Covid-19 Hastasında Yapay Zeka Destekli Bilgisayarlı Tomografi Sonuçları ile Klinisyen Sonuçlarının Karşılaştırılması
Abstract views: 13
/ 
PDF downloads: 19
Keywords:
Covid-19, evrişimsel sinir ağları, yoğun bakım, bilgisayarlı tomografi, mortaliteAbstract
Koronavirüs nedeniyle yoğun bakım ünitesine yatırılan hastalar, hastalığın ciddiyetini
değerlendirmek için puanlama sistemleriyle takip edilir. APACHE ve SOFA puanlama sistemleri yoğun
bakım ünitesindeki hasta takibinde sıklıkla kullanılır. Aralıklı çekilen bilgisayarlı tomografilerinde
pulmoner tutulumunu nicelleştirmek için bazı yarı-kantitatif puanlama sistemleri kullanılır. Bunlardan biri
beş akciğer lobunun puanlandığı yöntemdir. Bu araştırmada Covid-19 tanısıyla yoğun bakımımızda takip
edilen hastalarımızın takibinde klinisyenler olarak kullandığımız skorlar ile, yapay zeka yardımıyla izlenen
skorların karşılaştırılmıştır. Klinisyenin takipte kullandığı yoğun bakım skorundaki dolayısyla
mortalitedeki artış ile, evrişimsel sinir ağlarıyla hesaplanan akciğer yoğunluğundaki artış korelasyon
göstermiştir. Bu bağlamda, klinisyenlerin bu tür yöntemlerden yararlanabileceği düşüncesindeyiz.
Downloads
References
Guan W, Liang W, Zhao Y, Liang H, Chen Z, Li Y, et al. Comorbidity and its impact on 1590 patients with COVID-19 in China: a nationwide analysis. Eur Respir J 2020;55(5):640.
Qiao Q, Lu G, Li M, Shen Y, Xu D. Prediction of outcome in critically ill elderly patients using APACHE II and SOFA scores. J Int Med Res 2012;40(3):1114–21.
Ho KM. Combining Sequential Organ Failure Assessment (SOFA) score with Acute Physiology and Chronic Health Evaluation (APACHE) II score to predict hospital mortality of critically ill patients. Anaesth Intensive Care. 2007;35(4):515–21.
Liu F, Zhang Q, Huang C, Shi C, Wang L, Shi N, et al. CT quantification of pneumonia lesions in early days predicts progression to severe illness in a cohort of COVID-19 patients. Theranostics [Internet]. 2020;10(12):5613.
Hansell DM, Bankier AA, MacMahon H, McLoud TC, Müller NL, Remy J. Fleischner Society: Glossary of Terms for Thoracic Imaging1 2008;246(3):697–722.
Pan F, Ye T, Sun P, Gui S, Liang B, Li L, et al. Time course of lung changes at chest CT during recovery from Coronavirus disease 2019 (COVID-19). Radiology 2020;295(3):715–21.
Singh, D., Kumar, V., & Kaur, M. (2020). Classification of COVID-19 patients from chest CT images using multi-objective differential evolution – based convolutional neural networks. European Journal of Clinical Microbiology & Infectious Diseases, 39, 1379–1389
Bakator, M., & Radosav, D. (2018). Deep Learning and Medical Diagnosis : A Review of Literature. Multimodal Technologies and Interaction, 2(3), 47
Esteva, A., Chou, K., Yeung, S., Naik, N., Dean, J., & Socher, R. (2021). Deep learningenabled medical computer vision. Npj Digital Medicine, 4(5), 1–9.
Panwar, H., Gupta, P. K., Siddiqui, M. K., Morales-Menendez, R., & Singh, V. (2020). Chaos , Solitons and Fractals Application of deep learning for fast detection of COVID-19 in X-Rays using nCOVnet. Chaos, Solitons and Fractals: The Interdisciplinary Journal of Nonlinear Science, and Nonequilibrium and Complex Phenomena, 138, 109944.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2323.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. NIPS’12: Proceedings of the 25th International conference on Neural Information Processing Systems, 1097–1105
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 07-12-June, 1–9
Kim, M., Yun, J., Cho, Y., Shin, K., Jang, R., Bae, H., & Kim, N. (2019). Deep Learning in Medical Imaging. Neurospine 2019, 16(4), 657–668
Charbonnier, J. P., Rikxoort, E. M. va., Setio, A. A. A., Schaefer-Prokop, C. M., Ginneken, B. van, & Ciompi, F. (2017). Improving airway segmentation in computed tomography using leak detection with convolutional networks. Medical Image Analysis, 36, 52–60
Ciompi, F., de Hoop, B., van Riel, S. J., Chung, K., Scholten, E. T., Oudkerk, M., de Jong, P. A., Prokop, M., & van Ginneken, B. (2015). Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box. Medical Image Analysis, 26(1), 195–202
Tarando, S. R., Fetita, C., Faccinetto, A., & Brillet, P.-Y. (2016). Increasing CAD system efficacy for lung texture analysis using a convolutional network. Medical Imaging 2016: Computer-Aided Diagnosis
Anthimopoulos, M., Christodoulidis, S., Ebner, L., Christe, A., & Mougiakakou, S. (2016). Lung Pattern Classification for Interstitial Lung Diseases Using a Deep Convolutional Neural Network. IEEE Transactions on Medical Imaging, 35(5), 1207–1216
