Medical Informatics IV
Surgical Insight-Guided Deep Learning for Colorectal Lesion Management
Ozan Can Tatar, Anıl ÇubukçuColonoscopy stands as a pivotal diagnostic tool in identifying gastrointestinal diseases, including potentially malignant tumors. The procedure, however, faces challenges in the precise identification of lesions during visual inspections. The recent strides in AI and machine learning technologies have opened avenues for enhanced medical imaging analysis, including in the field of colonoscopy. In this study, we introduce an AI-driven convolutional neural network (CNN) model designed to optimize diagnosis and intervention during colonoscopy procedures. The model transcends the conventional focus on polyp detection, encompassing all potentially malignant lesions. Leveraging surgical histopathology results as the gold standard, we trained our model to achieve heightened accuracy in lesion detection and characterization. Our model exhibited remarkable precision and recall rates of 0.79604 and 0.78086, respectively, alongside a mean Average Precision (mAP50) of 0.83243. Furthermore, it demonstrated a sensitivity of 70.73% and a specificity of 92.00% during real-time external validation, showcasing its robustness in identifying lesions accurately. The model stands as a promising tool in the clinical setting, offering real-time applicability and compatibility with existing medical equipment. By facilitating more accurate diagnoses, it harbors the potential to enhance decision-making in gastrointestinal surgery and improve patient outcomes. Its impressive diagnostic metrics indicate that it could be a substantial step forward in the early detection and treatment of gastrointestinal diseases.
Kolorektal Lezyon Yöneti̇mi̇ içi̇n Cerrahi̇ İçgörü Rehberli̇ Deri̇n Öğrenme
Ozan Can Tatar, Anıl ÇubukçuKolonoskopi, gastrointestinal hastalıkların ve malign tümörlerin teşhisinde kritik bir araç olarak ön plana çıkmaktadır. Ancak bu işlem sırasında lezyonların kesin olarak tanımlanmasında bazı zorluklarla karşılaşılmaktadır. Yapay zekâ ve makine öğrenmesi teknolojilerindeki son ilerlemeler, kolonoskopi de dahil olmak üzere medikal görüntülerin değerlendirilmesinde yeni yöntemler ortaya koymuştur. Bu çalışmada, kolonoskopi işlemi sırasında teşhis ve yönetimi optimize etmek amacıyla tasarlanmış YZ destekli bir Evrişimsel Sinir Ağı (CNN) modeli araştırmaktayız. Bu model, literatürdeki modellerin aksine polip tespitine odaklanmanın ötesine geçerek, malignite potansiyeli olan tüm lezyonları değerlendirmeyi amaçlamaktadır. Cerrahi histopatoloji sonuçlarını altın standart olarak kabul ederek, lezyon tespiti ve karakterizasyonunda daha yüksek bir doğruluk elde etmeyi amaçladık. Modelimizin sonuçları, eğitim sonrasında, %79.604 precision ve %78.086 recall oranlarında izlenmiştir. Ortalama Kesinlik Oranı (mAP50) olarak 0.83243 değerine ulaşmıştır. Gerçek zamanlı harici test veritabanı ile teste tabi tutulduğunda, lezyonları doğru bir şekilde tanımlamada sırasıyla %70.73 duyarlılık ve %92.00 özgüllük oranlarını yakalamıştır. Model, klinik kullanım açısından umut verici bir araç olarak yer almakta, gerçek zamanlı uygulanabilirlik ve mevcut medikal ekipmanlarla uyumluluk sunmaktadır. Daha doğru teşhisler sağlayarak, kolorektal lezyonlarda karar verme süreçlerini ve tedavi sonuçlarını geliştirebilir.
