Multimodal tıbbi görüntülerde çok görevli derin öğrenme modeliyle servikal spondilozun otomatik tanısı

Günlük Hayatta Büyük Etkisi Olan Gizli Bir Boyun Sorunu

Servikal spondiloz—yaş veya yaşam tarzına bağlı boyundaki aşınma ve yıpranma—neredeyse her yerde görülüyor, ancak erken dönemde fark edilmesi sıklıkla zor. Sürekli boyun ağrısına, baş ağrılarına, uyuşmaya ve hatta yürümekte zorlanmaya yol açabilir; yine de tıbbi görüntülerdeki ince değişiklikleri okumak yılların deneyimini gerektirir. Bu çalışma, bir yapay zeka (YZ) sisteminin uzman hekimlerden öğrenerek boyunun röntgen ve MRI taramalarını nasıl okuyabileceğini gösteriyor; böylece uzman düzeyindeki tanıyı yoğun hastanelere ve hizmet erişimi sınırlı kliniklere ulaştırmaya yardımcı olabilir.

Boyundaki Aşınmanın Neden Yakalanması Bu Kadar Zor?

Kırık bir kemik veya büyük bir tümörün aksine, servikal spondiloz genellikle görüntüde tek bir belirgin iz bırakmaz. Bunun yerine birçok küçük, etkileşimli değişikliği içerir: boynun doğal eğrisi düzleşebilir veya tersine dönebilir, omurlar hafifçe yerinden kayabilir, diskler fıtıklaşabilir veya yırtılabilir ve omuriliği barındıran kanal yavaşça daralabilir. Hekimler şu anda röntgenlerde boyunun genel eğimi ve önemli omurların hizalanması gibi birkaç geometrik özelliği ölçüyor; ayrıca disk herniasyonu veya sıkışmış sinir kökleri gibi yumuşak doku sorunlarını gösteren MRI değişikliklerine bakıyorlar. Her hasta için bunları doğru yapmak zaman alıcıdır ve deneyimli radyologlar ile omurga cerrahlarının becerisine çok bağlıdır; bu uzmanlar genellikle büyük tıp merkezlerinin dışında kıt bulunur.

Bilgisayara Boyunu Bir Uzman Gibi Okumayı Öğretmek

Araştırmacılar, uzmanların servikal görüntülere bakış biçimini taklit eden, ancak bunu otomatik ve tutarlı şekilde yapan bir derin öğrenme sistemi geliştirdiler. Önce lateral röntgenlerde boyun omurlarının dış hatlarını ve köşelerini tespit ediyor; her omuru kesin tanımlı bir dörtgen olarak ele alıyor. Bu noktalardan model, cerrahi planlamada kullanılan standart ölçümleri hesaplıyor; örneğin boynun ne kadar eğri veya düz olduğunu tanımlayan Cobb açısı ve başın omurga üzerinde iyi dengede olup olmadığının ana göstergelerinden biri olan sagittal vertical aks gibi. Ayrıca komşu omurların birbirine göre ne kadar kaydığına dair kestirim yaparak instabiliteyi işaret ediyor ve omur kanalının ile omur gövdesinin boyutlarını ölçerek olası doğumsal darlığı gösteren bir oran hesaplıyor.

Farklı Tarama Türlerini Tek Bir Tutarlı Görüntüde Birleştirmek

Hiçbir tek tarama türü tüm hikâyeyi anlatmadığı için ekip sistemi hem röntgen hem de MRI ile koordineli çalışacak şekilde tasarladı. Röntgenler kemik şekli ve hizalanması hakkında hassas bilgi verirken, MRI yumuşak dokunun durumunu, özellikle omurlar arası diskleri ve sinirlerin omurgadan çıktığı açıklıkları gösterir. Çok görevli öğrenme düzeni kullanılarak YZ, tüm bu ölçümleri ve sınıflandırmaları birlikte yapacak şekilde eğitiliyor ve görevler arasında öğrendiklerini paylaşıyor. MRI için ayrılmış bir ağ, her omur çifti arasındaki diskleri inceliyor ve bunların nispeten sağlıklı mı yoksa daha ciddi çıkıntı veya ekstürzyon (dışa taşma) gösterip göstermediğini, ayrıca omur kanalının ve sinir çıkış noktalarının daralıp daralmadığını belirliyor. Her şeyi tek bir evet‑hayır etiketine dönüştürmek yerine sistem, hangi sorunların mevcut olduğu ve nerede olduğuna dair ayrıntılı bir profil çıktısı veriyor.

YZ İnsan Hekimlerle Ne Kadar Rekabet Ediyor?

Çalışma, büyük bir hastanede tedavi gören binin üzerinde hastadan alınan röntgen ve MRI taramalarını, deneyimli radyologlar ve omurga uzmanları tarafından sağlanan dikkatli etiketlerle analiz etti. Mesafe gibi basit geometrik ölçümlerde YZ’nin hataları genellikle bir milimetrenin altındaydı ve açılarda ortalama birkaç derece sapma görüldü—birçok durumda manuel ölçümlerle klinik olarak değiştirilebilir düzeydeydi. Disk problemleri, kanal darlığı ve MRI’deki sinir çıkışı darlığı için model, bazen genç ve kıdemli radyologlardan daha iyi, çoğunlukla ise deneyimli klinisyenlere benzer doğruluk seviyelerine ulaştı ve sonuçlarını dakikalar değil saniyeler içinde üretti. Yazarlar sistemi ikinci bir hastanede test ettiğinde performans biraz düşse de yüksek kaldı; bu da modelin orijinal eğitim sahasının ötesine genellenebileceğini gösteriyor.

Bu Hastalar ve Klinikler İçin Ne Anlama Gelebilir?

Boyun ağrısı çeken bir kişi için bu çalışmanın vaadi, daha hızlı, daha tutarlı tanılar ve daha iyi uyarlanmış tedavi kararlarıdır. YZ doktorların yerini almaz; bunun yerine anahtar özellikleri önceden ölçebilen, olası problemli alanları işaretleyebilen ve boyun sağlığına dair tarama tarama birleştirilmiş bir rapor sağlayabilen yorulmak bilmeyen bir asistan olarak hizmet eder. Uzmanların zaten güvendiği ölçümleri yansıtması—yeni ölçümler icat etmek yerine—mevcut klinik rutinlere kolayca entegrasyonunu sağlar ve uzman bilgi birikimini kurum içi omurga uzmanı bulunmayan hastanelere aktarmaya yardımcı olabilir. Geniş çapta benimsenip daha fazla doğrulandığında, bu tür sistemler riskli boyun değişikliklerinin daha erken tespit edilmesine, kaçırılan vakaların azalmasına ve dünya çapında milyonlarca insan için daha uygun cerrahi veya konservatif bakım kararlarına yol açabilir.

Atıf: Song, X., Li, Y., Ouyang, H. et al. Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model. Nat Commun 17, 2392 (2026). https://doi.org/10.1038/s41467-026-69023-w

Anahtar kelimeler: servikal spondiloz, omurga görüntüleme, derin öğrenme, tıbbi yapay zeka, boyun ağrısı