Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli

ÖZGÜR DENİZ TATAROĞLU

Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL BAŞAKŞEHİR ÇAM VE SAKURA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: ÖZGÜR DENİZ TATAROĞLU

Danışman: Akif ERBİN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu çalışmanın amacı, solid böbrek kitlelerinin operasyon öncesi değerlendirilmesinde, manyetik rezonans görüntüleme (MRG) tabanlı derin öğrenme özellikleri ile klinik ve laboratuvar verilerinin entegre edildiği hibrit bir yapay zekâ modelinin benign-malign ayrımı ve histopatolojik alt tip öngörüsündeki tanısal performansını araştırmaktır. Gereç ve Yöntem: Çalışmaya, Başakşehir Çam ve Sakura Şehir Hastanesi Üroloji Kliniği'nde takip edilen, 193'ü kötü ve 19'u iyi karakterde toplam 212 hasta dahil edilmiştir. Aksiyel MR kesitleri üzerinde YOLOv11 mimarisi kullanılarak otomatik tümör segmentasyonu ve ilgi alanı çıkarımı gerçekleştirilmiştir. Görüntü özelliklerinin elde edilmesinde EfficientNet, ResNet, DenseNet ve VGG16 gibi farklı konvolüsyonel sinir ağı mimarileri kullanılmıştır. Erken füzyon yöntemiyle görüntü özellikleri; demografik veriler, anatomik skorlar (RENAL, PADUA, C-index) ve berrak hücreli olasılık skoru (clear cell likelihood score; ccLS) dahil 25 klinik değişkenle birleştirilmiştir. Modellerin başarısı, tabakalı 5 katlı çapraz doğrulama yöntemiyle; doğruluk, Matthews korelasyon katsayısı ve alıcı işletim karakteristiği eğrisi altındaki alan (receiver operating characteristic–area under the curve; ROC-AUC) metrikleri üzerinden analiz edilmiştir. Bulgular: Malignite sınıflandırmasında en yüksek ayırt edicilik, 0,803 ROC-AUC değeri ile DenseNet121 tabanlı füzyon modelinde saptanmıştır. Tümör alt tip sınıflandırmasında ise ResNet50 tabanlı multimodal model (ccLS dahil), 0,471 Matthews korelasyon katsayısı ve %73,5 doğruluk oranı ile en yüksek performansı sergilemiştir. VGG16 tabanlı füzyon modelinde ise 0,782 ROC-AUC değerine ulaşılmıştır. Klinik değişkenler arasında C-index, model karar mekanizmasında en yüksek öneme sahip parametre olarak belirlenmiştir. ccLS skorunun modele eklenmesinin özellikle ResNet50, ResNeXt50 ve GoogLeNet mimarilerinde tanısal başarıyı artırdığı gözlemlenmiştir. Sonuç: Araştırma sonuçları, multimodal öğrenme yaklaşımlarının yalnızca klinik veya yalnızca görüntü verisine dayalı modellerden istatistiksel olarak daha başarılı olduğunu ortaya koymuştur. Görüntü tabanlı derin özelliklerin klinik verilerle hibrit entegrasyonu, böbrek tümörlerinin preoperatif karakterizasyonunda tanısal doğruluğu artırma, gereksiz cerrahi müdahaleleri azaltma ve kişiselleştirilmiş tedavi stratejilerini optimize etme konusunda yüksek klinik potansiyel taşımaktadır. Anahtar Kelimeler: Böbrek tümörleri, yapay zekâ, derin öğrenme, multimodal füzyon, manyetik rezonans görüntüleme, ccLS.