Tek Kesit OCT Görüntülerinden Maküla Hastalıklarının Bilgisayar Destekli Tanı ve Triyajı

Abstract

Amaç Bu çalışmanın amacı, tek kesit maküla optik koherens tomografi (OCT) görüntülerinden maküla hastalıklarının tanısal sınıflandırılması ve klinik triyajının bilgisayar destekli bir yaklaşımla değerlendirilmesidir. Gereç ve Yöntem Bu karşılaştırmalı görüntü yorumlama çalışmasında, açık erişimli bir veri setinden elde edilen ve dört tanısal kategori arasında dengeli dağıtılmış toplam 360 tek B-tarama maküla OCT görüntüsü analiz edildi: normal maküla, koroid neovasküler membran (KNVM), diyabetik maküla ödemi (DMÖ) ve drusen (her kategori için 90 görüntü). Görüntüler, referans etiketlerden bağımsız olarak değerlendirildi. Tanısal doğruluk oranları ve Cohen kappa katsayıları hesaplandı. Tanısal kategorilere göre duyarlılık değerleri analiz edildi. Üretilen triyaj kararlarının klinik uygunluğu, bağımsız bir retina uzmanı tarafından uygun veya uygunsuz olarak sınıflandırıldı. Bulgular Tanısal sınıflandırmada genel doğruluk oranı %76,9 olarak bulundu. Diyabetik maküla ödemi (%98,9) ve normal maküla (%90,0) kategorilerinde yüksek duyarlılık saptanırken, koroid neovasküler membran (%58,9) ve drusen (%60,0) kategorilerinde daha düşük performans gözlendi. En sık karşılaşılan sınıflandırma hataları, drusen olgularının normal maküla olarak ve koroid neovasküler membran olgularının diyabetik maküla ödemi olarak etiketlenmesiydi. Klinik triyaj kararlarının %77,2’si uygun olarak değerlendirildi. Sonuç Tek kesit maküla OCT görüntüleriyle sınırlı koşullarda, bilgisayar destekli tanı ve triyaj yaklaşımı orta düzey bir performans sergilemekte ve bazı hastalıklara özgü sınırlılıklar göstermektedir. Mevcut bulgular, bu tür sistemlerin bağımsız klinik karar verme yerine, yapılandırılmış raporlama, güvenlik eşikleri ve uzman denetimi ile birlikte kullanıldığında, özellikle tele-oftalmoloji uygulamalarında tamamlayıcı bir karar destek aracı olarak potansiyel değer sunabileceğini düşündürmektedir.

Purpose To evaluate whether a general-purpose multimodal large language model (ChatGPT-5.2) can accurately classify single-scan macular optical coherence tomography (OCT) images into four diagnostic categories and provide appropriate clinical triage decisions. Materials and Methods This comparative image-interpretation study used 360 single B-scan macular OCT images obtained from an open-access dataset, balanced across four categories: normal macula, choroidal neovascular membrane (CNVM), diabetic macular edema (DME), and drusen (90 images per class). Each image was independently assessed by ChatGPT-5.2 and by an evaluating ophthalmologist blinded to the reference labels. Diagnostic accuracy and Cohen’s kappa statistics were calculated. Paired comparisons were performed using an exact McNemar test. Triage recommendations generated by both raters were independently reviewed by a retina specialist and classified as appropriate or inappropriate. Results The ophthalmologist achieved a diagnostic accuracy of 98.1% (353/360), while ChatGPT-5.2 achieved 76.9% (277/360). Cohen’s kappa values were 0.974 for the ophthalmologist and 0.693 for ChatGPT-5.2. The model demonstrated high sensitivity for DME (98.9%) and normal macula (90.0%), but lower sensitivity for CNVM (58.9%) and drusen (60.0%). Common misclassifications included drusen labeled as normal macula (40.0%) and CNVM labeled as DME (23.3%). Triage appropriateness rates were 98.1% for the ophthalmologist and 77.2% for ChatGPT-5.2.