Objective: This study aims to develop and evaluate an AI-assisted system for detecting urological pathologies using cystoscopy images. Materials and Methods: A dataset comprising 500 pathological and 500 healthy cystoscopy images was collected from the urology clinic of training and research hospital. Images were obtained using three different endovision systems (Karl Storz [Germany], Stryker [USA], Richard Wolf [Germany]). The dataset was preprocessed, augmented, and used to train a Convolutional Neural Network (CNN) model to classify images as either normal or pathological. The model’s performance was evaluated on a test set comprising 100 pathological and 100 healthy images, using metrics such as accuracy, sensitivity, specificity, and F1-score. Statistical analyses were performed using IBM SPSS version 25.0, with a p-value of <0.05 considered significant. Results: The model achieved a sensitivity of 94% for detecting pathological cases and a specificity of 58% for correctly identifying healthy cases. For pathological images, precision, recall, and F1-score were 0.69, 0.94, and 0.80, respectively, while for healthy images, these metrics were 0.91, 0.60, and 0.72. The overall accuracy of the model was recorded as 76%. Conclusion: The AI-assisted cystoscopy image analysis system demonstrates high sensitivity in detecting urological pathologies but requires further improvements to enhance specificity. Future studies should focus on increasing dataset diversity and improving the model’s ability to distinguish between benign and malignant features. The integration of higher-quality images and advanced AI techniques holds great potential for enhancing the model’s success and improving diagnostic accuracy.
Amaç: Bu çalışma, sistoskopi görüntülerini kullanarak ürolojik patolojilerin tespitine yönelik AI destekli bir sistem geliştirmeyi ve değerlendirmeyi amaçlamaktadır. Gereçler ve Yöntemler: Eğitim ve Araştırma Hastanesi Üroloji Kliniğinde; 500 patolojik ve 500 sağlıklı sistoskopi görüntüsünden oluşan bir veri seti toplanmıştır. Görüntüler, üç farklı endovizyon sistemi (Karl Storz [Almanya], Stryker [ABD], Richard Wolf [Almanya]) kullanılarak elde edilmiştir. Veri seti ön işleme tabi tutulmuş, artırılmış ve bir Konvolüsyonel Sinir Ağı (CNN) modeli, görüntüleri normal veya patolojik olarak sınıflandırmak üzere eğitilmiştir. Modelin performansı, doğruluk, hassasiyet, özgüllük ve F1 skoru gibi metriklerle, 100 patolojik ve 100 sağlıklı görüntüden oluşan bir test setinde değerlendirilmiştir. İstatistiksel analizler IBM SPSS versiyon 25.0 ile yapılmış, p <0.05 anlamlı kabul edilmiştir. Bulgular: Model, patolojik vakaların tespiti için %94 hassasiyet ve sağlıklı vakaların doğru sınıflandırılması için %58 özgüllük sağlamıştır. Patolojik görüntüler için kesinlik, geri çağırma ve F1 skoru sırasıyla 0.69, 0.94 ve 0.80 olarak bulunurken, sağlıklı görüntüler için bu değerler 0.91, 0.60 ve 0.72’dir. Modelin genel doğruluğu %76 olarak kaydedilmiştir. Sonuç: AI destekli sistoskopi görüntü analiz sistemi, ürolojik patolojilerin tespitinde yüksek hassasiyet göstermektedir, ancak özgüllüğün artırılması için daha fazla iyileştirme gerekmektedir. Gelecek çalışmalarda, veri setinin çeşitliliğini artırmaya ve modelin benign ve malign özellikleri ayırt etme yeteneğini geliştirmeye odaklanılmalıdır. Daha kaliteli görüntülerin entegrasyonu ve ileri yapay zeka tekniklerinin kullanımı, modelin başarısını artırma ve tanısal doğruluğu iyileştirme açısından büyük bir potansiyel sunmaktadır.
