Application of machine learning algorithms for predicting internal carotid artery stenosis and comparing their value to duplex Doppler ultrasonography criteria

Authors : Pınar ÇELTİKÇİ, Önder ERASLAN, Mehmet ATICI, Işık CONKBAYIR, Onur ERGUN, Hasanali DURMAZ, Emrah ÇELTİKÇİ

Pages : 213-222

Doi:10.31362/patd.956280

View : 25 | Download : 11

Publication Date : 2022-04-01

Article Type : Research Paper

Abstract :Amaç: İnternal karotid arter insert ignore into journalissuearticles values(İKA); darlığını belirlemede, dupleks Doppler ultrasonografi insert ignore into journalissuearticles values(DUS); ile dijital subtraksiyon anjiyografi insert ignore into journalissuearticles values(DSA); arasında tutarsızlık bildirilmiştir. DUS hız değerleri ile eğitilmiş makine öğrenme algoritmalarının insert ignore into journalissuearticles values(MÖA);, İKA darlığını tahmin etme performansını araştırmayı amaçlıyoruz. Gereç ve yöntem: İKA darlığı olan 159 karotid bifurkasyonunun, ortak karotid arter insert ignore into journalissuearticles values(OKA); ve İKA`dan elde olunmuş DUS hız değerleri insert ignore into journalissuearticles values(pik sistolik hız insert ignore into journalissuearticles values(PSH); ve diyastol sonu hızı); ve DSA tetkikleri retrospektif olarak incelendi. Darlık derecesi her modaliteye göre <%50, %50-69, ≥%70 olarak sınıflandırıldı. Tanımlayıcı ve kestirimci analizler içeren doğrusal regresyon modelleri ve çeşitli MÖA’lar insert ignore into journalissuearticles values(LightGBM, XgBoost, KNeighbors, Support Vector Machine insert ignore into journalissuearticles values(SVM);, Decision Tree, Random Forest); DSA’da saptanan darlık derecesini tahmin etmek için DUS hız değerleri ile eğitildi. Bulgular: Regresyon modellerinin tahmin ettiği darlık değerleri ve asıl DSA darlık değerleri, %0-60 arasında doğrusal bir ilişkiye sahipti. MÖA’lar arasında LightGBM ve SVM en yüksek sınıflandırma doğruluğunu insert ignore into journalissuearticles values(%69); elde ederken, tüm algoritmalar %50-69 darlık aralığında başarısız oldu. DUS kriterleri, ≥%70`lik DSA darlığını tahmin etmede tüm MÖA’lardan daha iyi performans gösterdi insert ignore into journalissuearticles values(duyarlılık:0,91);. Hem MÖA`lar hem de DUS kriterleri %50-69 darlık  aralığında başarısız olup, DUS darlığı olduğundan fazla, MÖA’lar darlığı olduğundan az olarak tahmin etti. İKA PSH/OKA PSH oranını kullanan MÖA’lar, <%50 DSA darlığını öngörmede daha yüksek doğruluğa sahipti.  Sonuç: DUS kriterleri, %70`in üzerinde İKA darlığı için tek tanı aracı olarak kabul edilebilir. Geliştirilmiş DUS kriterleri veya MÖA`lar için daha geniş eğitim veri setleri sağlanması, %50-69 darlık aralığının daha yüksek doğrulukla tespit edilmesini sağlayabilir.
Keywords : Darlık, dijital subtraksiyon anjiyografi, dupleks Doppler ultrasonografi, karotid arter, makine öğrenmesi