Over Kisti Tanısı Alan Patoloji Sonucu Benign Ya Da Malign Vi Gelen Hastaların Sonuçlarının Yapay Zeka Sonuçlarıyla Karşılaştırılması.

Giriş ve Amaç: Over kanserleri, jinekolojik maligniteler arasında en yüksek mortaliteye sahip olup çoğunlukla ileri evrede tanı almaktadır. Bu nedenle, over kaynaklı kitlelerin intraoperatif dönemde doğru sınıflandırılması, hasta yönetimi açısından büyük önem taşımaktadır. Frozen kesit yöntemi, ameliyat sırasında hızlı tanı sağlamasıyla cerrahiyi yönlendiren temel araçlardan biridir. Ancak özellikle borderline over tümörlerinde tanısal güçlükler devam etmektedir. Bu çalışmada, intraoperatif dönemde frozen kesit tanısı konulan 200 over kist vakasının kalıcı patoloji sonuçları ile karşılaştırılması ve ayrıca bu vakaların klinik, laboratuvar, görüntüleme ve frozen mikroskobik verilerinin yapay zeka destekli bir sistem olan ChatGPT ile analiz edilerek, tanısal performansının değerlendirilmesi amaçlanmıştır. Gereç ve Yöntem: Bu çalışmada, Necmettin Erbakan Üniversitesi Meram Tıp Fakültesi Hastanesi Kadın Hastalıkları ve Doğum Kliniği’nde, 01.01.2021–01.11.2024 tarihleri arasında over kistleri nedeniyle opere edilen ve intraoperatif frozen kesit incelemesi yapılan, 18–60 yaş arası toplam 200 kadın hastaya ait klinik, laboratuvar, radyolojik ve histopatolojik veriler geriye dönük olarak incelenmiştir. Her vaka için patolog eşliğinde elde edilen mikroskopik frozen kesit görüntüleri, hastaya ait klinik bilgiler, tümör belirteç düzeyleri ve ultrasonografi bulguları birlikte ChatGPT-4 yapay zeka modeli ile analiz edilerek tanısal yorum alınmıştır. Bu yapay zeka destekli frozen tanılar, hem orjinal frozen tanılarla hem de kalıcı patoloji tanılarıyla karşılaştırılmıştır. İstatistiksel analizler SPSS programı kullanılarak gerçekleştirilmiştir. Bulgular: Frozen kesit ve kalıcı patoloji arasındaki uyum %96,5 olup, Cohen’s Kappa katsayısı 0,896 olarak bulunmuştur (p=0,115). Frozen kesit yöntemi, benign ve malign olguların çoğunda yüksek doğrulukla tanı koyarken, borderline olguların %13,4’ü yanlış sınıflandırılmıştır. ChatGPT’nin frozen ile uyumu %86,5 (kappa: 0,71), kalıcı patoloji ile uyumu ise %83,0 (kappa: 0,65) olarak saptanmıştır. Yapay zeka, özellikle endometriozis ve borderline olguların tanısında zorlanmış, birçok malign olguyu borderline olarak sınıflandırarak temkinli bir yaklaşım sergilemiştir. CA-125 seviyesi, kist boyutu, solid alan varlığı gibi verileri dikkate almasına rağmen, stromal invazyon ve nükleer atipi gibi histopatolojik kriterlere erişememesi tanı başarısını sınırlamıştır. Sonuç: Frozen kesit uygulaması, intraoperatif dönemde yüksek doğruluk oranıyla güvenilirliğini korumaktadır. ChatGPT ise sınırlı güvenilirliğe sahip olmakla birlikte, yardımcı bir karar destek sistemi olarak dikkat çekmektedir. Yapay zeka sistemlerinin daha ileri düzey histopatolojik verilerle eğitilmesi, tanı doğruluğunu artırabilir ve klinik karar süreçlerinde tamamlayıcı bir rol üstlenmesini sağlayabilir.

Introduction and Aim: Ovarian cancers have the highest mortality rate among gynecological malignancies and are mostly diagnosed at advanced stages. Therefore, accurate intraoperative classification of ovarian masses is of great importance in patient management. The frozen section technique is one of the main tools that guide surgical decisions by providing rapid diagnosis during surgery. However, diagnostic challenges persist, especially in borderline ovarian tumors. This study aimed to compare the intraoperative frozen section diagnoses of 200 ovarian cyst cases with their final pathology results and to evaluate the diagnostic performance of ChatGPT, an artificial intelligence-supported system, by analyzing the clinical, laboratory, imaging, and microscopic frozen data of these cases. Materials and Methods: In this retrospective study, clinical, laboratory, radiological, and histopathological data of 200 women aged 18–60 years who underwent surgery for ovarian cysts and had intraoperative frozen section examination between 01.01.2021 and 01.11.2024 at the Department of Obstetrics and Gynecology, Necmettin Erbakan University Medical Faculty Hospital, were evaluated. For each case, microscopic frozen section images obtained under the supervision of a pathologist, along with the patient's clinical information, tumor marker levels, and ultrasonographic findings, were analyzed using the ChatGPT-4 artificial intelligence model to obtain diagnostic interpretations. These AI-assisted frozen diagnoses were compared with both the original frozen diagnoses and the final pathology results. Statistical analyses were performed using the SPSS software. Results: The concordance rate between frozen section and final pathology was 96.5%, with a Cohen’s Kappa coefficient of 0.896 (p=0.115). While the frozen section technique achieved high diagnostic accuracy for most benign and malignant cases, 13.4% of borderline cases were misclassified. ChatGPT showed 86.5% agreement with frozen diagnoses (kappa: 0.71) and 83.0% agreement with final pathology (kappa: 0.65). The AI system particularly struggled with the diagnosis of endometriosis and borderline cases, often classifying malignant tumors as borderline, reflecting a cautious diagnostic approach. Although it considered factors such as CA-125 level, cyst size, and the presence of solid areas, its inability to assess histopathological features like stromal invasion and nuclear atypia limited its diagnostic accuracy. Conclusion: The frozen section technique remains a reliable method with high accuracy in the intraoperative period. While ChatGPT has limited reliability, it stands out as a potential clinical decision support tool. Enhancing AI systems with advanced histopathological data may improve diagnostic accuracy and allow them to play a complementary role in clinical decision-making.