Renal skorlama ve nefrektomi karar süreçlerinde yapay zeka tabanlı çözümler

Abstract

Amaç: Bu çalışmanın amacı, bilgisayarlı tomografi (BT) verileri üzerinden renal tümörlerin kompleksite düzeyini R.E.N.A.L. nefrometri skorlarına göre otomatik olarak sınıflandırabilen özgün bir derin öğrenme modeli geliştirerek, parsiyel ve total nefrektomi karar süreçlerine katkı sağlayacak klinik karar destek için altyapı oluşturmak ve gelecekteki yapılacak çalışmalara ışık tutmaktır. Gereç ve Yöntem: Afyonkarahisar Sağlık Bilimleri Üniversitesi Üroloji Kliniği'nde nefrektomi uygulanmış ve histopatolojik olarak malign renal tümör tanısı almış 197 hastaya ait portal faz kontrastlı BT verileri kullanılmıştır. Görüntülerdeki tümör içeren böbrek dokusu 128×128×64 voksel boyutuna yeniden örneklenmiş ve bu işlemler manuel olarak belirlenmiştir. Segmentasyon ön işlemi gerektirmeyen, sıfırdan geliştirilen bir 3 boyutlu konvolüsyonel sinir ağı (3D CNN) modeli ile tümör kompleksitesi "düşük" ve "yüksek" olarak sınıflandırılmıştır. Bulgular: Modelin genel sınıflandırma doğruluğu %90, ROC analizinde AUC skoru 0.96 olarak hesaplanmıştır. Düşük kompleksite grubundaki tüm vakalar doğru sınıflandırılarak %100 duyarlılık elde edilmiştir. Yüksek kompleksite grubunda ise duyarlılık %76.9'dur. Tümör maksimum çapı ile nefrometri skoru arasında anlamlı pozitif korelasyon saptanmıştır (r = 0.718; p < 0.001). Modelin özellikle düşük kompleksite grubundaki başarısı, parsiyel nefrektomi için uygun olguların doğru saptanmasında yüksek güvenilirlik sunmaktadır. Sonuç: Geliştirilen 3D CNN modeli, manuel skorlamalarda görülen subjektifliğe alternatif olarak, BT görüntülerinden doğrudan tümör kompleksitesi tahmini yapabilen hızlı ve tekrarlanabilir bir sistem sunmaktadır. Bu yönüyle model, cerrahların parsiyel veya total nefrektomi kararlarında destekleyici unsur olarak kullanılabilecek başarılı bir yapay zekâ uygulaması olarak görülebilir. Özellikle düşük kompleksiteli vakalarda sağlanan %100 duyarlılık oranı, bu teknolojinin preoperatif cerrahi planlama süreçlerine entegre edilebileceğini göstermektedir.

Objective: The aim of this study is to develop a novel deep learning model capable of automatically classifying renal tumor complexity based on R.E.N.A.L. nephrometry scores using computed tomography (CT) data, thereby supporting clinical decision-making in partial and total nephrectomy procedures. Materials and Methods: Contrast-enhanced portal phase CT data from 197 patients diagnosed with malignant renal tumors and who underwent nephrectomy at Afyonkarahisar Health Sciences University Urology Department were used. All CT images were resampled to 128×128×64 voxel dimensions, and tumor-containing kidney were manually delineated. A custom-built three-dimensional convolutional neural network (3D CNN) model was developed to classify tumors as "low" or "high" complexity without requiring segmentation preprocessing. Results: The overall classification accuracy of the model was calculated as 90%, with an area under the ROC curve (AUC) of 0.96. All cases in the low-complexity group were correctly classified, achieving a sensitivity of 100%. In the high-complexity group, a sensitivity of 76.9% was obtained. A statistically significant and strong positive correlation was observed between tumor maximum diameter and nephrometry score (r = 0.718; p < 0.001). The model demonstrated high reliability in identifying cases suitable for partial nephrectomy, particularly within the low-complexity group. Conclusion: The developed 3D CNN model offers a rapid and reproducible alternative to manual scoring systems by predicting tumor complexity directly from CT images. This capability has the potential to reduce subjectivity in surgical planning and support urologists in determining whether partial or total nephrectomy is more appropriate. The model's 100% sensitivity in the low-complexity group highlights its promising role as an artificial intelligence-based clinical decision support tool for preoperative planning.