Bitewing Radyograflarda Diş Numaralandırma ve Sınıflandırma: Bir Yapay Zeka Pilot Çalışması

Özet

Bu çalışma, dental radyografilerde alveolar kemik kaybının otomatik değerlendirilmesi için derin öğrenme tekniklerinin kullanımını araştırmaktadır. Alveolar kemik kaybı, periodontal hastalığın önemli bir göstergesidir ve doğru ve zamanında tespit edilmesi tedavi planlaması için kritik öneme sahiptir.

Amaç

Çalışmanın amacı, derin öğrenme modellerinin dental radyografilerden alveolar kemik kaybını tespit etme ve değerlendirmedeki etkinliğini değerlendirmektir. Bu teknolojinin diş hekimliği pratiğine entegrasyonu, tanısal süreçleri hızlandırabilir ve doğruluğu artırabilir.

Yöntemler

• Veri Toplama: Çalışmada, çeşitli hastalardan elde edilen ve alveolar kemik kaybı bölgelerini belirtmek için anotlanmış radyografik görüntüler kullanılmıştır.
• Derin Öğrenme Modeli: Alveolar kemik kaybı bölgelerini tanımlamak ve değerlendirmek için konvolüsyonel sinir ağı (CNN) tabanlı bir derin öğrenme modeli geliştirilmiş ve eğitilmiştir.
• Eğitim ve Test: Veri seti, modelin doğruluğunu ve genellenebilirliğini değerlendirmek için eğitim ve test setlerine bölünmüştür.
• Performans Metrikleri: Modelin performansı, doğruluk, duyarlılık, özgüllük ve F1 skoru kullanılarak ölçülmüştür. Ayrıca, modelin tahminleri insan uzmanlarının değerlendirmeleri ile karşılaştırılmıştır.

Bulgular

1. Model Performansı
   • Derin öğrenme modeli, alveolar kemik kaybını tespit etmede yüksek doğruluk ve hassasiyet gösterdi.
   • Performansı, deneyimli diş hekimleriyle karşılaştırılabilir seviyededir, bu da klinik uygulama potansiyelini güçlü bir şekilde işaret etmektedir.
2. Verimlilik ve Hız
   • Model, manuel değerlendirmelere kıyasla çok daha hızlı sonuçlar sağlamış ve klinik ortamlarda önemli bir avantaj sunmuştur.
   • Otomatik değerlendirmeler, diş hekimlerinin iş yükünü azaltabilir ve hasta bakımını hızlandırabilir.
3. Klinik Uygulamalar
   • Bu teknoloji, periodontal hastalıkların erken teşhisi ve tedavi planlamasında hayati bir rol oynayabilir.
   • Modelin sağladığı objektif ve tutarlı değerlendirmeler, hasta sonuçlarını iyileştirme potansiyeline sahiptir.

Sonuç

Çalışma, derin öğrenmeye dayalı otomatik değerlendirme modellerinin dental radyograflarda alveolar kemik kaybını tespit etmede etkili araçlar olduğunu sonucuna varmıştır. Bu teknolojinin diş hekimliği pratiğine entegrasyonu, tanı hızını, doğruluğunu ve nihayetinde hasta bakımını artırabilir.