Incisional herni onarımından sonra kısa süreli nüksü öngörmek için preoperatif BT kullanan konvolüsyonel sinir ağları

Neden cerrahi gerilemeleri öngörmek önemli

Daha önceki bir kesi yerinde oluşmuş karın duvarı fıtığını onarmak için ameliyat olan kişilerde, herkes onarımın kalıcı olmasını umar. Yine de belirgin bir azınlık vakada fıtık yeniden ortaya çıkar; bu da genellikle daha fazla ağrı, ek ameliyat ve artan maliyet anlamına gelir. Cerrahlar genellikle bu riski deneyim ve bir dizi klinik faktöre dayanarak tahmin eder, ancak bu yargılar kusursuz değildir. Bu çalışma, rutin preoperatif BT taramalarına dayanarak eğitilmiş bir yapay zeka çeşidinin, insizyonel fıtık onarımından sonra hangi hastaların nüks yaşayacağını öngörmede yardımcı olup olamayacağını araştırıyor.

Rutin taramaları tahmine dönüştürmek

Araştırmacılar, 2016 ile 2019 arasında büyük bir hastanede insizyonel fıtık onarımı ameliyatı geçiren 528 hastayı geriye dönük olarak inceledi. Hepsinde ameliyat öncesi karın BT taramaları vardı; bu taramalar fıtığın boyutunu, yerini ve şeklini ile çevre dokuları yakaladı. Ekip, fıtık bölgesini gösteren 44.380 ayrı görüntü kesiti çıkardı, tüm tanımlayıcı bilgileri kaldırdı, görüntüleri tekdüze bir formata standardize etti ve büyük bir eğitim seti ile daha küçük bir test setine böldü. Önemli olarak, bilgisayar modelleri eğitim sırasında test görüntülerini “görmedi”, bu da sistemin yeni hastalarda nasıl performans göstereceğinin adil bir şekilde sınanmasını sağladı.

Bilgisayar görüntülerden nasıl öğreniyor

Tarama analizinde, yazarlar konvolüsyonel sinir ağları olarak bilinen üç popüler derin öğrenme görüntü modelini kullandı. Bu ağlar, günlük nesneleri tanıma gibi görevler için geliştirildiklerinde karmaşık görüntülerdeki desenleri tespit etmede iyidir. Eğitim sırasında her BT kesiti, hastanın daha sonra nüks yaşayıp yaşamadığına göre etiketlendi. Ağlar tahminlerini gerçek sonuçlarla tekrar tekrar karşılaştırdı ve hataları azaltmak için iç bağlantılarını ayarladı. Her hasta için modelin birden çok kesitten gelen tahminleri birleştirilerek tek bir nüks riski tahminine dönüştürüldü.

Hangi model en iyi performansı gösterdi

ResNet-50, daha derin bir versiyon olan ResNet-152 ve VGG16 olmak üzere üç model eşit performans göstermedi. Önceden görülmemiş görüntüler üzerinde test edildiğinde, ResNet-50, nüks yaşayacak hastaları yaşamayacak olanlardan ayırt etmede en güçlü yeteneği gösterdi. Performansı, eğri altındaki alan (AUC) olarak bilinen standart bir metrikle özetlendi ve diğer iki ağa göre belirgin şekilde yüksekti. İstatistiksel analiz, bu farklılıkların şans eseri olma olasılığının düşük olduğunu doğruladı. Ağların “neyi gördüğüne” dair içgörü kazanmak için ekip ayrıca bir görselleştirme yöntemi kullandı; bu yöntem, tahmin için en önemli görüntü bölgelerini vurgulayarak fıtık defekti ve karın duvarı çevresindeki alanların en fazla ağırlığa sahip olduğunu ortaya koydu.

Bu durum hastalar ve cerrahlar için ne anlama gelebilir

Gelişip birden fazla hastanede doğrulanırsa, böyle görüntü tabanlı tahmin araçları cerrahın kendi değerlendirmesine nesnel bir ikinci görüş ekleyebilir. Zaten standart bakımın bir parçası olan bir taramadan ameliyat öncesi hesaplanan daha doğru bir nüks riski tahmini, ameliyat zamanlaması, cerrahi yaklaşım seçimi, ağın türü ve boyutu ile hastanın özel bir fıtık merkezinde tedavi görmesinin gerekip gerekmediği gibi kararlarda yol gösterici olabilir. Örneğin yüksek riskli hastalara onarımın güçlendirilmesine yönelik ek önlemler konusunda danışmanlık yapılabilirken, düşük riskli hastalar daha agresif müdahalelerden kaçınabilir.

Bir sonraki adımlar

Yazarlar bu çalışmanın tamamlanmış bir klinik araçtan çok erken bir kavram kanıtı olduğunu vurguluyor. Çalışma tek bir hastanedeki hastalara dayanıyor, derin öğrenme standartları açısından görece mütevazı sayıda vakayı içeriyor ve yalnızca görüntülemeye dayalı olup genel sağlık, önceki ameliyatlar ve cerrahi teknik gibi diğer önemli faktörleri göz ardı ediyor. Gelecekteki araştırmalar, BT kaynaklı özellikleri ayrıntılı klinik ve operasyonel bilgilerle birleştirmeli, modelleri daha büyük ve daha çeşitli hasta grupları üzerinde test etmeli ve tahminlerin klinisyenler için anlaşılabilir ve güvenilir olmasını sağlamalıdır. Yine de bulgular, rutin tıbbi görüntülemenin akıllı analizinin bir gün fıtık cerrahisini kişiselleştirmeye ve istenmeyen ikinci onarımların olasılığını azaltmaya yardımcı olabileceğini öne sürüyor.

Atıf: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Anahtar kelimeler: insizyonel fıtık, fıtık nüksü, derin öğrenme, BT görüntüleme, cerrahi sonuçlar