Makine öğrenmesi ve yapay zekâ tabanlı bilgisayar tomografi analizi ile akut apandisit tanısının değerlendirilmesi

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL KANUNİ SULTAN SÜLEYMAN SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: OSMAN SIBIÇ

Danışman: Erkan SOMUNCU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

AMAÇ: Akut apandisit (AA), en sık karşılaşılan cerrahi acillerden biri olup, nüfusun %7-8'inde görülmektedir. Zamanında tanı ve tedavisi yapılmaması halinde ciddi morbidite ve mortalite sonuçları olabilmektedir. Tanı genellikle fizik muayene, laboratuvar, ultrasonografi, bilgisayarlı tomografi (BT) yöntemleri ile konulur. Bu çalışmada AA tanısının erken konulması ve perforasyon, apse gibi komplikasyonların önüne geçilmesi için BT görüntülerinde yapay zekâ kullanımının etkinliğini değerlendirmek amaçlanmıştır. GEREÇ VE YÖNTEM: Kanuni Sultan Süleyman Sağlık Uygulama ve Araştırma Merkezi Genel Cerrahi kliniğinde 01 Ocak 2019 ile 31 Haziran 2023 tarihleri arasında akut apandisit tanısıyla opere edilen hastaların BT görüntüleri incelendi. 400 hastanın kaydedilen 1200 BT kesit görüntüsü MobileNet, Resnet, EfficientNet ve Inception yapay zekâ modellerinde değerlendirildi. Model sonuçları hata matrisi kullanılarak ve kategorik değişkenler IBM SPSS istatistik paket programı kullanılarak değerlendirildi. BULGULAR: Çalışma grubunun yaş ortancası 28 (17–88) (IQR: 13) yıl idi ve gruplar arasında yaş parametresi açısından anlamlı fark izlenmedi. Akut apandisit grubunda 266 erkek, 134 kadın hasta ve sağlıklı grupta 269 erkek, 131 kadın hasta mevcuttu. Gruplar arasında cinsiyet parametrei açısından anlamlı fark saptanmadı (p=0,881). Tüm CNN modelleri kıyaslandığında modeller arasında en yüksek doğruluk oranı (0,8) Inception v3, en yüksek kesinlik oranı (0,819515) MobileNet v2 modelinde saptandı. Kesinlik ve duyarlılık arasındaki dengeyi gösteren F-skor değeri en yüksek (0,795745) Inception v3 modelinde saptandı. Sensivite değeri en yüksek (0,7791667) Inception v3 ve spesifite değeri en yüksek (0,8625) EfficientNet b2 modelinde saptandı. SONUÇ: Yapay zekâ ve yapay zekâ ilişkili teknolojiler, bilgisayar bilimleri alanında yaşanan yeni gelişmeler ile günlük hayatta sıklıkla yer almaya devam etmektedir. Çalışmamızda kullanılan modellerde en yüksek sensivite %77 ve en yüksek spesifite %86 olarak saptanmıştır. BT görüntülemesinin yapay zekâ sistemleri ile desteklenmesi halinde AA teşhisi için sensivite, spesifite ve doğruluk değerlerinin artacağını düşünmekteyiz.