Minimal İnvaziv
Ameliyatsız, Kesi yok
Tiroid nodülleri, birçoğumuzun sağlık kaygıları arasında sıkça karşımıza çıkan bir konu. Çoğu zaman bu nodüller zararsız olsa da, ne yazık ki aralarında kansere dönüşebilenler de var. Bu yüzden, hangi nodülün masum, hangisinin tehlikeli olduğunu ayırt etmek oldukça önemli.
Stanford Üniversitesi Tıp Fakültesi’nden Radyoloji Profesörü Dr. Terry S. Desser, ultrasonun bu ayrımı yapmamızda en büyük yardımcımız olduğunu söylüyor. Ultrason kullanımının yaygınlaşması, tiroid nodüllerinin tesadüfi olarak saptanmasında artışa yol açmış ve bu nodüllerin yaygınlığı %19 ile %68 arasında bildirilmiştir.
Desser’in meslektaşı, Stanford Üniversitesi’nden Biyomedikal Veri Bilimi, Radyoloji, Biyomedikal Enformatik Araştırmaları ve Oftalmoloji Profesörü Dr. Daniel L. Rubin, ultrason sonuçlarının çoğu zaman net olmadığını belirtiyor. Bu belirsizlikler yüzünden birçok nodül biyopsiye gönderiliyor.
Ancak gereksiz biyopsileri azaltmak ve gerçekten önemli olan kanserleri kaçırmamak için hem görüntü tabanlı risk sınıflandırmaları hem de otomatik sınıflandırma sistemleri geliştirilmiş durumda. Örneğin, Amerikan Radyoloji Koleji’nin (ACR) geliştirdiği Tiroid Görüntüleme Raporlama ve Veri Sistemi (TI-RADS), biyopsi gereksinimlerini düşürmeyi ve tanıdaki kesinliği artırmayı hedefliyor. Fakat hala yanlış pozitif sonuçlar veren durumlar mevcut.
Bu noktada, ‘Radyoloji: Yapay Zeka‘ dergisinde yayımlanan bir çalışma devreye giriyor. Dr. Rubin ve Dr. Desser’in birlikte yürüttüğü bu çalışma, risk sınıflandırmasını daha ileri taşıyıp taşıyamayacağımızı araştırıyor. Çalışma, ultrason sinema klipleri kullanarak 3 boyutlu bir yaklaşımla otomatik bir sınıflandırma sistemi geliştirip, bu sayede gereksiz biyopsi sayısını azaltıp doğruluğu artırma potansiyelini inceliyor.
Bu çalışmada, tiroid nodüllerinin değerlendirilmesinde yeni bir yöntem test edilmiştir. Geleneksel 2 boyutlu görüntülemeye dayanan yöntemlerle karşılaştırıldığında, 3 boyutlu görüntüleme ve derin öğrenme teknikleri kullanan yeni sistem daha başarılı sonuçlar vermiştir. Çalışmada 167 hastanın 192 biyopsi ile doğrulanmış tiroid nodülü incelenmiştir. Bu nodüllerin büyük çoğunluğu iyi huylu çıkmış, ancak aralarında kötü huylu olanlar da bulunmuştur.
Yeni yöntem, nodüllerin iyi veya kötü huylu olup olmadığını belirlemede kullanılan otomatik risk sınıflandırma algoritması, 2 boyutlu sistemlere göre daha az yanlış pozitif sonuç vermiştir. 3 boyutlu sistem kullanılarak yapılan analizler sonucunda elde edilen doğruluk değeri, 0.88 olarak ölçülmüştür. Bu oran, geleneksel 2D sistemlerin doğruluk oranlarından önemli ölçüde daha yüksektir. Bu sonuçlar, yeni sistemin tiroid nodüllerini değerlendirmede daha etkili ve kesin sonuçlar sunduğunu göstermektedir.
Özetle, 3 boyutlu görüntüleme ve derin öğrenme teknikleri kullanılarak geliştirilen yeni yöntem, tiroid nodüllerinin doğru bir şekilde sınıflandırılmasında önemli bir ilerleme sağlamış ve yanlış pozitif biyopsi oranlarını azaltarak daha güvenilir sonuçlar elde edilmesine olanak tanımıştır. Bu yöntem, gereksiz müdahaleleri azaltarak hem hastaların yaşam kalitesini artırabilir hem de sağlık sistemine maliyet tasarrufu sağlayabilir.
Çalışmanın Orjinali: Radiology: Artificial IntelligenceVol. 4, No. 3 Toward Reduction in False-Positive Thyroid Nodule Biopsies with a Deep Learning–based Risk Stratification System Using US Cine-Clip Images
1986 yılında Elbistan’da doğmuştur. 2010 yılında İstanbul Tıp Fakültesinden mezun oldu. 2015 yılında İstanbul Eğitim ve Araştırma Hastanesinden Radyoloji ihtisasını aldı. 2015-2017 yılları arasında Tatvan Devlet Hastanesinde zorunlu hizmetini yapmıştır. 2018 yılından itibaren İzmir Çiğli Eğitim ve Araştırma Hastanesinde Girişimsel Radyolog olarak çalışmaktadır.
