Research Article
BibTex RIS Cite

Web of Science Core Koleksiyonunda Yer Alan Derin Öğrenme Algoritmasının Tıbbi Görüntülemede Kullanımına İlişkin Türkiye'de Yapılan Çalışmaların Bibliyometrik Analizi

Year 2023, , 543 - 548, 30.12.2023
https://doi.org/10.31832/smj.1333495

Abstract

Amaç
Teknolojideki son gelişmeler ve veri setlerindeki artış tıbbi görüntülerde yapay zekanın en temel yaklaşımlarından biri olan derin öğrenme algoritmasının popülaritesini arttırmaktadır. Bu nedenle, yapılan çalışmada derin öğrenme algoritmasının kullanımına ilişkin yayınları araştırmak ve derin öğrenmenin kullanımına dikkat çekmek için bibliyometrik analiz yapılması amaçlanmıştır.
Yöntem
"Deep Learning" OR "DL" AND "Medical Imaging" AND “Radiology” anahtar kelimeleri kullanılarak 2019 ile 2022 yıllarında yayınlanan veriler Web of Science Core Collection (WOSCC) veritabanından elde edildi. WOS veritabanında araştırma alanı (Research areas) “Radiology Nuclear medicine medical imaging” ve ülke (Region/Country) alanı “Turkey” ve doküman tipi (Document type) “article” olanlar çalışmaya dahil edildi.
Bulgular
Yapılan çalışmada araştırılan konu ile ilgili toplam 259 yazardan en az 1 yayını ve 1 atıfı olacak şekilde seçim yapıldığında 211 yazar elde edildi. Yazarlar tarafından en az 1 kez kullanılan 195 anahtar kelime elde edildi. Elde edilen anahtar kelimeler arasında en sık kullanılan anahtar kelimelerden “deep learning” ve “artificial intelligence” olduğu görüldü. Ayrıca yapay zekayla ilgili olan “Transfer learning” ve “Machine learning” anahtar kelimelerinin de diğer anahtar kelimelere göre daha sık kullanıldığı görüldü. Dergiler arasında en çok atıfın 133 atıf ile 2021’de “Medical Image Analysis” dergisinde yayınlanan makaleye yapıldığı görüldü. Ayrıca “Medical image analysis” dergisinin 268 atıf ve 8 doküman ile ilk sırada yer aldığı görüldü. Bu derginin ortalama yayın yılının 2021’de fazla olduğu görüldü.
Sonuç
Derin öğrenme algoritmalarının görüntü segmentasyonu, görsel hesaplama, algılama ve sınıflandırma gibi farklı görevlerinin yanı sıra radyasyon dozunun azaltılmasına yardımcı olma gibi avantajları bulunmaktadır. Dolayısıyla derin öğrenme algoritmasının kullanımının tıbbi görüntüleme alanında gittikçe artması kaçınılmazdır. Yapılan çalışma özellikle derin öğrenmenin tıbbi görüntülemede kullanılması ile ilgili verilerin bibliyometrik analizinin yapılmasının farkındalık oluşturacağını ve yararlı olacağını umuyoruz.

References

  • McBee MP, Awan OA, Colucci AT, Ghobadi CW, Kadom N, Kansagra AP, et al. Deep Learning in Radiology, Academic Radiology, 2018; 25(11), 1472-1480.
  • Botwe BO, Akudjedu TN, Antwi WK, Rockson, P, Mkoloma SS, Balogun EO. The integration of artificial intelligence in medical imaging practice: Perspectives of African radiographers. Radiography, 2021; 27(3), 861-866.
  • Montero AB, Javaid U, Valdés G, Nguyen D, Desbordes P, Macq B, et al. Artificial intelligence and machine learning for medical imaging: A technology review, Physica Medica, 2021; 83, 242-256.
  • Castiglioni I, Rundo L, Codari M, Leo GD, Salvatore C, Interlenghi M, et al. AI applications to medical images: From machine learning to deep learning. Physica Medica, 83, 2021, 9-24.
  • Shier Nee Saw, Kwan Hoong Ng. Current challenges of implementing artificial intelligence in medical imaging. Physica Medica, 2022; 100, 12-17.
  • Sahiner B, Pezeshk A, Hadjiiski LM, Wang X, Drukker K, Cha KH, et al. Deep learning in medical imaging and radiation therapy. Med. Phys. 2019; 46 (1), 1-36.
  • Kooi T, Litjens G, van Ginneken B, Gubern-Mérida A, Sánchez CI, Mann R, et al. Large scale deep learning for computer aided detection of mammographic lesions. Medical Image Analysis 2017; 35, 303-312.
  • Raptis CA, Hammer MM, Short RG, Shah A, Bhalla S, Bierhals AJ, et al. Chest CT and Coronavirus Disease (COVID-19): A Critical Review of the Literature to Date. AJR 2020; 215, 1–4.
  • Brady SL, Trout AT, Somasundaram E, Anton CG, Li Y, Dillman JR. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. Radiology, 2021; 298,180–188.
  • Agarwal A, Durairajanayagam D, Tatagari S, Esteves SC, Harlev A, Henkelet R, et al. Bibliometrics: tracking research impact by selecting the appropriate metrics. Asian J Androl 2016;18:296-309.
  • Malhotra P, Gupta S, Koundal D, Zaguia A, Enbeyle W. Deep Neural Networks for Medical Image Segmentation. Journal of Healthcare Engineering, 2022, 1-15.
  • Rajpurkar P, Irvin J, Ball RL, Zhu K, Yang B, Mehta H, et al. “Deep learning for chest radiograph diagnosis: a retrospective comparison of the CheXNeXt algorithm to practicing radiologists,” PLoS Medicine, 2018; 15(11).
Year 2023, , 543 - 548, 30.12.2023
https://doi.org/10.31832/smj.1333495

