Özet Sistemi 2022

Giriş ve Amaç: Klinik fotoğrafları ve derin öğrenme (DÖ) metodları kullanılarak geliştirilen bilgisayar programının horizontal şaşılığı tanıma başarısını değerlendirmek.

Gereç ve Yöntem: DÖ modeli geliştirilmesi için Marmara Üniversitesi Göz Hastalıkları Polikliniğini 2011 ve 2019 tarihleri arasında ziyaret eden hastalardan oluşan arşivden alınan 3480 adet fotoğraf kullanıldı. Fotoğraflar ön işlemelerden sonra 7/3 oranıyla ayrılarak eğitim ve test veri tabanı oluşturuldu ve Keras Evrişimli Sinirsel Ağ Kütüphanesi (2015, Chollet) kullanılarak Python platformunda geliştirildi. Daha sonra modelin başarısını test etmek üzere, kliniğe yeni başvuran 0-70 yaş arasındaki ezotropya, ezotropya ve ortotropik (normal) tanılı 198 bireyden toplanan toplam 1159 fotoğraf (sırasıyla; n=340, n=227,n=592) kullanıldı. Derin öğrenme yöntemiyle geliştirilmiş modelin tahminleri, aynı fotoğraflar için şaşılık uzmanı oftalmolog , oftalmolog, aile hekimi ve pediatristin tahminleriyle karşılaştırıldı.

Bulgular: Test için kullanılan fotoğrafların #,9’u ezotropi, ,6’sı ekzotropi ve Q,12’si ortotropikti. Tüm değerlendirme sonuçları içinde derin öğrenme yöntemiyle geliştiren model, fotoğrafların y,2’sinde kliniği ile uyumlu değerlendirme sonucu tahmin ederken, şaşılık uzmanı oftalmolog ,7; oftalmolog ; aile hekimi ,5 ve pediatrist p,5 oranında doğru tahmin etti. Derin öğrenme yöntemiyle oluşturulan modelin sonuçları ezotropi, ekzotropi ve ortotropik birey fotoğraflarını sırasıyla b,4; q,8 ve ,7 oranında doğru tahmin etti. Bu sonuçların sensitivitesi s,4 ve spesifisitesi ,7 olarak saptandı ve ROC (reciever operator characteristics) eğrisinin altında kalan alan (AUC) 0.825’idi.

Sonuç: Derin öğrenme yöntemiyle geliştirilen bilgisayar programı horizontal şaşılıkların saptamasında ve taramasında yararlı olabilir.