Yapay zeka yardımı ile orbita enfeksiyonlarında ameliyat kararı

Abstract

Oküloplastik ve orbita hastalıkları yapay zekanın her geçen gün kullanımının arttığı bir alandır. Orbita enfeksiyonlarında abseye yönelik cerrahi belli başlı merkezlerde yapılabildiği için cerrahi kararın doğru zamanda verilip doğru şekilde yapılması önemlidir. Bu durumla karşılaşan hekimler için yapay zeka ile bir karar destek sistemlerinin olması doğru hastaya, doğru zamanda, doğru tedaviyi vermek konusunda fayda sağlayabilir. Çalışmamızda orbita selüliti ve orbita absesi olan medikal veya cerrahi tedavi ile tam iyilik haline kavuşmuş erişkin ve çocuk toplam 51 hastanın 102 gözü incelendi. Hastaların yaş, cinsiyet, kafa içi tutulum, sinüzit, nötrofil, lenfosit, nötrofil–lenfosit oranı, abse, glob ve orbitanın morfometrik boyut ve hacim ölçüm verileri kullanıldı. Makine öğrenmesinin gözetimli öğrenme algoritmaları ile işlenen veriler ile medikal ya da cerrahi tedavi sınıflandırması ve medikal tedavi, cerrahi tedavi ve sağlıklı birey sınıflandırılması yapıldı. Makine öğrenmesi algoritmalarından karar ağacı, rastsal orman, destek vektör makinesi, k- en yakın komşu ve sade Bayes algoritmaları kullanıldı. Tüm sınıflandırmalarda en başarılı algoritma % 93,1 ile % 100 arasında doğruluk (accuracy) değeri ve 0,92 ile 1,0 arasında F1 skoru olan linear destek vektör makinesi oldu. Bu algoritmayı rastsal orman algoritması takip etti. Algoritmaların karar verme aşamalarında kullandıkları en önemli verilerin abse hacmi, abse hacmi ile glob hacmi oranı, absenin üst alt uzunluğu, iç dış uzunluğu, nötrofil-lenfosit oranı olduğu görüldü. Abse hacminin glob hacmine oranının algoritmaların karar aşamasında önemli bir parametre olduğu görüldü. Çalışmamızın verilerinin başarılı bir şekilde sınıflandırıldığı görüldü, bu alanda daha fazla hasta sayısı ve derin öğrenme yöntemleri kullanılarak ileri çalışmalar yapılmasının faydalı olacağını düşünmekteyiz.Oculoplastic and orbital diseases are also areas where the use of artificial intelligence is increasing daily. In orbital infections, it is crucial to make the right decision and perform the correct surgical procedure for abscesses at the right time. This surgery is available at select centers. For physicians facing this situation, having an AI-based decision support system can be beneficial in providing the right treatment to the right patient at the right time. In our study, 102 eyes of 51 adult and child patients with orbital cellulitis and orbital abscesses who achieved complete recovery with medical or surgical treatment were examined. Data regarding age, gender, intracranial involvement, sinusitis, neutrophils, lymphocytes, neutrophil-to-lymphocyte ratio, abscess, globe, and orbital morphometric and volumetric measurements were used. Data processed with supervised machine learning algorithms were used to classify medical or surgical treatment and to classify medical treatment, surgical treatment, and healthy individuals. Machine learning algorithms included decision trees, random forests, support vector machines, k-nearest neighbors, and naive Bayesian algorithms. The most successful algorithm in all classifications was the linear support vector machine, with accuracy values between 93.1% and 100% and with F1 scores between 0.92 and 1.0. This algorithm was followed by the random forest algorithm. An examination of the most important data used by the algorithms in the decision-making stages revealed that these were abscess volume, the ratio of abscess volume to globe volume, the abscess's upper-lower length, its inner-outer length, and the neutrophil-lymphocyte ratio. The ratio of abscess volume to globe volume was found to be a crucial parameter in the algorithms' decision-making process. The algorithms were particularly successful in predicting patients undergoing medical treatment, but their success rate decreased in predicting patients undergoing surgical treatment. It was observed that the data of our study was classified successfully, and we believe that further studies in this area using larger patient numbers and deep learning methods would be beneficial.