Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, modelin klinik entegrasyona uygun, zamandan ve işlem gücünden tasarruf sağlayan etkili bir ön sınıflandırma aracı olduğunu göstermektedir.
📌 3 Maddede Bu Makale
Özet
Böbrek taşı, dünya genelinde artan prevalansı ve yol açtığı komplikasyonlar nedeniyle dikkatle izlenmesi gereken önemli bir sağlık problemidir. Tanıda yaygın olarak kullanılan bilgisayarlı tomografi (BT), yüksek duyarlılık sağlasa da hacimsel veri yapısı nedeniyle radyologların inceleme süresini uzatmakta ve iş yükünü artırmaktadır. Bu çalışmada, böbrek taşı tespitine yönelik geliştirilecek karar destek sistemlerine öncülük edecek, böbrek içeren ve içermeyen BT kesitlerini ayırt edebilen, sade ve düşük maliyetli bir derin öğrenme tabanlı ön sınıflandırma modeli önerilmiştir. Modelin amacı, böbrek içermeyen kesitleri dışlayarak yalnızca ilgili görüntülerin ikinci kademe yapay zekâ modeline ve radyoloğa yönlendirilmesini sağlamaktır. Bu kapsamda, böbreğin global konumsal bağlamı için Vision Transformer (ViT), yerel öznitelikleri için ResNet18 mimarisi kullanılmış; öznitelikler kaynaştırılarak optimize edilmiş sığ bir yapay sinir ağıyla sınıflandırılmıştır. Model, gerçek hasta verileriyle geliştirilen etkileşimli bir arayüzde test edilerek pilot uygulama için entegre edilmiş ve kullanıcı senaryolarına göre değerlendirilmiştir. Önerilen model, doğru negatif sınıflamalarıyla hasta başına ortalama %64.1 oranında (~24 dakika) etiketleme süresinden tasarruf sağlamış; %89.4 doğruluk, duyarlılık ve %89.5 özgüllük ile yüksek sınıflandırma başarımı sunmuştur. Bulgular, modelin klinik entegrasyona uygun, zamandan ve işlem gücünden tasarruf sağlayan etkili bir ön sınıflandırma aracı olduğunu göstermektedir. Çalışma ayrıca, yapay zekâ sistemlerinin klinik kullanımı öncesinde pilot testlerle ve uzman katkısıyla değerlendirilmesinin önemini vurgulamaktadır.
Abstract
Kidney stone disease is a major global health concern due to its rising prevalence and related complications. Although computed tomography (CT) is highly sensitive for diagnosis, its volumetric nature increases radiologists’ workload and review time. This study proposes a lightweight and low-cost deep learning-based pre-classification model to distinguish between CT slices containing the kidney and those that do not, as a preliminary step for kidney stone detection systems. The model aims to eliminate irrelevant slices and direct only meaningful images to both the second-stage AI model and the radiologist. Vision Transformer (ViT) was used to capture the global spatial context of the kidney, while ResNet18 extracted local features. These features were fused and classified using a shallow neural network. The model was tested within an interactive interface built using real patient data and integrated into a pilot application. Results showed that the proposed system achieved an average of 64.1% time saving per patient (~24 minutes) by filtering out non-relevant slices, with 89.4% accuracy, 89.4% recall, and 89.5% specificity. These findings suggest that the model is a practical and efficient pre-screening component for clinical workflows and highlights the importance of pilot testing and expert feedback before real-world deployment of AI systems.