Makine öğrenmesi yöntemleri ile epikardiyal yağ doku yapısal özellikleri ve koroner arter hastalığı arasındaki ilişkinin araştırılması

Amaç: Çalışmamızın amacı; koroner arter kalsiyum skorlama protokülüne ait kontrastsız bilgisayarlı tomografi (BT) görüntüleri üzerinden epikardiyal yağ dokunun (EYD) segmente edilerek yapısal özelliklerinin çıkarılması ve bu özelliklerin total kalsiyum skoru (TKS) ve kardiyovasküler risk faktörleri ile birlikte makine öğrenmesi yöntemleri kullanılarak; koroner arter hastalığının (KAH) ciddiyetini öngörmedeki değerinin değerlendirilmesidir. Gereç ve Yöntem: Ocak 2021 – Mayıs 2025 tarihleri arasında KAH şüphesiyle koroner BTA tetkiki yapılan toplam 417 hastaya ait görüntüler retrospektif olarak değerlendirildi. Çalışmada, kalsiyum skorlama protokolüne ait kontrastsız BT görüntüleri kullanıldı ve bu görüntüler üzerinden EYD manuel yöntemle segmente edildi. Segmentasyon verilerinden elde edilen yapısal özellikler, hastalara ait TKS ve kardiyovasküler risk faktörleri ile birleştirilerek analiz edildi. Bu veriler kullanılarak hem derin öğrenme algoritmaları (tek kipli ve çok kipli modeller) hem de klasik makine öğrenmesi yöntemleri ile tahmin modelleri oluşturuldu. Oluşturulan modellerin tanısal performansları, duyarlılık, özgüllük, doğruluk, F1 skoru ve ROC eğrisi altında kalan alan (AUC) gibi standart metrikler kullanılarak değerlendirildi. Bulgular: UNet3D mimarisine sahip derin öğrenme modelleri çalışmanın birincil sonlanım noktası olan CAD-RADS ≥ 3 olguları öngörmede yüksek performans göstermiştir. En yüksek performans çok kipli modelde elde edilmiş olup segmentasyon verilerine kardiyovasküler risk faktörleri ve TKS verilerinin eklenmesi model başarısına önemli katkıda bulunmuştur. Sonuç: Çalışmamız, EYD'ye ait yapısal özelliklerin, TKS ve temel kardiyovasküler risk faktörleriyle entegre edilmesiyle, KAH şiddetini öngörmede yapay zeka temelli modellerin etkili bir şekilde kullanılabileceğini göstermiştir.