AI Summary & Key Takeaways
AI InsightThe AI model achieved an overall accuracy of 70.0% (95% CI: 60.4-78.1) and a balanced accuracy of 59.1%.
📌 3 Key Takeaways
Abstract
Objective: To evaluate the performance of an artificial intelligence (AI)-based classification system using preoperative clinical data in distinguishing benign, borderline, and malignant adnexal masses, and to compare its predictions with final histopathological diagnoses. Material and Methods: The present retrospective study comprised 100 patients who underwent surgery for adnexal masses. Preoperative data (age, serum CA-125 levels, and MRI findings) were analyzed by an AI model, which classified cases as benign, borderline, or malignant. The AI predictions were then compared with the postoperative histopathological results. Diagnostic performance was assessed using accuracy, sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and agreement statistics including Cohen’s kappa and quadratic weighted kappa. Results: Histopathological analysis identified 53 benign, 16 borderline, and 31 malignant cases. The AI model achieved an overall accuracy of 70.0% (95% CI: 60.4-78.1) and a balanced accuracy of 59.1%. The degree of agreement with histopathology was moderate (Cohen’s kappa: 0.497) and substantial with quadratic weighting (0.750). The sensitivity levels were 81.1% for benign, 18.8% for borderline, and 77.4% for malignant lesions. Specificity for malignancy was found to be high (92.8%). The binary classification accuracy was found to be 88.0% for malignant vs. non-malignant and 79.0% for benign vs. non-benign cases. Conclusion: AI-based evaluation using routine preoperative data demonstrated moderate diagnostic performance, with good discrimination of benign and malignant lesions but limited detection of borderline tumors. Further refinement and validation are needed prior to clinical implementation.
Özet
Amaç: Preoperatif klinik veriler kullanarak benign, borderline ve malign adneksiyal kitleleri ayırt etmede yapay zekâ (YZ) tabanlı bir sistemin performansını değerlendirmek ve bu tahminleri nihai histopatolojik tanılarla karşılaştırmaktır. Gereç ve Yöntemler: Bu retrospektif çalışmaya adneksiyal kitle nedeniyle cerrahi uygulanan 100 hasta dahil edildi. Yaş, serum CA-125 düzeyi ve manyetik rezonans görüntüleme (MRG) rapor bulgularından oluşan preoperatif veriler toplandı. Bu parametreler bir YZ modeline aktarıldı ve her olgu benign, borderline veya malign olarak sınıflandırıldı. YZ tabanlı tahminler postoperatif histopatolojik sonuçlarla karşılaştırıldı. Tanısal performans; doğruluk (accuracy), duyarlılık (sensitivity), özgüllük (specificity), pozitif öngörü değeri (PPV), negatif öngörü değeri (NPV) ve Cohen’s kappa ile ağırlıklı (quadratic weighted) kappa dahil olmak üzere uyum istatistikleri kullanılarak değerlendirildi. Bulgular: Histopatolojik değerlendirmeye göre 100 hastanın 53’ü benign, 16’sı borderline ve 31’i malign olarak sınıflandırıldı. YZ modelinin genel doğruluğu %70,0 (95% GA: %60,4–%78,1), dengelenmiş doğruluğu ise %59,1 olarak bulundu. YZ tahminleri ile histopatoloji arasındaki uyum orta düzeydeydi (Cohen’s kappa: 0,497), ağırlıklı kappa ise belirgin uyum gösterdi (0,750). Benign, borderline ve malign lezyonlarda duyarlılık sırasıyla %81,1, %18,8 ve %77,4 olarak saptandı. Model, malign lezyonlar için yüksek özgüllük (%92,8) gösterdi. İkili analizlerde, malign ve non-malign ayrımında doğruluk %88,0; non-benign (borderline + malign) ve benign ayrımında ise %79,0 olarak bulundu. Sonuç: Rutin preoperatif klinik veriler kullanılarak yapılan YZ tabanlı değerlendirme, adneksiyal kitle sınıflandırmasında orta düzeyde tanısal performans göstermektedir. Model, benign ve malign lezyonları ayırt etmede tatmin edici, ancak borderline tümörlerde sınırlı kalmaktadır. YZ, klinik karar sürecinde destekleyici bir araç olarak kullanılabilir; ancak yaygın kullanım öncesinde daha ileri geliştirme ve doğrulama çalışmaları gerekmektedir.