Yazar "Esen, Enes" seçeneğine göre listele

Listeleniyor 1 - 4 / 4
  • [ X ]
    Öğe
    COVİD-19 ön tanısıyla gerçekleştirilen toraksbilgisayarlı tomografilerde saptanan insidental bulgular
    (Çanakkale Onsekiz Mart Üniversitesi, 2024) Esen, Enes; Ertem, Şenay Bengin
    Giriş ve Amaç: COVID-19 (coronavirus disease 2019) pandemisi tüm dünyada olduğu gibi ülkemizde de etkisini göstermiştir. Pandeminin ilk döneminde, laboratuvar tanı kitlerine yeterli erişimin olmaması ve testlerin yalancı negatiflik oranlarının yüksek olması nedeniyle COVID-19 şüpheli hastalarda, toraks bilgisayarlı tomografi (BT) tanıda önemli rol oynamıştır. Hastanemizin pandemi hastanesi olarak hizmet verdiği bu dönemde, radyoloji kliniğimizde yoğun bir şekilde toraks BT incelemesi gerçekleştirilmiştir. Bu dönemde görüntülemelerde herhangi bir seçiciliğin olamaması sebebiyle hasta popülasyonu demografik olarak geniş bir çeşitlilik göstermiştir. Normal koşullar altında yakalanamayacak olan bu yoğunluk ve çeşitlilik, söz konusu görüntülemelerde, hastalığa (COVID-19 akciğer tutulumu) özgü bulgular dışında da veriler barındırması açısından önem arz etmektedir. Bu çalışmada; COVID- 19 pandemisinin ilk yılında toraks BT çekimi yapılmış çok sayıda olgudan elde edilen görüntüleri retrospektif olarak inceleyerek, insidental bulguların prevalanslarını tespit etmeyi ve klinik önemlerini tartışmayı amaçladık. Materyal-Metot: 24/03/2020 ile 01/03/2021 tarihleri arasında, radyoloji kliniğimizde COVID-19 ön tanısıyla çekilen tüm toraks BT'ler retrospektif olarak tekrar değerlendirildi. COVID-19 hastalığına bağlı akciğer parankim tutulum derecesi, parankimal insidental bulguları maskeleyebilecek kadar ileri düzeyde olan tetkikler çalışmaya dahil edilmedi. Yine artefaktlar nedeniyle diagnostik değeri azalmış tetkikler çalışma dışı bırakıldı. Ayrıca inceleme periyodunda tekrarlanan çekimi olan hastalarda diagnostik tanı değeri en iyi olan tetkik değerlendirilmiş olup diğer tetkikler çalışmaya dahil edilmemiştir. İnsidental bulgular klinik önemlerine göre (yüksek-orta-düşük) sınıflandırılmış ve taranmıştır. 4186 hastanın görüntüleri taranmış olup 854 tanesi çalışma dışı bırakılmıştır. Elde edilen verilerin istatistiksel analizi ''IBM SPSS Statistics 22'' programı ile yapılmıştır. İstatistiksel anlamlılık eşik değeri ''p<0,05'' kabul edilmiştir. Bulgular: Çalışmaya 3332 hastanın görüntüleri dahil edilmiştir. Hastaların ortalama yaşı 45,2 (± 17,7) bulunmuştur. Hastaların %53'ünün erkek, %47'sinin ise kadın cinsiyette olduğu görülmüştür. Çalışmaya dahil edilen hastaların %69,7'sinde en az bir ya da daha fazla insidental bulgu tespit edilmiştir. İnsidental bulguya sahip olan hastaların ortalama yaşı (50,7 ±17,5) istatistiksel olarak anlamlı yüksek bulunmuştur (p<0,001). Ayrıca erkek cinsiyetle, insidental bulguya sahip olma durumu arasında pozitif korelasyon saptanmıştır (p<0,05). Sonuç: Son yıllarda tıbbi görüntüleme sayılarının giderek artmasıyla insidental bulguların tespit sıklığı da önemli ölçüde artmıştır. Ancak tespit edilen bu insidental bulguların klinik önemi ve sebep olduğu sonuçlar hakkında literatürde tartışmalar mevcuttur. Ayrıca insidental bulguların raporlanması esnasında radyologlar arasında farklılıklar görülmekte ve bu durum insidental bulguların yönetimindeki zorlukları artırmaktadır. Çok merkezli, multidisipliner, prospektif çalışma sayısının artmasıyla ve rehber niteliğindeki yayınların yaygınlaşmasıyla, insidental bulguların optimal yönetimi daha mümkün hale gelecektir.
