Kod Gerektirmeyen Makine Öğrenmesi Uygulaması ile Diyabetik Maküla Ödeminin Tespiti ve Sınıflandırması
Furkan Kırık, Büşra Demirkıran, Cansu Ekinci Aslanoğlu, Arif Koytak, Hakan ÖzdemirBezmialem Vakıf Üniversitesi, Göz Hastalıkları Ana Bilim Dalı, İstanbulAmaç: Kod bilgisi gerektirmeden, kişisel bilgisayar üzerinden kullanım sağlanabilen bir makine öğrenme (MÖ) aracı olan Lobe uygulamasının Spektral-Domain Optik Koherens Tomografi (SD-OKT) görüntüleri üzerinden diyabetik maküler ödemin (DMÖ) tespiti ve sınıflandırmasındaki etkinliğini değerlendirmek.
Gereç ve Yöntem: Çalışmaya diyabetik makula ödemi olan (DMÖ) 336 hastanın 695 kesitsel SD-OKT görüntüsü ve 200 sağlıklı kontrole ait 200 SD-OKT görüntüsü dahil edildi. DMÖ’lü görüntüler difüz retina ödemi (DRÖ), kistoid maküler ödem (KMÖ) ve kistoid maküler dejenerasyon (KMD) olarak üç ana tipte sınıflandırıldı. MÖ modelinin geliştirilmesi için önceden eğitilmiş ResNet-50 V2 evrişimsel sinir ağı içeren ve ücretsiz olarak sunulan, masaüstü tabanlı, kod gerektirmeyen Lobe uygulaması kullanılmıştır. Eğitilen modelin DMÖ’yü tanıma ve sınıflandırmadaki performansı eğitimde kullanılmayan 41 DRÖ, 28 KMD, 70 KMÖ ve 40 normal SD-OKT görüntüsü ile değerlendirildi.
Bulgular: Geliştirilen model, DMÖ'nün sınıftan bağımsız tespiti için %99,28 duyarlılık ve %100 özgüllük göstermiştir. Etiketlere göre duyarlılık ve özgüllük sırasıyla DRÖ için %87,80, %98,57, KMÖ için %96,43, %99,29 ve KMD için %95,71, %95,41 idi.
Sonuç: Lobe'un oftalmolojik görüntüler üzerindeki etkinliği bildiğimiz kadarıyla ilk kez değerlendirilmiş ve göz hekimleri tarafından kodlama uzmanlığı gerektirmeden SD-OKT görüntülerinden DMÖ'nün tanınması ve sınıflandırılmasında yüksek etkinlikle kullanılabileceği gösterilmiştir.
Detection and Classification of Diabetic Macular Edema with Desktop-Based Code-Free Machine Learning Tool
Furkan Kırık, Büşra Demirkıran, Cansu Ekinci Aslanoğlu, Arif Koytak, Hakan ÖzdemirDepartment of Ophthalmology, Bezmialem Vakif University, İstanbul, TürkiyeObjective: To evaluate the effectiveness of Lobe application, a machine learning (ML) tool that can be used on a personal computer without requiring coding expertise, in the recognition and classification of diabetic macular edema (DME) in spectral domain-optical coherence tomography (SD-OCT) scans.
Materials and Methods: Six hundred and ninety-five cross-sectional SD-OCT images of 336 patients with diabetic macular edema (DME) and 200 OCT images of 200 healthy controls were included. Images with DME were classified into three main types: diffuse retinal edema (DRE), cystoid macular edema (CME), and cystoid macular degeneration (CD). For the development of the ML model, a desktop-based code-free Lobe application, which includes a pre-trained ResNet-50 V2 convolutional neural and is available free of charge, was utilized. The performance of the trained model in recognizing and classifying DME was evaluated with 41 DRE, 28 CD, 70 CME and 40 normal SD-OCT images that were not used in the training.
Results: The developed model showed 99.28% sensitivity and 100% specificity for class-independent detection of DME. Sensitivity and specificity by labels were 87.80%, 98.57% for DRE, 96.43%, 99.29% for CME, and 95.71%, 95.41% for CD, respectively.
Conclusion: The effectiveness of Lobe on ophthalmological images was evaluated for the first time to the best of our knowledge, and it has been shown that it can be used with high efficiency in the recognition and classification of DME from SD-OCT images by ophthalmologists without coding expertise.
Keywords: artificial intelligence, code-free, machine learning, diabetic macular edema, optical coherence tomography
Sorumlu Yazar: Furkan Kırık, Türkiye
| ARAÇLAR |
 Yazdır Alıntıyı İndir RIS EndNote BibTex Medlars Procite Reference Manager E-Postala Paylaş Yazara e-posta gönder
Benzer makaleler Google Scholar |