Yapay zeka teknolojileri, sağlık alanında devrim yapmaya devam ediyor. Özellikle tıbbi görüntüleme tekniklerinde, düşük dozda MRI görüntülerini iyileştirmek için kullanılan denoising diffusion probabilistic models (DDPM) ve generative adversarial networks (GAN) modellerinin etkinliği üzerine yapılan bir çalışma, bu teknolojilerin meme kanseri taramalarında nasıl bir fark yaratabileceğini ortaya koymaktadır.
Çalışmanın Metodolojisi ve Bulguları
Retrospektif ve etik kurul onaylı olan bu çalışmada, 50 meme üzerindeki kontrast artırılmış MRI çekimlerinde DDPM ve GAN modelleri kullanılarak elde edilen görüntüler, orijinal görüntülerle karşılaştırıldı. Üç farklı doz seviyesinde (25%, 10%, 5%) yapılan değerlendirmelerde, iki radyolog, modelden bağımsız olarak, görüntü kalitesine göre tercihlerini belirtti. Ayrıca, lezyon belirginliği açısından puanlamalar yapıldı. Çalışma sonucunda, düşük dozda (5%) GAN ile üretilen görüntüler radyologlar tarafından daha fazla tercih edilirken, yüksek dozda (25%) DDPM’nin üstünlüğü gözlendi.
Görüntü Kalitesi ve Yanılgı Oranları
Her iki modelin de düşük dozda umut vaat eden sonuçlar verdiği belirlenmiştir. Ancak, ne DDPM ne de GAN tüm doz seviyelerinde ve değerlendirme metriklerinde diğer modele göre üstün sonuçlar göstermemiştir. Lezyonsuz incelemelerde, her iki model de 5% dozda yanılgı oranlarında farklılık göstermemiştir. Bu durum, düşük doz uygulamalarında yanılgı oranlarını azaltacak daha fazla geliştirmenin gerekliliğini ortaya koymaktadır.
Değerli Çıkarımlar
- DDPM ve GAN, düşük dozlu MRI görüntülerinin iyileştirilmesinde etkili olabilir.
- 5% dozda GAN, 25% dozda ise DDPM daha iyi sonuçlar vermektedir.
- Her iki model de yanılgı oranlarını minimize etmede eşit performans sergilemektedir.
Sonuç olarak, meme kanseri taramalarında kullanılan kontrast maddelerin dozunu azaltmak amacıyla DDPM ve GAN gibi yapay zeka modelleri, gelecekte düşük dozlu görüntüleme uygulamalarını destekleyebilir. Ancak, her iki modelin de yanılgıları azaltmak için daha fazla geliştirilmesi gerekmektedir.
Orijinal Makale: Eur Radiol Exp. 2024 May 1;8(1):53. doi: 10.1186/s41747-024-00451-3.