Abstract

References

  • McBee MP, Awan OA, Colucci AT, Ghobadi CW, Kadom N, Kansagra AP, et al. Deep Learning in Radiology, Academic Radiology, 2018; 25(11), 1472-1480.
  • Botwe BO, Akudjedu TN, Antwi WK, Rockson, P, Mkoloma SS, Balogun EO. The integration of artificial intelligence in medical imaging practice: Perspectives of African radiographers. Radiography, 2021; 27(3), 861-866.
  • Montero AB, Javaid U, Valdés G, Nguyen D, Desbordes P, Macq B, et al. Artificial intelligence and machine learning for medical imaging: A technology review, Physica Medica, 2021; 83, 242-256.
  • Castiglioni I, Rundo L, Codari M, Leo GD, Salvatore C, Interlenghi M, et al. AI applications to medical images: From machine learning to deep learning. Physica Medica, 83, 2021, 9-24.
  • Shier Nee Saw, Kwan Hoong Ng. Current challenges of implementing artificial intelligence in medical imaging. Physica Medica, 2022; 100, 12-17.
  • Sahiner B, Pezeshk A, Hadjiiski LM, Wang X, Drukker K, Cha KH, et al. Deep learning in medical imaging and radiation therapy. Med. Phys. 2019; 46 (1), 1-36.
  • Kooi T, Litjens G, van Ginneken B, Gubern-Mérida A, Sánchez CI, Mann R, et al. Large scale deep learning for computer aided detection of mammographic lesions. Medical Image Analysis 2017; 35, 303-312.
  • Raptis CA, Hammer MM, Short RG, Shah A, Bhalla S, Bierhals AJ, et al. Chest CT and Coronavirus Disease (COVID-19): A Critical Review of the Literature to Date. AJR 2020; 215, 1–4.
  • Brady SL, Trout AT, Somasundaram E, Anton CG, Li Y, Dillman JR. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. Radiology, 2021; 298,180–188.
  • Agarwal A, Durairajanayagam D, Tatagari S, Esteves SC, Harlev A, Henkelet R, et al. Bibliometrics: tracking research impact by selecting the appropriate metrics. Asian J Androl 2016;18:296-309.
  • Malhotra P, Gupta S, Koundal D, Zaguia A, Enbeyle W. Deep Neural Networks for Medical Image Segmentation. Journal of Healthcare Engineering, 2022, 1-15.
  • Rajpurkar P, Irvin J, Ball RL, Zhu K, Yang B, Mehta H, et al. “Deep learning for chest radiograph diagnosis: a retrospective comparison of the CheXNeXt algorithm to practicing radiologists,” PLoS Medicine, 2018; 15(11).
There are 12 citations in total.

Details

Primary Language Turkish
Subjects Health Services and Systems (Other)
Journal Section Articles
Authors

Güneş Açıkgöz 0000-0001-9118-3153

Publication Date December 30, 2023
Submission Date July 27, 2023
Published in Issue Year 2023

Cite

AMA Açıkgöz G. Web of Science Core Koleksiyonunda Yer Alan Derin Öğrenme Algoritmasının Tıbbi Görüntülemede Kullanımına İlişkin Türkiye’de Yapılan Çalışmaların Bibliyometrik Analizi. Sakarya Tıp Dergisi. December 2023;13(4):543-548. doi:10.31832/smj.1333495

30703

SMJ'de yayınlanan makaleler, Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı kapsamında lisanslanır