Adelaide Üniversitesi'nin EndoFusion modeli, pelvik MR ya da transvajinal ultrasonda iki derin endometriozis bulgusunu arıyor. Model, tek bir görüntüleme yöntemiyle ortalama 0,827 AUC değerine ulaştı. Bulgular…
Haberi paylaş
İlgilenecek birine ulaştırın.
Adelaide ekibinin EndoFusion modeli MR ya da transvajinal ultrasondan iki derin endometriozis bulgusunu arıyor. Ortalama AUC 0,83; klinik kanıt henüz erken.
Adelaide Üniversitesi'nin EndoFusion modeli, pelvik MR ya da transvajinal ultrasonda iki derin endometriozis bulgusunu arıyor. Model, tek bir görüntüleme yöntemiyle ortalama 0,827 AUC değerine ulaştı. Bulgular hakemli bir dergide yayımlandı; ancak bu bir kavram kanıtı çalışması ve dış doğrulama henüz yok. Duyarlılık ve özgüllük değerleri de özette bildirilmiyor.
Adelaide Üniversitesi, 16 Eylül 2026'da EndoFusion adlı yapay zekâ çerçevesini duyurdu. Makale, Artificial Intelligence in Medicine dergisinin 181 numaralı cildinde yer alıyor. İlk yazar Yuan Zhang, son yazar ise Gustavo Carneiro. Çalışma, IMAGENDO adlı ortak endometriozis görüntüleme araştırmasının parçası.
Ekipte Flinders Üniversitesi, McMaster Üniversitesi, Surrey Üniversitesi ve Mohamed bin Zayed Yapay Zekâ Üniversitesi araştırmacıları var. Benson Radiology ve Omni Ultrasound adlı klinik kuruluşlar da ortaklar arasında. Duyuruya göre veri havuzu 9.000'i aşkın pelvik MR ve 800'ü aşkın transvajinal ultrason kaydından oluşuyor. Etiketli alt kümelerin büyüklüğü ise duyuruda verilmiyor.
Model iki bulguya odaklanıyor. İlki Douglas boşluğu obliterasyonu (uterus ile rektum arasındaki boşluğun yapışıklıkla kapanması). Ultrasonda bu durum, kayma işaretinin (sliding sign, organların birbiri üzerinde kaymasının) kaybıyla değerlendiriliyor. İkincisi, barsak duvarını tutan ve 1 santimetreyi aşan barsak nodülleri.
Klinikte hastaların çoğu ya ultrason ya da MR ile değerlendiriliyor. Aynı hastada iki tetkik birlikte nadiren bulunuyor. Araştırmacılar bu nedenle eşleşmemiş veriyle çalışan bir öğrenme yöntemi geliştirdi. Model iki yöntemden de öğreniyor, ama testte tek bir görüntüyle karar veriyor.
Eğitimde dört veri kümesi kullanıldı. Etiketli bir MR kümesi iki bulguyu birlikte içeriyor. İki ayrı ultrason kümesi ise her biri tek bulgu için etiketlenmiş. Büyük ve etiketsiz bir MR havuzu da ön eğitim için kullanıldı.
Makale özetine göre model, tek yöntemli kullanımda ortalama 0,827 AUC (eğri altındaki alan; 1'e yaklaştıkça ayırt etme gücü artar) elde etti. Güven aralığı 0,790 ile 0,861 arasında. Makalenin tam metnine göre MR ile Douglas obliterasyonunda AUC 0,756, barsak nodülünde 0,902 oldu. Ultrasonda ise bu değerler sırasıyla 0,907 ve 0,741.
Bu tablo iki yöntemin farklı güçlerini gösteriyor. Ultrason kayma işaretinde, MR ise barsak nodülünde daha iyi sonuç verdi. Görüntü başına işlem süresi yaklaşık 18 milisaniye. Basın bülteninde yaklaşık yüzde 83 başarı diye aktarılan değer, özetteki ortalama AUC ile örtüşüyor.
Ancak AUC, doğruluk oranı ya da duyarlılıkla aynı ölçüt değildir. Özet, belirli bir eşik için duyarlılık ve özgüllük bildirmiyor. Etiketlerin laparoskopi ya da histolojiyle doğrulanıp doğrulanmadığı da özette açıkça yazmıyor. Erişebildiğimiz tam metinde de referans standardın net bir tanımını bulamadık.