  • [ X ]
    Öğe
    Evaluating Uncertainty-Based Deep Learning Explanations for Prostate Lesion Detection
    (Jmlr-Journal Machine Learning Research, 2022) Trombley, Christopher M.; Gulum, Mehmet Akif; Ozen, Merve; Esen, Enes; Aksamoglu, Melih; Kantardzic, Mehmed
    Deep learning has demonstrated impressive accuracy for prostate lesion identification and classification. Deep learning algorithms are considered black-box methods therefore they require explanation methods to gain insight into the model's classification. For high stakes tasks such as medical diagnosis, it is important that explanation methods are able to estimate explanation uncertainty. Recently, there have been various methods proposed for providing uncertainty-based explanations. However, the clinical effectiveness of uncertaintybased explanation methods and what radiologists deem explainable within this context is still largely unknown. To that end, this pilot study investigates the effectiveness of uncertainty-based prostate lesion detection explanations. It also attempts to gain insight into what radiologists consider explainable. An experiment was conducted with a cohort of radiologists to determine if uncertainty-based explanation methods improve prostate lesion detection. Additionally, a qualitative assessment of each method was conducted to gain insight into what characteristics make an explanation method suitable for radiology end use. It was found that uncertainty-based explanation methods increase lesion detection performance by up to 20%. It was also found that perceived explanation quality is related to actual explanation quality. This pilot study demonstrates the potential use of explanation methods for radiology end use and gleans insight into what radiologists deem explainable.
  • [ X ]
    Öğe
    The phenotypic characteristics and course of chronic obstructive pulmonary disease (COPD) and their association with serum complement C3 levels
    (Kare Publ, 2024) Alkan, Sahinur Aycan; Mirici, Nihal Arzu; Cakir, Dilek Ulker; Esen, Enes; Demirbaglar, Damla
    BACKGROUND AND AIM: Chronic Obstructive Pulmonary Disease (COPD) is a respiratory condition characterized by a chronic inflammatory response and is a common cause of mortality. Recent studies have begun to elucidate the role of the complement system in the pathogenesis of COPD. The primary goal of COPD treatment has been symptom control, but the importance of phenotypic assessments and classifications in COPD management is re-emerging. In this study, we investigate the association between the phenotypic characteristics and course of COPD and the complement system, focusing on serum Complement Component 3 (C3) levels. METHODS: The study included 81 patients. To measure complement C3 levels, a single tube of blood was collected from each participant. Body Mass Index (BMI), COPD Assessment Test (CAT), and modified Medical Research Council (mMRC) dyspnea scale were calculated. Hemograms, pulmonary function tests, and lung tomography scans were retrospectively reviewed. RESULTS: An increase in neutrophil predominance in serum was observed in advanced grades of COPD during stable periods. Lymphocyte counts and percentages were lower in advanced grades (p=0.041, p=0.016, p=0.032). Higher C3 levels were found in the group with a higher neutrophil count (p=0.032). The mean C3 level was higher in the high BMI group (p=0.049). Tomography scans were available for 55 patients. A lower mean C3 level was observed in the group with increased emphysema percentage, though the difference was not significant. The COPD grade, Forced Expiratory Volume in 1 second (FEV1) value, CAT-mMRC score, smoking status, exacerbation frequency, and inhaled steroid use did not show a significant correlation with C3 levels.
  • [ X ]
    Öğe
    Why Are Explainable AI Methods for Prostate Lesion Detection Rated Poorly by Radiologists?
    (Mdpi, 2024) Gulum, Mehmet A.; Trombley, Christopher M.; Ozen, Merve; Esen, Enes; Aksamoglu, Melih; Kantardzic, Mehmed
    Deep learning offers significant advancements in the accuracy of prostate identification and classification, underscoring its potential for clinical integration. However, the opacity of deep learning models presents interpretability challenges, critical for their acceptance and utility in medical diagnosis and detection. While explanation methods have been proposed to demystify these models, enhancing their clinical viability, the efficacy and acceptance of these methods in medical tasks are not well documented. This pilot study investigates the effectiveness of deep learning explanation methods in clinical settings and identifies the attributes that radiologists consider crucial for explainability, aiming to direct future enhancements. This study reveals that while explanation methods can improve clinical task performance by up to 20%, their perceived usefulness varies, with some methods being rated poorly. Radiologists prefer explanation methods that are robust against noise, precise, and consistent. These preferences underscore the need for refining explanation methods to align with clinical expectations, emphasizing clarity, accuracy, and reliability. The findings highlight the importance of developing explanation methods that not only improve performance but also are tailored to meet the stringent requirements of clinical practice, thereby facilitating deeper trust and a broader acceptance of deep learning in medical diagnostics.