kemik fraktürleri acil servislerde çok yaygın görülen ortopedik travmatik acil sebeplerinden biridir.Travma sonrası kırık tespitinde direkt radyografi ilk başvurulması gereken tanı yöntemidir. Fakat bazı fraktürlerin direkt radyografi ile tanı konulması hem radyologlar hem de diğer branş doktorları için oldukça zorlayıcıdır.Acil servislerde yanlış tanı konulan ve bunun sonucunda hastanın zarar gördüğü durumların %41-%80'nini direkt radyografide görülen kırıkları yanlış yorumla oluşturur. İskelet yaralanmalarının, özellikle de apendiküler iskelet yaralanmalarının geç teşhis edilmesi veya gözden kaçması, radyografideki malpraktis davalarının en büyük nedenidir.Son yıllarda derin öğrenme yöntemleri kullanılarak fraktür tespit eden çalışmalar, derin öğrenme teknolojisinin fraktür tespitinde kolaylık sağlayıp yanlış yorumlama oranını belirgin azaltmada yardımcı yöntem olarak kullanılabildiğini göstermiştir. Genel olarak bu çalışmalar direkt grafileri el-el bileği- ön kol gibitek bir bölgeile sınırlandırarak fraktür tespitinde yoğunlaşmıştır. Biz ise çalışmamızda insan vücudundaki apendiküler iskeleti içeren direkt grafilerde derin öğrenme tabanlı nesne tanıma algoritması ile otomatik fraktür tespiti yapmayı ve bu grafileri yorumlayacak olan hekimlerin duyarlılığını artırmayı, hekimlere karar destek mekanizması sağlamayı, tanı koyma süresini kısaltmayı, fraktürlerin gözden kaçmasını önleyerek yanlış/eksik tanı sonrası oluşabilecek komplikasyonları ve bunun sonucunda da hekimlerin karşılaşabileceği malpraktis davalarını önlemeyi hedefledik. Gereç ve Yöntem:Çalışmamız retrospektif olup Bağcılar Eğitim ve Araştırma Hastanesi PACS sisteminden (Bağcılar veri seti) 4354 adet, Radiopaedia veri setinden 4632 adet olmak üzere toplam 8986 adet direkt radyografi görüntüsünü içermektedir.Görüntüler lokal bilgisayar ortamında Massachusetts Institute of Technology (MIT) lisanslı Intel®'e bağlı açık kaynak "ComputerVisionAnnotationTool" (CVAT, www.cvat.ai) kullanılarak 5 yıl deneyimli bir radyolog tarafından bounding-box(sınırlayıcı kutucuk) yöntemi ile işaretlenmiştir. Veri seti işaretlenirken ilgili görüntülere anatomik lokasyonu belirtecek sınıflar atanmıştır. İşaretlemeler kaydedilirken YOLO işaretleme formatı tercih edilmiştir. İşaretlenmiş olan görüntülerde model eğitimi öncesinde kontrast ile sınırlandırılmış adaptif histogram eşitleme (CLAHE) ön işlemleme metodu uygulanmıştır.Çalışmaya dahil edilen verilerin 7678 adeti eğitim, 854 adeti validasyon, 454 adeti test veri setine ayrılmıştır. "StratifiedShuffleSplit" algoritması sayesinde eğitim, validasyon ve test veri setlerinin anatomik lokasyon ve fraktür bakımından dağılımları korunmuştur. Geliştirilecek olan modellerin genelleştirilebilirliğiniartırmak ve eğitim sürecinde model ezberlemesi olarak da ifade edilen "overfitting" i engellemek için model eğitimi esnasında "online" olarak eğitim seti üzerinde veri çoğaltımı yapılmıştır. Çalışmamızda derin öğrenme tabanlı nesne tanıma modeli olarak YOLOv7 nesne tanıma algoritması kullanılmıştır.Model eğitim süreci aktif olarak takip edilmiş olup model validasyon metriğinin (mAP50='meanavarageprecision') daha fazla artış göstermediği aşamada eğitim durdurulmuş ve en yüksek mAP50 parametresine ulaşılan model test aşamasında kullanılmıştır. Validasyon aşamasında her bir kutucuk tahmini kutucuk metriklerinden sıkça kullanılan mAP50, mAP50:95, kesinlik (pozitif prediktif değer), duyarlılık hesaplamaları ile değerlendirilmiştir. Ayrıca görüntü bazlı genel pozitiflik ve