Yazarlar veri kümesinin küçük, dengesiz ve eşleşmemiş olduğunu kabul ediyor. Hasta düzeyinde eşleşmiş MR ve ultrason verisi bulunmuyor. Bağımsız bir merkezde dış doğrulama da bildirilmedi. Üniversite, aracın gelişimin erken evresinde olduğunu ve yeni bulguların eklenmesinin planlandığını belirtiyor.
Aynı ekip 2025'te daha dar kapsamlı bir çalışma yayımlamıştı. O çalışma yalnızca Douglas obliterasyonuna bakıyordu. Yeni model ikinci bir bulguyu ekleyerek kapsamı genişletiyor.
Avrupa İnsan Üreme ve Embriyoloji Derneği (ESHRE) 2022 kılavuzu tanı yaklaşımını değiştirdi. Kılavuza göre laparoskopi artık tanıda altın standart sayılmıyor. Transvajinal ultrason ve MR birinci basamak tanı araçları olarak öne çıktı. Bu nedenle görüntü yorumunu destekleyen araçlar klinik olarak anlamlı bir boşluğa hitap ediyor.
Yine de bu model şu an klinik kullanıma hazır değil. Pratikte akılda tutulacak noktalar şunlar:
Model yalnızca iki derin endometriozis bulgusunu hedefliyor; yüzeyel peritoneal hastalık kapsam dışında.
Negatif bir yapay zekâ çıktısı endometriozisi dışlamaz; klinik öykü ve muayene belirleyici kalır.
Kayma işareti değerlendirmesi uygulayıcı deneyimine bağlıdır; model bu beceriyi ortadan kaldırmaz.
Duyarlılık, özgüllük ve dış doğrulama yayımlanmadan klinik kararda kullanılmamalıdır.
EndoFusion'ın herhangi bir ülkede tıbbi cihaz olarak onay aldığına dair bir bilgi bulunmuyor. Türkiye'de tıbbi cihaz yazılımlarının denetimi Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK) sorumluluğunda. Benzer bir aracın yerel kullanımı için bu çerçevede değerlendirme gerekecek.
Görüntülerin yurt dışındaki bir modele gönderilmesi ayrıca veri koruma sorusu doğurur. Kişisel Verilerin Korunması Kanunu (KVKK, 6698 sayılı) sağlık verisini özel nitelikli kişisel veri sayar. Yerel veriyle doğrulama da ayrı bir gereklilik olarak kalıyor.
Hayır, en azından bugünkü kanıtla alamaz. Model yalnızca iki bulguyu arıyor ve dış doğrulaması yok. Laparoskopi, görüntülemenin negatif kaldığı ya da tedavinin yetmediği seçilmiş durumlarda hâlâ yerini koruyor.
Bu değer, özetteki ortalama 0,827 AUC ile örtüşüyor. AUC, modelin pozitif ve negatif olguları sıralama becerisini özetler. Tek başına bir hastada yanlış negatif ya da yanlış pozitif olasılığını göstermez.
Eğitimde MR ve transvajinal ultrason birlikte kullanıldı. Testte ise tek bir yöntemin görüntüsü yeterli oldu. Hangi yöntemin hangi bulguda daha güçlü olduğu da değişkenlik gösterdi.
Zhang Y, Wang H, Xie Y ve ark. (2026) — Unpaired multi-modal multi-label learning for detecting endometriosis signs, Artificial Intelligence in Medicine 181:103503: https://doi.org/10.1016/j.artmed.2026.103503
PubMed kaydı (2026) — Unpaired multi-modal multi-label learning for detecting endometriosis signs: https://pubmed.ncbi.nlm.nih.gov/42594747/
Adelaide University (2026) — Promising AI tool to speed up endometriosis diagnosis (kurum duyurusu): https://adelaide.edu.au/about/news/2026/promising-ai-tool-to-speed-up-endometriosis-diagnosis/
Zhang Y ve ark. (2025) — Unpaired multi-modal training and single-modal testing for detecting signs of endometriosis, Computerized Medical Imaging and Graphics: https://www.sciencedirect.com/science/article/pii/S0895611125000849
Yu EH, Joo JK (2022) — Commentary on the new 2022 ESHRE endometriosis guidelines, Clinical and Experimental Reproductive Medicine: https://ecerm.org/journal/view.php?number=1268
News-Medical (2026) — Haber kaynağı: https://www.news-medical.net/news/20260923/New-AI-tool-detects-signs-of-endometriosis-in-milliseconds.aspx
News-Medical (2026) — Haber kaynağı: https://www.news-medical.net/news/20260916/Promising-AI-tool-to-speed-up-endometriosis-diagnosis.aspx
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler: