Yapay Zeka Sistemi Kullanarak Konik Işın Bilgisayarlı Tomografi Görüntülerinde Temporomandibular Eklem Osteoartritinin Sınıflandırılması

1. Giriş

Bu çalışma, konik ışın bilgisayarlı tomografi (CBCT) görüntülerine dayanarak temporomandibular eklem osteoartritinin (TMJOA) sınıflandırılması için yapay zeka (AI) kullanımına odaklanmaktadır. Amacı, TMJOA'nın biyomarkerlar ve makine öğrenme teknikleri kullanılarak erken teşhisini sağlamaktır.

2. Metodoloji

- Veri Toplama: NewTom 5G cihazından arşivlenmiş CBCT görüntülerini kullanarak retrospektif çalışma. Görüntüler DICOM dosyalarına dönüştürüldü ve analiz için sagittal kesit çerçeve görüntülerine dönüştürüldü.

- Görüntü Değerlendirme: TMJ değerlendirmesi için 2000 sagittal görüntü incelendi; sağlıklı eklemler, düzleşme, erozyon ve osteofitler için her biri 500 görüntü.

3. Görüntü Etiketleme ve Sınıflandırma

- Etiketleme Prosedürü: TMJ ve dış sınırları etiketlemek için serbest çizim yaklaşımı (poligon yöntemi) kullanıldı.

- Sınıflandırma: Koyama ve arkadaşlarının 2007'deki sınıflandırması dört sınıfa adapte edildi: Normal, Düzleşme, Erozyon ve Deformite.

- AI Modeli: TMJ segmentasyonu ve osteoartrit sınıflandırması için transfer öğrenme uygulanan YOLOv5 modeli kullanıldı.

4. Sonuçlar

- Tanısal Performans: XGBoost ve LightGBM modelleri, TMJOA tespiti için yüksek doğruluk, AUC ve F1 skorları elde etti.

- TMJOA Sınıflandırması: AI modeli, TMJ segmentasyonu için yüksek doğruluk elde ederken, TMJOA sınıflandırması için biraz daha düşük doğruluk gösterdi.

5. Tartışma

Çalışma, CBCT görüntülerinden TMJOA'nın otomatik tespiti için AI ve derin öğrenme modellerinin kullanımının uygulanabilirliğini göstermektedir. Sonuçlar, gelişmiş teknoloji kullanılarak TMJOA'nın doğru ve verimli bir şekilde teşhis edilebileceğini önermektedir.

6. Veri Erişilebilirliği ve Etik Değerlendirmeler

- Veri Erişilebilirliği: İlgili yazardan talep üzerine veri sağlanabilir.

- Etik: Çalışma, İnönü Üniversitesi Girişimsel Olmayan Klinik Araştırmalar Etik Kurulu tarafından onaylanmış olup, Helsinki Deklarasyonu'na uygun olarak yürütülmüştür.

- Bilgilendirilmiş Onam: Çalışmaya dahil edilen tüm hastalardan bilgilendirilmiş onam alınmıştır.

7. Sonuç

Çalışma, AI'nın diş hekimliğindeki umut verici rolünü, özellikle CBCT görüntülerini kullanarak TMJOA teşhisinde vurgulamaktadır. Makine öğrenme modelleri ve gelişmiş görüntüleme tekniklerinden yararlanarak, TMJOA'nın erken tespiti ve sınıflandırılması yüksek doğrulukla sağlanabilir.