Panoramik Radyografi ile Tanısal Çizelgeleme: Derin Öğrenme Yapay Zeka Sistemi

AI Modeli CranioCatch'in Geliştirilmesi

CranioCatch AI modeli, derin Konvolüsyonel Sinir Ağı (CNN) yöntemine dayanarak geliştirilmiştir. Model, panoramik radyografilerdeki bölge ilgisi (ROI) tespitini verimli bir şekilde sağlamak için Bölge Öneri Ağı (RPN) içeren Faster R-CNN mimarisini kullanmıştır. CNN'in son konvolüsyon katmanından sonra RPN'in uygulanması, panoramik radyografilerde diş durumlarının doğru ve hızlı bir şekilde tespit edilmesini sağlamıştır.

Diş Durumlarının Etiketlenmesi

İki deneyimli dento-maxillofacial radyolog, panoramik radyografilerdeki on farklı diş durumunu manuel olarak etiketlemiştir. Bu durumlar arasında taç, pontik, kök kanal tedavili diş, implant, implant destekli taç, gömülü diş, kalıntı kök, dolgu, çürük ve diş taşı bulunmaktadır. Etiketleme süreci, radyologlar arasında fikir birliği sağlanmış ve yüksek intra-gözlemci anlaşması elde edilmiştir.

Derin Öğrenme AI'nin Tanısal Çizelgelemedeki Önemi

Çalışmanın amacı, panoramik radyografilerde çeşitli diş durumlarını doğru bir şekilde tespit edebilen AI algoritmalarını geliştirmektir. CranioCatch gibi derin öğrenme AI modelleri kullanılarak, doktorların teşhis ve tedavi planlamasına yardımcı olabilecek bir karar destek sistemi oluşturulması hedeflenmiştir. Diş radyolojisinde AI kullanımı, tanısal doğruluğu, verimliliği artırma ve dijital tabanlı öğrenci eğitimini iyileştirme potansiyeline sahiptir.

Gelecek Yönelimler ve Sonuç

CranioCatch AI modelinin başarılı geliştirilmesi ve değerlendirilmesi, diş radyolojisinde AI destekli tanısal çizelgeleme yönünde bir kayma olasılığını önermektedir. Daha büyük çalışma örnekleri ile daha fazla araştırma yapılması, AI modellerinin başarı oranını artırmak için önerilmektedir. Yazarlar, AI modellerinin panoramik teşhis, tedavi planlaması ve diş eğitimi, özellikle mevcut pandemi dönemindeki çevrimiçi eğitim bağlamında önemli bir rol oynayacağını öngörmektedirler.