Derin öğrenme mimarileri ile Kellgren-Lawrence evreleme yapan modelin retrospektif ön-arka diz grafileri üzerinde değerlendirilmesi ve radyolog karar süreçlerine etkisinin incelenmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: MEHMET NUMAN ÇOLAKOĞLU
Danışman: Semra DURAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, diz osteoartritinin Kellgren-Lawrence evrelemesini otomatik olarak gerçekleştiren derin öğrenme tabanlı bir sistem geliştirmek, farklı mimari yaklaşımları karşılaştırmak ve sistemin radyolog karar süreçlerine etkisini değerlendirmektir. Gereç ve Yöntem: PyTorch kütüphanesi kullanılarak on dört farklı derin öğrenme mimarisi geliştirilmiş ve karşılaştırılmıştır. Evrişimli sinir ağı kategorisinde ResNet-18, ResNet-50, ResNet-101, DenseNet-121, DenseNet-169, DenseNet-201, EfficientNet-B0, MobileNetV2, ConvNeXt-Tiny ve ConvNeXt-Small; Vision Transformer kategorisinde Swin-T, Swin-S, ViT-B/16 ve ViT-L/16 mimarileri kullanılmıştır. Modeller, Mendeley Data platformundan elde edilen 8.260 görüntüden oluşan KOA-SG v1.0 veri seti ile eğitilmiş ve test edilmiştir. Harici doğrulama için Ankara Bilkent Şehir Hastanesi'nden toplanan 100 görüntülük bağımsız bir veri seti kullanılmıştır. Altı radyolog, yapay zeka desteği öncesi ve sonrası olmak üzere iki aşamada değerlendirilmiştir. Bulgular: DenseNet-169 mimarisi en yüksek performansı göstermiş olup, Mendeley test setinde %70,17 genel doğruluk, 0,9079 Macro AUC ve 0,9340 Micro AUC değerleri elde etmiştir. Harici hastane setinde %65 genel doğruluk, 0,8575 Macro AUC ve 0,8863 Micro AUC değerleri kaydedilmiştir. Evrişimli sinir ağı tabanlı modeller açık erişim veri seti ve harici hastane veri setinde Vision Transformer modellerine göre anlamlı olarak üstün performans sergilemiştir. Yapay zeka desteği, radyolog doğruluğunda önemli iyileşmeler sağlamıştır: R1 %51'den %61'e, R2 %52'den %63'e, R3 %65'ten %71'e, R4 %64'ten %72'ye, R5 %77'den %81'e ve R6 %78'den %83'e yükselmiştir. Grad-CAM analizi, modelin %78 oranında klinik olarak anlamlı anatomik bölgelere odaklandığını göstermiştir. Gözlemciler arası uyum yapay zeka desteği ile ortalama eşli ikinci dereceden ağırlıklı kappa 0,708'den 0,836'ya yükselmiş, %18,1'lik artış bulunmuştur (p<0,001). Krippendorff's Alpha değerleri 0,726'dan 0,845'e yükselmiştir (%16,4 artış). Gözlemci içi tutarlılık analizi tüm radyologlar için iyi uyum seviyesinde bulunmuştur (ortalama ikinci dereceden ağırlıklı kappa: 0,791). Yapay zekanın gerçek değerle uyumu mükemmel seviyede bulunmuştur (ikinci dereceden ağırlıklı kappa: 0,864). Sonuç: DenseNet-169 mimarisi, diz osteoartrit tanısında klinik karar destek sistemi olarak kullanılabilecek yüksek potansiyel göstermiştir. Evrişimli sinir ağı tabanlı modeller genel olarak Vision Transformer modellerine kıyasla daha yüksek performans göstermiştir. Yapay zeka, bireysel performansı arttırmanın yanı sıra tanı standardizasyonunu sağlamaya da yardımcıdır.