Tiroid ince iğne aspirasyon biyopsilerinde sitomorfolojik özelliklerin yapay zeka ile yorumlanması

Tiroid nodülleri sık karşılaşılan klinik bir sorundur. Palpabl tiroid nodüllerinin prevalansı iyot eksikliği yaşamayan bölgeler göz önüne alındığında tüm dünyada erkeklerde %1 ve kadınlarda %5'tir. Tiroid nodülleri ise klinik, laboratuvar ve ultrasonografik bulgularla değerlendirildikten sonra gerekli görülürse tanısal amaçlı TİİAB yapılmaktadır. İnce iğne aspirasyon biyopsileri tiroid nodüllerinin klinik yönetiminde önemli yer tutmaktadır. TİİAB değerlendirmesi çok sayıda kriter taşımakta, günlük rutin pratikte aynı olguya ait çok sayıda preparatın patolog tarafından ışık mikroskopu altında uzun süre taranması ve görülen hücre gruplarının detaylı olarak incelenmesi zaman ve işgücü açısından zorlayıcı olmaktadır. Ayrıca aspirasyon örneklerinin değerlendirilmesi özel ilgi alanı olup, eğitim ve tecrübe gerektirmektedir. Bu çalışma ile bölümümüzde tanı almış TİİAB yayma preparatlarının retrospektif olarak seçilmesi, fotoğraflanması, işaretlenmesi sonrasında konvolüsyonel nöral ağ modeli yardımıyla yapay zekâ programının 'benign' ve 'malign' tanısal kavramlarını öğrenmesi ve sınıflandırması amaçlanmıştır. Çalışmamıza 50 adet benign ve 50 adet malign tanılı konvansiyonel yayma preparat dahil edilmiştir. Tüm preparatlardaki uygun alanların fotoğraflanması sonrasında 'benign' tanılı 721 adet ve 'malign' tanılı 710 adet görüntü elde edilmiş, işaretleme, görüntü artırımı, veri seti oluşturma, model mimarisinin oluşturulması, modelin eğitimi ve istatistiksel analiz yapılmıştır. Elde edilen sonuçlara göre, benign tanısı için belirlenen duyarlılık oranı %95,9, seçicilik oranı %95,6 ve F1 skoru ise 0,958 olarak tespit edilmiştir. Malign tanısı için ise duyarlılık oranı %95,6, seçicilik oranı %95,9 ve F1 skoru 0,957 olarak elde edilmiştir. Her iki tanı grubu için hesaplanan kesinlik değeri ise 0,958 olarak belirlenmiştir. Alıcı İşletme Karakteristikleri (ROC) Eğrisi çizilerek eğri altında kalan alan hesaplanmış ve benign ve malign tanı sınıfları için ayrı ayrı ölçüldüğünde her ikisi için de 0.99 olarak ortaya çıkmıştır. Çalışmamız aynı alandaki çalışmalarla benzer duyarlılık, seçicilik, F1 skoru ve ROC eğrisi altında kalan alan istatistiklerine sahip başarılı bir modelin eğitilip uyarlanabileceğini göstermiştir. Tanı kategorilerinin standardize oluşturulması, girdi verilerinin çeşitli adımlarla artırılması, model katman sayısı ve işlemlerinin düzenlenmesi, eğitim sayısının optimizasyonu ile yüksek istatistiksel başarıya sahip bir model oluşturulmuştur. Çalışmamızın sınırlılıkları ve gelecekteki çalışmalarımızda dikkate almamız gereken konular arasında farklı boyama ve yayma teknikleri kullanılarak hazırlanan preparatların çalışmaya dahil edilmesi, modelin WSI üzerinden otomatik olarak seçtiği ROI alanları ile çalışılması, TSRBS kategorilerinin tamamının sınıflandırılması, hasta öyküsü, klinik ve radyolojik özelliklerin girdi verilerine dahil edilmesi ayrıca sitolojik tanıların histolojik olarak onaylandığı olguların seçimi yer almaktadır. Teknoloji çağında, yapay zekâ uygulamalarının günlük hayatımıza, özellikle de tıp alanına entegre edilmesi, birçok sağlık sorununun tanısı ve olgu yönetiminde hekimlerin en önemli yardımcılarından biri olacaktır.