EN
TÜRKÇE
Oral Presentation - 53
Can artificial ıntelligence assist bronchoscopy decision-making? deep learning analysis of pediatric chest radiographs for differentiating foreign body aspiration from asthma
İncinur Genişol 1, İlker Özgür Koska 2, Ayşe Demet Payza 1, Asya Eylem Boztaş 1, Demet Can 3, Arzu Şencan 1
1 Dr. Behçet Uz Child Diseases and Surgery Training and Research Hospital, Pediatric Surgery Clinic
2 Acibadem Kent Hospital, Department of Radiology
3 Dr. Behçet Uz Child Diseases and Surgery Training and Research Hospital, Pediatric Allergy and Immunology Clinic
Aim:
Foreign body aspiration (FBA) is a pediatric respiratory emergency that frequently mimics asthma, while subtle and overlapping radiographic findings often hinder early diagnosis. We aimed to develop and validate a deep-learning model capable of distinguishing bronchoscopy-confirmed FBA from physician-diagnosed asthma using chest radiographs alone.
Methods:
We retrospectively analyzed chest radiographs of pediatric patients presenting with overlapping respiratory symptoms between 2020 and 2025, including 55 bronchoscopy-confirmed FBA cases and 200 patients diagnosed with asthma by a pediatric pulmonologist. Radiographs were anonymized and split at the patient level using a stratified 80/20 train–test approach to prevent data leakage. A transfer-learning convolutional neural network based on a MobileNetV2 backbone was trained using six configurations combining class-weighted binary cross-entropy, focal, or Tversky loss functions with Adam or AdamW optimizers. Model performance was evaluated on an independent test set using accuracy, area under the curve (AUC), and DeLong comparisons.
Results:
On the independent test set, the Tversky–Adam configuration achieved excellent discriminative performance (AUC = 0.92), with a recall of 71% and an overall accuracy of 67%, despite the substantial radiographic overlap between FBA and asthma. AdamW-based models demonstrated comparable discrimination (AUC up to 0.87) but lower sensitivity. Although the BCE–Adam model achieved high internal validation performance (AUC = 0.91), its test performance declined (AUC = 0.84), suggesting reduced generalizability. Pairwise DeLong comparisons between the top-performing models were not statistically significant (p > 0.05). Confusion matrix analysis indicated fewer false-negative predictions with Tversky-based training.
Conclusions:
A transfer-learning model using chest radiographs alone demonstrated good discriminative ability in differentiating FBA from asthma in young children presenting with overlapping respiratory symptoms. However, given the moderate accuracy, this approach should be considered a supportive triage tool rather than a standalone diagnostic method. When integrated with clinical assessment, it may assist bronchoscopy triage and facilitate earlier identification of children at risk for foreign body aspiration.
Yapay zekâ bronkoskopi kararını destekleyebilir mi? çocuklarda yabancı cisim aspirasyonu ile astımın ayrımında akciğer grafilerinin derin öğrenme ile analizi
İncinur Genişol 1, İlker Özgür Koska 2, Ayşe Demet Payza 1, Asya Eylem Boztaş 1, Demet Can 3, Arzu Şencan 1
1 Dr Behçet Uz Çocuk Hastalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi, Çocuk Cerrahisi Kliniği
2 Acıbadem Kent Hastanesi, Radyoloji Kliniği
3 Dr. Behçet Uz Çocuk Hastalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi, Çocuk Allerji İmmunoloji Kliniği
Amaç:
Yabancı cisim aspirasyonu (YCA), çocukluk çağında astımı taklit edebilen ve tanısında gecikme olması durumunda morbiditeyi artırabilen önemli bir solunum sistemi acilidir. Erken tanı, radyografik bulguların sıklıkla silik ve birbirine benzer olması nedeniyle güçleşmektedir. Bu çalışmada, yalnızca akciğer grafileri kullanılarak bronkoskopi ile doğrulanmış YCA olgularını hekim tarafından tanı konulmuş astım hastalarından ayırt edebilen bir derin öğrenme modelinin geliştirilmesi ve doğrulanması amaçlandı.
Yöntem:
2020–2025 yılları arasında benzer solunumsal semptomlarla başvuran çocuk hastaların akciğer grafileri retrospektif olarak incelendi. Çalışmaya bronkoskopi ile doğrulanmış 55 YCA olgusu ile pediatrik göğüs hastalıkları uzmanı tarafından astım tanısı konulan 200 hasta dahil edildi. Grafiler anonim hale getirildi ve veri sızıntısını önlemek amacıyla hasta bazında tabakalı %80 eğitim ve %20 test setlerine ayrıldı. MobileNetV2 tabanlı transfer öğrenme yaklaşımı kullanılarak sınıf ağırlıklı binary cross-entropy, focal ve Tversky kayıp fonksiyonlarının Adam veya AdamW optimizasyon algoritmaları ile kombinasyonlarından oluşan altı farklı model geliştirildi. Model performansı bağımsız test setinde doğruluk, eğri altında kalan alan (AUC) ve DeLong karşılaştırmaları ile değerlendirildi.
Bulgular:
Bağımsız test setinde Tversky–Adam konfigürasyonu en yüksek ayırt edici performansı gösterdi (AUC = 0.92). Bu modelde duyarlılık %71, genel doğruluk oranı ise % 67 olarak bulundu. AdamW tabanlı modeller benzer ayırt edici performans göstermelerine rağmen daha düşük duyarlılık değerlerine sahipti (AUC ≤ 0.87). BCE–Adam modeli eğitim aşamasında yüksek performans sergilemesine rağmen test setindeki performansının düşmesi (AUC = 0.84), genellenebilirliğinin daha sınırlı olduğunu düşündürdü. En iyi performans gösteren modeller arasında yapılan DeLong analizlerinde anlamlı fark saptanmadı (p > 0.05). Karışıklık matrisi analizinde Tversky tabanlı eğitim yaklaşımının yanlış negatif olguları azaltmada daha başarılı olduğu görüldü.
Sonuç:
Yalnızca akciğer grafileri kullanılarak geliştirilen transfer öğrenme tabanlı model, benzer klinik bulgularla başvuran küçük çocuklarda yabancı cisim aspirasyonu ile astımın ayrımında yüksek ayırt edici performans göstermiştir. Genel doğruluk oranının orta düzeyde olması nedeniyle bu yaklaşım tek başına tanısal bir yöntem olarak değil, klinik değerlendirmeyi destekleyen bir triyaj aracı olarak değerlendirilmelidir. Klinik bulgularla birlikte kullanıldığında bronkoskopi karar sürecine katkı sağlayabilir ve yabancı cisim aspirasyonu açısından riskli çocukların daha erken tanınmasına yardımcı olabilir.