Otoimmün hepatitte antinükleer antikor durumunun öngörülmesi için çok-modlu makine öğrenimi: Laboratuvar değerleri ile patoloji raporlarının doğal dil işleme entegrasyonu
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ADANA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: YUSUF ÜSAME DURMUŞ
Danışman: Tayyibe SALER
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:ÖZET Otoimmün Hepatitte Antinükleer Antikor Durumunun Öngörülmesi için Çok-Modlu Makine Öğrenimi: Laboratuvar Değerleri ile Patoloji Raporlarının Doğal Dil İşleme Entegrasyonu Giriş ve Amaç: Klinik pratikte yapılandırılmamış serbest metin şeklinde sunulan patoloji raporları, makine öğrenimi modellerine entegrasyon zorluğu nedeniyle dijital sağlık verisi olarak genellikle geleneksel analiz yöntemleriyle doğrudan ve etkin bir şekilde işlenememektedir. Bu çalışmanın amacı, klinik olarak otoimmün hepatit (OİH) şüphesi bulunan hastalarda, rutin laboratuvar parametreleri ile Türkçe patoloji raporlarından Doğal Dil İşleme (NLP) yöntemiyle süzülen histopatolojik özellikleri entegre eden çok-modlu bir makine öğrenimi modeli geliştirmek ve bu modelin serolojik antinükleer antikor (ANA) durumunu öngörmedeki başarısını bir kavram kanıtı olarak değerlendirmektir. Yöntemler: Çalışmaya, kliniğimizde OİH şüphesiyle karaciğer biyopsisi uygulanmış 99 hastadan oluşan farklı klinik fenotipleri barındıran retrospektif bir hasta kohortu dahil edildi. Yapılandırılmamış Türkçe patoloji raporlarındaki serbest metin verileri, kural tabanlı bir NLP boru hattı kullanılarak sayısallaştırıldı ve 12 majör histopatolojik özellik elde edildi. Hastaların demografik, biyokimyasal ve hematolojik parametreleri ile NLP tabanlı özellikleri birleştirildi. Rastgele Orman (RF), Gradyan Artırma (GB) ve Lojistik Regresyon (LR) algoritmaları, 10 katlı çapraz doğrulama yöntemiyle(n:74) eğitildi. Modellerin ayırt etme gücü bağımsız bir test setinde (n=25) test edildi. Model kararlarının klinik ve biyolojik doğrulaması Açıklanabilir Yapay Zekâ tabanlı SHAP (Shapley Additive exPlanations) analizi ile gerçekleştirildi. Bulgular: Tek değişkenli analizlerde; ANA pozitif grupta serum IgG (p<0,001), AST (p<0,001), ALT (p=0,002) ve Total Bilirubin (p=0,018) düzeyleri ile NLP ile süzülen "otoimmün" ifadesi (p<0,001; Cohen's d=1,24), interfaz hepatit derecesi (p<0,001; Cohen's d=1,18), plazma hücresi infiltrasyonu (p<0,001; Cohen's d=1,05) ve hepatosit rozetleri (p<0,001; Cohen's d=1,01) istatistiksel olarak ileri düzeyde anlamlı şekilde yüksek ve çok büyük etki büyüklüklerine sahip bulundu. Sadece laboratuvar verilerine dayalı modellerin test kümesindeki ROC-AUC değerleri 0,691–0,731 aralığında kısıtlı kalırken; NLP tabanlı patoloji özelliklerinin eklenmesiyle tüm modellerin performansı dramatik düzeyde arttı. En başarılı algoritma olan RF (Lab+NLP) modeli; test setinde %83,2 doğruluk, %80,0 duyarlılık, %86,4 özgüllük, 0,828 F1-skoru ve 0,891 ROC-AUC değeri sergiledi. SHAP analizi, küresel öngörüde en yüksek ağırlıkların serum IgG (0,142), patolojideki "otoimmün" ifadesi (0,118) ve AST (0,115) değişkenlerinde olduğunu göstererek tıbbi literatür kurallarıyla tam bir klinik uyum ortaya koydu. Sonuç: Geliştirilen çok-modlu makine öğrenimi modeli, heterojen ve şüpheli bir klinik popülasyonda bile, serbest metin patoloji verilerini başarıyla anlamlandırarak yüksek bir tanısal öngörü başarısına ulaşmıştır. Bu çalışma, yapay zekanın yapılandırılmamış klinik dilden tıbbi kuralları okuyarak öğrenebileceğini kanıtlamaktadır. Model, gelecekte biyopsi öncesi non-invaziv verilere uyarlanarak gereksiz invaziv girişimlerin önüne geçebilecek, klinik olarak açıklanabilir vizyoner bir karar destek sistemi potansiyeline sahiptir. Anahtar Kelimeler: Otoimmün Hepatit, Makine Öğrenimi, Doğal Dil İşleme, Antinükleer Antikor, Açıklanabilir Yapay Zekâ, Çok-Modlu Veri Entegrasyonu.