negatifliğe göre kesinlik, duyarlılık, özgüllük ve f1 skorları hesaplanmıştır. Test veri setinde model tahminleri yapılmıştır. Genel radyolojide 21 yıl deneyimli (RAD2) , 6 yıl deneyimli (RAD1) ve 3 yıl deneyimli (RAD3) üç ayrı radyolog test veri setindeki görüntülerde fraktür varlığı veya yokluğu bakımından değerlendirme yapmıştır.Model başarımlarının değerlendirilmesinde mAP50, mAP50:95, kesinlik, duyarlılık metrikleri ölçülmüştür. Radyologlar arası uyum için Cohen's Kappa değeri elde edilmiştir. Model öncesi ve sonrası radyolog performansı arasındaki farkların değerlendirilmesi için McNemar testi uygulanmıştır. Sonuçların değerlendirilmesinde p<0.05 istatistiksel anlamlı kabul edilmiştir. Bulgular:Tüm veri setinde bulunan 8986 adet direkt radyografi görüntüsünün 6283 (%69.92) tanesinde fraktür bulunmakta olup 2703 (%30) adet görüntüde fraktür bulunmamaktaydı. Tüm veri setindeki direk radyografilerin 1881'i (%20.9) el bileği, 1442'si (%16) ayak bileği, 1108'i (%12.3) diz, 806'si (%9) ayak, 742'si (%8.3) el, 692'si (%7.7) dirsek, 562'si (%6.3) omuz, 489'u (%5.4) pelvis, 440'ı (%4.9) kruris, 407'i (%4.5) femur, 285'i (%3.2) ön kol, 105'i (%1.2) kol, 27'si (%0.3) koksofemoral direkt radyografi görüntülerinden oluşmaktadır. Otomatik nesne tanıma algoritması olarak geliştirdiğimiz YOLOv7 modelimizde validasyon aşamasında en yüksek elde edilen kesinlik değeri % 76.6, duyarlılık değeri % 52.5, güven eşik değeri 0.5 iken ortalama kesinlik (mAP@0.5) değeri % 60, güven eşik değeri 0.5-0.95 arasında iken ortalama kesinlik (mAP@0.5-0.95) değeri % 28.5 idi. Modelimizin güven eşik değeri 0.05 iken test veri setindeki F1 skoru 0.90, AUC-ROC skoru 0.89 ölçülmüştür. Güven eşik değeri 0.05 iken duyarlılık 0.91, kesinlik 0.88, özgüllük ise 0.72'dir. Test veri setindeki direkt radyografi görüntüleri genel radyolojide 6 yıl deneyimli (RAD1), 21 yıl deneyimli (RAD2) ve 3 yıl deneyimli (RAD3) radyologlar tarafından fraktür varlılığı/yokluğu açısından model ile birlikte ve model desteği olmadan değerlendirilmiştir. Model ile birlikte radyolog kesinlik değeri model öncesine göre RAD1'de % 0.8, RAD2'de % 0.02, RAD3'te % 1.1 artış göstermiştir; duyarlılık değeri RAD1'de % 9, RAD2'de % 7.8, RAD3'te % 5 artış göstermiştir. Doğruluk değerleri model ile birlikte model öncesine göre RAD1'de % 5.2, RAD2'de % 7.3, RAD3'te % 11.4; F1 skoru RAD1'de % 5.8, RAD2'de % 4.7, RAD3'te % 4 artış göstermiştir. Yapılan McNemar analizinde tüm değerlendiricilerde model öncesi ve model ile birliktedeğerlendrime arasında model ile birlikte değerlendirme lehine istatistiksel olarak anlamlı fark bulunmaktadır (p<0.000). Sonuç:Direkt radyografilerde fraktür tespiti hekimler için oldukça zorlayıcı olabilmektedir. Direkt radyografilerde gözden kaçan veya eksik tanı alan fraktürler acil servislerdeki malpraktis davalarının en sık sebebidir. Gelişitirdiğimiz derin öğrenme tabanlı nesne tanıma algoritmasının radyologların duyarlılık ve doğruluğunu arttırdığını ve tanı koyma süresini azalttığını gözlemledik. Algoritmamızın acil servislerde ve radyoloji birimlerindeki klinik pratikte uygulanarak hekimlerin fraktür tespit performansını artırabileceğini düşünüyoruz. Daha önce yapılan benzer çalışmalardan farklı olarak YOLOv7 nesne tanıma algoritmasını kullandığımız araştırma; hem çocuk hem de erişkinlerde görülebilecek apendiküler iskeletin tüm kırık çeşitlerini küçük/büyük, deplase/nondeplase, atel-fiksatör-metal var/yok ayrımı yapmadan direkt radyografilerde fraktür tespiti yapan literatürdeki ilk çalışmadır.