Benign ve malign parotis kitlelerinin tanısını koymada deep learning; ince iğne aspirasyon biyopsisi'nin yerini alabilir mi?

ÖZET Giriş ve Amaç: Parotis tümörleri her yaş grubunda rastlanabilen ve birçok farklı histolojik alt tipi olan tümörlerdir. Parotis bezleri tüm tükürük bezi tümörlerinin %80' inin kaynağıdır ve küratif primer tedavileri genellikle cerrahidir. Ancak yapılacak cerrahinin kapsamı tümörün benign veya malign karakterde olmasına göre şekillenmektedir. Preoperatif yapılan invaziv girişimlerle histopatolojik tanıya gidilmeye çalışılır. İnce iğne aspirasyon biyopsisi(İİAB) ve cerrahi biyopsi işlemleri içerdikleri komplikasyon riskleri, hasta uyumunda yaşanan güçlükler, bu işlemler öncesinde ve sonrasında yaşanan zaman ve iş gücü kaybı nedeniyle daha az riskli ve daha kesin sonuçlar verebilecek ekonomik ve konforlu yeni yöntemlerin arayışına sebep olmuştur. Tüm dünyada hızla gelişen ve hayatımızın birçok alanında kullanılmaya başlanan yapay zeka uygulamaları tıbbi hastalıkların tanı ve tedavi sürecinde de denenmeye başlanmıştır. Biz de bu çalışmamızda yapay zeka uygulamalarından makine öğrenmesinin alt başlığı olan deep learning (derin öğrenme) modellerinden ResNet50 mimarisinin normal parotis dokusunu, benign ve malign parotis kitlelerini ayırabilme beceresini patoloji sonuçlarını referans alarak değerlendirmeyi ve daha önce bu konuda yapılan çalışmalarla karşılaştırmayı amaçladık. Gereç ve Yöntem: Çalışmamızda retrospektif olarak 01.01.2014-01.07.2024 tarihleri arasında Dicle Üniversitesi Tıp Fakültesi Kulak Burun Boğaz kliniğine parotis kitlesi ile başvuran hastalar seçilerek yapıldı. Benign ve malign tümör tanılı iki grup ve ayrıca derin öğrenme modelinin eğitimi için herhangi bir amaçla kontrastlı boyun BT çekilmiş ve parotis bezlerinde herhangi bir patoloji saptanmayan normal hastalardan da bir grup oluşturuldu. Her grupta 52 , toplamda 156 hasta çalışmaya dahil edildi. Her hastanın aksiyel kesitte kontrastlı boyun BT görüntülerinden parotis ve kitle düzeyinden geçen 6 adet görüntü alındı. Toplamda 936 görüntüden oluşan veri seti ResNet50 mimarisinde girdi olarak kullanıldı. Bu veri setinin %70' i eğitim, %30'u test ve eğitimde kullanılan veri setinin de %10'u validasyon olarak kullanıldı. Elde edilen veriler ile traning ve validasyon accuracy ile loss grafikleri, karışıklık matrisi ve model başarım ölçüm sonuçları tespit edildi. Bulgular: Çalışmamızda benign hastaların % 40,4 (n=21)' ü kadın, %59,6(n=31)' sı erkek, malign hastaların % 40,4 (n=21)' ü kadın, %59,6(n=31)' sı erkekti. Benign hastalarda ortalama yaş 42,8 iken, malign hastalarda 62,2 bulundu. Malign grupta yaş ortalaması istatiksel olarak anlamlı düzeyde daha yüksek bulundu(p<0,001). Benign grupta %65,4 (n=34) oranla en sık görülen tümör pleomorfik adenomdu. Malign grupta %40(n=21) ile en sık izlenen tümör mukoepidermoid karsinomdu. Görüntülemelerin ResNet50 mimarisi ile eğitimi sonrası test edildiğinde pozitif prediktif değer(precision), sensivite(recall) ve f1-score benign grup için sırasıyla % 94, 95, 95 olurken, malign grup için sırasıyla % 98, 99, 98 bulundu. Sonuç: Test ettiğimiz derin öğrenme modeli(ResNet50) normal parotis, benign ve malign tümör görüntülerini ayırmada %97 sensitivite ve %98,3 spesivite gösterdi. Modelin geniş vaka serilerinde test edilip geliştirilebileceği, tümör subtiplerini tanımaya yönelik eğitilecek modeller ve yapay zeka alanındaki hızlı gelişmelerin bu modellerin daha çok özellik öğrenmesine katkıda bulunabileceği düşünülmüştür. Derin öğrenme alanındaki gelişmelerle yapay zekanın yakın zamanda preoperatif tümör tiplendirmesinde İİAB' nin yerini alabileceğini düşünmekteyiz. Anahtar sözcükler: parotis, tümör, derin öğrenme, ResNet50, İİAB