EN
TÜRKÇE
Oral Presentation - 2
Automated Reporting of Uroflowmetry Results Using Machine Learning Methods
ÖB Yücel*, A Tekin*, S Tiryaki*, O Mutlu**, A Mert**, İ Ulman*
*Ege University, Department of Pediatric Surgery, Division of Pediatric Urology
**Ege University Faculty of Science Department of Statistics
IntroductionandAim: Uroflowmetry is themostcommon, simple, comfortable, andcost-effective test usedfordiagnosingvoidingdysfunction in children. Whilenumericalvaluessuch as voiding time, volume, and rate, as well as thenomogramsderivedfromthese, areuseful, it has beenshownthatthevoidingcurve is themostcrucialparameter, especially in children. The International Children’sContinenceSociety (ICCS) recommendsthatevaluatingvoidingcurveswithstandardizedterminology, such as bell-shaped (normal), tower, plateau, staccato, orfractionatedpatterns, can helpidentifyunderlyingvoidingdysfunction. However, thisevaluationrelies on theevaluator'svisualmemoryandexperience, making it subjective. Inourstudy, weinvestigatedthefeasibility of usingmachinelearningandartificialintelligencemodelsfor an objectiveassessment.
Method: From 2021 to 2022, 586 uroflowmetrytestswereconducted on childrenaged 5-17 years, with a voidedvolume of morethan 50cc. Three pediatricurologyspecialistsclassifiedthepatternsintofivecategories (bell-shaped, tower, plateau, staccato, fractionated). Incases of disagreement, a reevaluationwasperformed, andif a consensuscould not be reached, the test wasexcludedfromthestudy. TheimageswerelabeledusingColabelerannotationsoftwaretoensureaccurateandconsistentlabelingacrossthedataset.
Results: ThemostsuitableautomaticinterpretationsystemwasdevelopedusingTensorFlow-basedEfficientDet D6 andPyTorch-based Yolov5x6 algorithms. The Yolov5x6 model wastrainedover 496 epochsandevaluated on 90 images as test data. Themodel'sperformancewasassessedusing a confusionmatrix, achieving an averageaccuracy of 90%, as demonstrated in theconfusionmatrix (Figure 1).
Conclusion: Althoughvoidingcurvesare a highlyvaluablediagnostictool, thesubjectivenature of theresultsduetotheevaluator'sexperience can reducethetest'seffectiveness. Ourstudydemonstratesthatvoidingcurves can be objectivelyinterpretedwithhighaccuracyusingmachinelearningandartificialintelligence, suggestingtheirpotentialforclinicaluse.
Makine Öğrenme Metodu ile Üroflowmetre Sonuçlarının Otomatik Raporlanması
ÖB Yücel*, A Tekin*, S Tiryaki*, O Mutlu**, A Mert**, İ Ulman*
*Ege Üniversitesi Çocuk Cerrahisi Anabilim Dalı Çocuk Ürolojisi Bilim Dalı
**Ege Üniversitesi Fen Fakültesi İstatistik A.D
Giriş ve Amaç: Üroflovmetri, çocuklarda işeme disfonksiyonu tanısında kullanılan en yaygın, basit, konforlu ve maliyet-etkin bir testtir. İşeme süresi, miktarı ve hızı gibi sayısal değerler ve bunlarla oluşturulan nomogramlar faydalı olsa da özellikle çocuklarda işeme eğrisinin en önemli parametre olduğu gösterilmiştir. International Children’sContinenceSociety (ICCS), işeme eğrilerini; çan (normal), kule, plato, stakkato (kesik kesik) veya fraksiyone patern olarak standardize edilen terminoloji ile değerlendirmenin, altta yatan işeme disfonksiyonunu saptayabileceğini önermiştir. Ancak, bu değerlendirilme değerlendiricinin görsel hafızası ve deneyimine dayanır ve subjektiftir. Çalışmamızda, objektif bir değerlendirme için, makine öğrenme ve yapay zeka modelinin kullanılabilirliğini araştırdık.
Yöntem: 2021-2022 yıllarında, 5-17 yaş arası çocuklara yapılan, işeme miktarının 50cc’den fazla olduğu 586 üroflovmetri çalışmaya alındı. Üç çocuk ürolojisi uzmanı, paternleri beş kategoride (çan, kule, plato, kesik kesik, fraksiyone) sınıflandırdı. Anlaşmazlık durumunda tekrar değerlendirme yapıldı; ortak fikir oluşmazsa test çalışmadan çıkarıldı. Görüntüler, Colabeler etiketleme yazılımı kullanılarak etiketlendi ve veri seti genelinde doğru ve tutarlı etiketleme sağlandı.
Bulgular: TensorFlow tabanlı EfficientDet D6 ve PyTorch tabanlı Yolov5x6 algoritmaları kullanılarak en uygun otomatik yorumlama sistemi geliştirildi. Yolov5x6 modeli 496 dönem boyunca eğitildi ve 90 görüntü test verisi olarak değerlendirildi. Modelin performansı, karmaşıklık matriksi ile değerlendirildi ve %90’lık bir ortalama doğruluk elde edildi, sonuçlar karmaşıklık martiksinde gösterildi (Şekil 1).
Sonuç: İşeme eğrileri, çok değerli bir tanı aracı olmasına rağmen değerlendiricinin deneyimine bağlı subjektif sonuçlar testin başarısını düşürmektedir. Çalışmamız, makine öğrenme ve yapay zeka ile işeme eğrilerinin yüksek bir başarı ile objektif olarak yorumlanabileceğini ve klinikte kullanılabileceğini göstermektedir.