İdiopatik pulmoner fibrozisli hastalarda yüksek çözünürlüklü bilgisayarlı tomografideki bal peteği paterninin derin öğrenme modeli you only look once (YOLO) ile tanınması

Amaç: Tıpta hastalık tanısı, prognozu ve tedavi planlanması için tıbbi görüntüleme giderek daha önemli hala gelmektedir. Yüksek rezolüsyonlu bilgisayarlı tomografi (YRBT) kullanılarak idiopatik pulmoner fibrozisin tanısı zor bir iştir ve deneyimli radyologlarda bile gözlemciler arası yüksek değişkenlik gösterebilir. Derin öğrenme klinik karar vermeye yardımcı olmak için yüksek boyutlu görüntüleme özelliklerini ölçen ve çıkaran niceliksel bir yaklaşımdır. Tıbbi görüntülemeleri kullanarak birçok hastalığın teşhis, tedavi ve takibinde kullanılma konusunda büyük bir potansiyele sahip olduğunu göstermektedir. İdiyopatik pulmoner fibrozis (İPF) mortalitesi yüksek bir hastalık olup hastalığa tanı konulmasında hala bazı zorluklar yaşanmaktadır. Çalışmamızda YRBT' de izlenen bal peteği paterninin derin öğrenme yöntemi olan You Only Look Once (YOLO) ile erken bir şekilde tanınıp, tanı konulmasında yardımcı olması amaçlanmıştır. Hastalar ve Yöntem: Çalışmamızda 66 hastamıza ait içerisinde bal peteği görüntülerini içeren 132 adet kesitsel YRBT görüntüleri kullanıldı. Nesne algılama, sınıflandırma ve segmentasyon için görüntüleri etiketlemede kullanılmak üzere tasarlanmış web tabanlı bir platform olan Roboflow' da görüntülere bal peteği etiketlendirilmesi yapıldı. Etiketlenen YRBT görüntülerindeki bal peteği paterni, derin öğrenme modeli olan You Only Look Once-V9' a (YOLO-V9) tanıtıldı. 132 adet kesitsel YRBT görüntülerinin; 92 tanesi (%70) eğitim seti verileri, 26 tanesi (%20) doğrulama seti verileri ve 14 tanesi (%10) de test seti verileri olarak kullanıldı. Görüntüler üzerinde 100 iterasyon (döngü-epoch) çalışıldı. YOLO modeline etiketleyip verdiğimiz eğitim seti verilerinde modelin önce bal peteği paternini tanıması sağlandı. Doğrulama seti verileriyle YOLO modeli, oluşturduğu program sayesinde gerçekte olan bal peteği görüntüleri ile modelin işaretlediği bal peteği görüntülerinin karşılaştırmasını yaptı. Daha sonra test seti verileri ile de YOLO modeli hiç görmediği görüntülerin üzerinde bal peteği olma olasılığı tahmininde bulundu. Bulgular: Eğitim seti verileri üzerinde kayıpların genel olarak düşük ve istikrarlı olduğu görülmektedir. Özellikle, box_loss ve dfl_loss ortalamaları 1.2 civarında gözlemlenmiştir. Doğrulama seti verileri üzerinde kayıplar da benzer şekilde 1.7 civarında olup modelin doğrulama verisi üzerindeki performansının eğitim verisine benzer olduğunu göstermektedir. Kayıp oranları düşük seviyede izlenmekte bu da modelin eğitim sürecinde adım adım optimize edildiğini göstermektedir. Precision ortalaması 0.538, recall ortalama ise 0.483 olarak hesaplanmış olup bu değerler, modelin makul bir doğrulukla nesneleri tespit ettiğini göstermektedir. mAP_0.5 ortalaması 0.469 ve mAP_0.5:0.95 ortalaması 0.246 olarak hesaplanmış olup modelin genel performansının iyi olduğunu, ancak IoU eşiği arttıkça performansın düştüğünü göstermektedir. YOLO-V9 modelinin bal peteği paternini %81.3 kesinlik, %68.3 duyarlılık ve %69.4 hasasiyetle tespit ettiği gösterilmiş olup modelin genel performansının iyi olduğu söylenebilir. Sonuç: Çalışmamızda nesne tespit yöntemlerinden YOLO' nun en güncel versiyonu olan V9 kullanılmıştır. Bu konuda bu hastalığa yönelik YOLO ile yapılan ilk çalışma olması yönünden özgün değeri oldukça yüksektir. YOLO-V9 modelinin bal peteği paternini tespit etmede genel olarak kabul edilebilir bir performans sergilediği söylenebilir. Model doğruluğunun artırılması için veri seti artırımı yapılabilir. Yine de, bu küçük veri kümeleriyle iyi bir performans elde edilmiştir. Daha büyük bir veri kümesinin pulmonoloji tanı alanında dönüştürücü bir etkisi olması muhtemeldir.