Derin öğrenmeye dayalı yüz tanıma ile nöromüsküler hastalıkların sınıflandırılması

AHMET VOLKAN KURTOĞLU

Derin öğrenmeye dayalı yüz tanıma ile nöromüsküler hastalıkların sınıflandırılması

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: AHMET VOLKAN KURTOĞLU

Danışman: Zeliha Matur

Özet:

988127	Derin öğrenmeye dayalı yüz tanıma ile nöromüsküler hastalıkların sınıflandırılması / Classification of neuromuscular diseases with facial recognition based on deep learning Yazar:AHMET VOLKAN KURTOĞLU Danışman: PROF. DR. ZELİHA MATUR Yer Bilgisi: Bezm-i Alem Vakıf Üniversitesi / Tıp Fakültesi / Nöroloji Ana Bilim Dalı Konu:Nöroloji = Neurology Dizin:	Onaylandı Tıpta Uzmanlık Türkçe 2025 61 s.

Amaç: Nöromüsküler hastalıklar (NMH), özellikle yüz kaslarını etkilediğinde teşhisi zor ve uzmanlık gerektiren klinik tablolar sunmaktadır. Bu çalışmanın amacı, Miyastenia Gravis (MG) ve Hemifasiyal Spazm (HFS) tanılı hastaların sağlıklı kontrollerden ve birbirlerinden ayırt edilmesinde derin öğrenme (DÖ) tabanlı bir model geliştirmek ve bu modelin performansını farklı deneyim düzeylerindeki hekimlerin tanısal başarısıyla karşılaştırarak klinik karar destek süreçlerindeki potansiyelini değerlendirmektir. Gereç ve Yöntem: Prospektif kesitsel tipteki bu çalışmaya; 20 MG hastası, 15 HFS hastası ve 15 sağlıklı gönüllü olmak üzere toplam 50 katılımcı dahil edilmiştir. Katılımcıların standartlaştırılmış koşullarda 6 farklı pozda (normal duruş, gülümseme, göz sıkma ve üç farklı yöne bakış) çekilen fotoğrafları veri seti olarak kullanılmıştır. Özellik çıkarımı için ResNet-18 omurgasını kullanan, çoklu-görünüm ve ilişki-farkındalıklı (relation-aware) özgün bir derin öğrenme modeli geliştirilmiştir. Modelin başarısı; iki pratisyen hekim, iki nöroloji asistanı ve bir uzman nörologdan oluşan bir grup hekimin tahminleriyle doğruluk (accuracy), F1-skoru ve Cohen's Kappa katsayısı metrikleri üzerinden kıyaslanmıştır. Bulgular: Grupların yaş ve cinsiyet dağılımları arasında istatistiksel olarak anlamlı bir fark saptanmamıştır (p > 0,05). Tanısal performans analizlerinde, en yüksek başarıya %90,9 doğruluk oranı ve 0,863 Cohen's Kappa değeri ile uzman nörolog ulaşmıştır. Geliştirilen derin öğrenme modeli (DÖM), %72,7 doğruluk ve 0,566 Kappa değeri ile istatistiksel olarak anlamlı bir başarı sergilemiştir. Modelin başarısı, asistan hekimler (%63,6) ve pratisyen hekimlerden (%45,5 - %63,6) daha yüksek bulunmuştur. Özellikle MG tanısı için modelin duyarlılığı yüksek saptanmış; ilişki-farkındalıklı mimarinin farklı mimik pozları arasındaki temporal değişimleri başarıyla kodladığı gözlemlenmiştir. Sonuç: Bu çalışma, derin öğrenme tabanlı yüz tanıma sistemlerinin nöromüsküler hastalıkların non-invaziv taramasında ve ayırıcı tanısında umut verici bir araç olduğunu göstermektedir. Geliştirilen modelin uzman olmayan hekimlerden daha yüksek performans sergilemesi, sistemin özellikle birinci basamak sağlık hizmetlerinde ve uzman hekime erişimin kısıtlı olduğu bölgelerde değerli bir klinik karar destek aracı olabileceğine işaret etmektedir. Gelecekte daha geniş ve heterojen veri setleriyle desteklenen açıklanabilir yapay zeka modelleri, nöromüsküler muayene süreçlerinin dijital dönüşümüne önemli katkılar sağlayacaktır.

Objective: Neuromuscular disorders (NMDs), especially when affecting facial muscles, present challenging and specialized clinical presentations. The aim of this study is to develop a deep learning (DL)-based model to distinguish patients diagnosed with Myasthenia Gravis (MG) and Hemifacial Spasm (HFS) from healthy controls and from each other, and to evaluate its potential in clinical decision support processes by comparing the model's performance with the diagnostic success of physicians with different levels of experience. Materials and Methods: This prospective cross-sectional study included a total of 50 participants: 20 MG patients, 15 HFS patients, and 15 healthy volunteers. Photographs of participants taken in six different poses (normal posture, smiling, squinting, and looking in three different directions) under standardized conditions were used as the dataset. A novel deep learning model utilizing the ResNet-18 backbone for feature extraction, with multi-view and relation-aware capabilities, was developed. The model's success was compared to the predictions of a group of physicians consisting of two general practitioners, two neurology residents, and one specialist neurologist using accuracy, F1-score, and Cohen's Kappa coefficient metrics. Findings: No statistically significant difference was found between the age and gender distributions of the groups (p > 0.05). In diagnostic performance analyses, the specialist neurologist achieved the highest success rate with 90.9% accuracy and a Cohen's Kappa value of 0.863. The developed deep learning model (DLM) demonstrated statistically significant success with 72.7% accuracy and a Kappa value of 0.566. The model's success was found to be higher than that of assistant physicians (63.6%) and general practitioners (45.5%–63.6%). The model's sensitivity was particularly high for MG diagnosis; it was observed that the relationship-aware architecture successfully encoded temporal changes between different facial expressions. Conclusion: This study demonstrates that deep learning-based facial recognition systems are a promising tool for non-invasive screening and differential diagnosis of neuromuscular diseases. The fact that the developed model performed better than non-specialist physicians indicates that the system could be a valuable clinical decision support tool, particularly in primary care settings and regions with limited access to specialist physicians. In the future, explainable artificial intelligence models supported by larger and more heterogeneous datasets will contribute significantly to the digital transformation of neuromuscular examination processes.