Akademik Veri Yönetim Sistemi
Elhan A. H., Özdemir Kumbasar Ö. (Yürütücü), Doğan Mülazimoğlu D.
Türkiye Sağlık Enstitüleri Başkanlığı (TÜSEB) Araştırma Projesi, 2020 - 2021
Giriş-amaç:
Coronavirus hastalığı 2019 (COVID-19) doğrudan sağlık sistemini dolaylı olarak
da ekonomik ve sosyal hayatı etkileyerek dünya genelinde önemli bir soruna
neden olmuştur. Hastalığı kontrol altına alabilmek ve etkilerini azaltabilmek
amacıyla, yapay zeka (YZ) çalışmaları da hız kazanmıştır. Çalışmamızda, hastalığın
tanısında altın standart yöntem olan reverse transkriptaz-polimeraz zincir
reaksiyon (RT-PCR) verilerini ve hastalığın tanı ve takibinde kullanılan toraks
bilgisayarlı tomografileri (BT) görüntülerini kullanarak COVID-19’un erken ve
doğru teşhisini sağlayan derin öğrenme tabanlı bir klinik karar destek tekniği
geliştirilmesi amaçlanmıştır.
Yöntem:
Çalışmamızda Mayıs 2020-Aralık 2020 tarihleri arasında Ankara Üniversitesi Tıp
Fakültesi (AÜTF) Hastanelerine COVID-19 klinik şüphesi ile başvuran hastaların toraks
BT görüntüleri, RT-PCR verileri, laboratuvar verileri ve klinik yorumları
retrospektif olarak kaydedilmiştir. Toraks BT eğitiminde, COVID-19 ile uyumlu
BT’ler ve ayırıcı tanıda karışabilen 2019 öncesi döneme ait bakteriyel/viral
pnömoniler ve interstisyel akciğer hastalığı BT’leri geliştirilen BCDU-Net ve
3D-Evrişimsel Sinir Ağı tabanlı derin öğrenme tekniğinde kullanılmıştır. Daha
sonra RT-PCR eğitiminde AÜTF veri tabanındaki (AU-CoV) hastaların RT-PCR
verileri pozitif ve negatif olarak etiketleme sonrasında, zaman dizisi verileri
ile yorumlanarak, 1D evrişimsel filtreler ve uzun kısa süreli bellek ağları ile
işlenmiştir. Son olarak; birbirinden bağımsız olarak eğitilmiş olan BCDU-Net ve
3D-Evrişimsel Sinir Ağı sınıflandırıcısı ile 1D-evrişimsel Filtre–Uzun Kısa
Süreli Bellek Ağı sınıflandırıcısı kendilerine karşılık gelen girdi türleri
üzerinde çıkarım yapması üzerine oluşturan hibrit model ile hastaların toraks
BT ve RT-PCR verileri ile, hastaların COVID-19 olma olasılıklarını oluşturan
algoritma geliştirilmiştir.
Bulgular: Toraks
BT modeli, BT bulgularını COVID-19, interstisyel akciğer hastalığı ve
viral/bakteriyel pnömoniler olarak üç grupta değerlendirdiğinde, COVID-19
pnömonisini %94 duyarlılık, %94 kesinlik ve %81 doğruluk ile; COVID-19
pnömonisi ve diğer nedenler (interstisyel akciğer hastalıkları/ viral-bakteriyel
pnömoniler) olarak ikili değerlendirdiğinde ise COVID-19 pnömonisini %94
duyarlılık, %94 kesinlik ve %94 doğruluk ile sınıflandırmıştır. RT-PCR modeli
ise pozitif RT-PCR test sonucunu %97 duyarlılık ve %98 kesinlik ile, negatif
RT-PCR test sonucunu ise %99 duyarlılık ve %99 kesinlik ile sınıflandırmıştır. Yüksek başarım
göstermiş olan toraks BT ve RT-PCR modellerinin yanına laboratuvar ve klinik
veriler de eklenerek hibrit karar destek sistemi algoritması geliştirilmiştir.
Sonuç: COVID-19-YZ
çalışmamız sonucunda elde edilen model, toraks BT değerlendirmesinde
radyologlar ve RT-PCR değerlendirmesinde mikrobiyologlar ile benzer sonuçlar
vermektedir ve klinik karar destek sistemi olarak güvenle kullanılabilir.
Anahtar
kelimeler: COVID-19,
Yapay zeka, Derin öğrenme, Klinik karar destek sistemleri, PCR