Kolposkopik biyopsi sonuçlarının yapay zeka kullanılarak hpv tipi ve servikal sitoloji subgrubuna göre prediksiyonu
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: BÜŞRA KARAGÖZ YIKILMAZ
Danışman: Özlem MORALOĞLU TEKİN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Servikal premalign lezyonlar ve servikal kanser Human Papillomavirus'e (HPV) bağlı olarak gelişmekte olup ciddi bir halk sağlığı sorunu teşkil etmektedir. Servikal smear ve HPV genotip testleri ile servikal kanser tarama programı yapılmakta olup, amaç yüksek riskli hastalarda kolposkopik değerlendirme ile servikal premalign lezyonların tanısını koyarak progresyona zaman vermeden eksizyonel tedaviler uygulayarak servikal kanseri önlemektir.[1] Bu çalışmada jinekolojik onkoloji polikliniğine başvuran ve kolposkopi yapılan 4652 hastanın HPV genotip ve servikal smear subgrup sonuçları 30/70, 20/80 ve 10/90 oranları ile makine öğrenmesine öğretilmiştir.Bu öğrenilen sonuçlar ile makine öğrenmesi ile bir formül geliştirilmiş olup toplumsal bazda histopatolojik sonuçların prediksiyonu amaçlanmıştır. Gereç ve Yöntem: Sağlık Bilimleri Üniversitesi Ankara Bilkent Şehir Hastanesi Kadın Hastalıkları ve Doğum Hastanesi Jinekolojik Onkoloji Cerrahisi Polikliniğine 1 Ocak 2018 ve 1 Haziran 2021 tarihleri arasında kolposkopik biyopsi yapılan toplam 4652 hasta; HPV genotiplerine göre 10 alt gruba, ECC sonrası patolojilere göre 12 alt gruba, Punch sonrası patolojilere göre 12 alt gruba, servikal smear sitoloji sonucuna göre 10 alt gruba ayrılmıştır. Bu ayrılan alt gruplara göre her hastanın sonuçları makine öğrenmesine öğretilmiştir. Elde edilen veriler uç veri ve eksik değerlerden arındırılmıştır. Bu işlemler sonucunda 1921 hasta değerlendirmeye alınmıştır. HPV ve Sitoloji sonuçlarından hareketle ECC sonrası patoloji ve Punch biyopsi sonrası patoloji sonuçları dört farklı makine öğrenmesi yöntemiyle tahmin edilmiştir. Bulgular: Bu çalışmada kolposkopik biyopsi yapılan 4652 hasta dahil edildi.Bu hastaların hpv genotip ve/veya hpv genotip-servikal smear sonuçları ile kolposkopik biyopsi sonrası ecc ve punch biyopsi sonuçlarını retrospektif olarak hasta dosyalarından kaydedildi ve yapay zeka modaliteleri kullanılarak karşılaştırıldı.Veriler uç veri ve eksik değerlerden arındırıldı ve 1921 hasta ile çalışıldı. HPV genotip ve servikal smear sub gruplarına göre kolposkopik biyopsi sonuçlarının prediksiyonunu incelemeyi ve bu analizler dahilinde toplumsal bazda yüksek riskli ve düşük riskli hpv genotip ve/veya hpv genotip-servikal smear birlikteliği tespit edildi. Çalışmamızda yapay zeka ve makine öğrenmesi metotları kullanıldı. Ayrıca rastgele orman ve karar ağacı yöntemleri ile, her bir parametreyi subgruplar altında adım adım karşılaştırarak verilerin girdi olarak alınmasından sonra gizli katmanlar şeklinde karşılıklı gruplar oluşturarak çıktı şeklinde beklenen sonucu prediksiyon esasına göre yapıldı. Bu işlemler sonucunda ele alınan 1921 hastada HPV ve Sitoloji sonuçlarından hareketle ECC sonrası patoloji ve Punch biyopsi sonrası patoloji sonuçları sıralanan dört farklı makine öğrenmesi yöntemi ile tahmin edilmiştir. Bunlar; rastgele orman (random forest lerner), karar ağacı (decision tree lerner), naive bayes lerner ve gradyon Artırma (gradient boosted tree lerner) yöntemleridir. Bu modaliteler kullanılarak yapılan çalışmamızda yöntemlerin kullanılmasında KNIME 4.7 veri analiz platformu kullanılmıştır. Tüm metotlarının uygulanmasında 3 farklı öğrenme oranı kullanılmıştır. Bunlar; 30/70, 20/80 ve 10/90 şeklindedir. Bu oranların açıklaması şu şekildedir: incelenmekte olan %70-80-90 oranındaki veriler ile modele öğretilmekte kalan %30-20-10'u ile model test edilmektedir. Sonuçlar: Yaygın bir halk sağlığı problemi olan ve hpv pozitifliği olan hastalarda kolposkopi gibi bir işlem kümülatif orana bakıldığında ciddi bir iş gücü kaybı ve artan maliyete neden olmaktadır. Çalışmamızda Ecc ve punch biyopsi sonuçları predikte edilmeye çalışılmıştır. Sisteme göre 4 ayrı makine öğrenmesi modeli kullanılarak ve 3 ayrı öğrenme yöntemi ile yapılan analizlerde kesinlik, 0.45 civarında tespit edilmiştir. Tahmin ile veri seti arasındaki uyuşmayı gösteren Cohen's kappa katsayısı ECC patoloji sonuçları için 0.1'den düşük tespit edilmiştir.Cohen's kappa katsayısının 0.1'den düşük , kesinlik değerlerinin 0,45 civarında gelmesi bu analizlerin makine öğrenmesinin bu araştırmadaki gücünün yüksek olduğunu ifade etmektedir. Çalışmamızı güçlendirmek için çok daha fazla veri setine, eksiksiz hasta sonuçlarına ve takibine ihtiyaç vardır.Makine öğrenmesine ne kadar girdi verilirse makinenin bunu o kadar öğrenmesi ve o kadar yüksek doğrulukla tahmin etmesi mümkün olacaktır. İstatiksel analiz dışında tıbbın birçok alanında yapay zeka kullanılarak verimlilik artırılabilir. Ancak bu konu ile ilgili daha fazla çalışmaya ihtiyaç duyulmaktadır. Anahtar kelime: Yapay Zeka, Makine Öğrenmesi, Hpv, Kolposkopi, Pap smear