Çocuklar ve genç erişkinler için tel takılması gerektiğinde sık karşılaşılan sorunlardan biri üst çenenin çok dar olmasıdır. Diş hekimleri özel araçlarla üst çeneyi nazikçe genişletebilir, ancak en güvenli ve en az invaziv yöntem yalnızca ağız tavanındaki bir kemik dikişi—orta damak dikişi—hala açıkken işe yarar. Bu dikiş kapandıktan sonra daha ağır donanımlar veya hatta cerrahi gerekebilir. Bu çalışma, diş hekimlerinin dikişin ne kadar kaynaştığını görmesine yardımcı olmak için özenle oluşturulmuş bir görüntü veri kümesi ve bir yapay zekâ (YZ) modeli sunar; amaç tedavi kararlarını daha doğru ve tutarlı yönlendirmektir.
Ağız tavanındaki gizli dikiş
Orta damak dikişi, damak ortası boyunca uzanan doğal bir eklemdir ve üst çenenin çocukluk ve ergenlik döneminde genişlemesine izin verir. Üst çene çok dar olduğunda hekimler genellikle hızlı maksiller genişletme uygular; bu yöntemde bir cihaz üst çenenin sol ve sağ yarılarını yavaşça ayırır. Dikiş hâlâ açıksa dişlere tutturulan bir genişletici genellikle yeterlidir. Ama dikiş zaten sağlam kemiğe dönüştüyse hekimler kemik tutuculu genişleticilere veya cerrahiye yönelmek zorunda kalır; bunlar daha karmaşık ve daha invazivdir. Bu nedenle dikişin açık mı kapalı mı olduğu bilgisi hastalar için rahatlık, risk ve maliyet üzerinde doğrudan etkiye sahiptir.
3B diş taramalarını okumadaki zorluk
Bugün uzmanlar genellikle konik ışın BT (CBCT) taramalarında dikişin olgunluğunu gözle değerlendirir ve her hastayı A (açık) ile E (tamamen kaynaşmış) arasında beş aşamadan birine yerleştirir. Angelieri ve meslektaşları tarafından önerilen bu yaygın sistem tedavi seçimlerini yönlendirmeye yardımcı olur, ancak sakıncaları vardır. Görüntüler belirsiz olduğunda farklı klinisyenler farklı değerlendirmeler yapabilir ve 2B kesitler önemli 3B ayrıntıları kaçırabilir. Yazarlar görsel incelemenin zaman alıcı, öznel ve özellikle sınır vakalarda zorlu olduğunu vurgular. Aynı zamanda önceki YZ girişimleri genellikle taramanın yalnızca ince kesitlerini kullanmış, tam 3B hacmi değerlendirmeyerek kritik bilgilerin kaybolması riskini taşımıştır.
Zengin, dikkatle kontrol edilmiş bir veri kümesi oluşturmak
Bu sorunları ele almak için ekip 4–25 yaş arası hastalardan 600 CBCT taraması topladı ve tüm kişisel tanımlayıcı bilgileri dikkatle çıkardı. Deneyimli bir ortodontist, düz bir kesit kullanmak yerine ağız tavanının gerçek eğrisini izleyerek her hastanın damak görüntüsünü kişiselleştirdi; böylece tüm dikiş görünür hale getirildi. Ardından bir ortodontist ile bir maksillofasiyal görüntüleme uzmanı her vakayı bağımsız olarak beş standart aşamadan birine atadı ve değerlendirmelerini bir ay sonra tekrarladı. İstatistiksel kontroller iki uzman arasındaki ve her uzmanın kendi içindeki uyumun mükemmel olduğunu gösterdi; bu da aşama etiketlerinin güvenilir olduğu konusunda güven verdi. Görüntülerin yanı sıra araştırmacılar yaş, cinsiyet, dişsel olgunluk, boyun kemiği olgunluğu, damak şekli ve dikiş çevresindeki kemik yoğunluğu gibi klinik bilgileri de kaydetti.
YZ’nin insanlardan kaçırabileceği desenleri nasıl gördüğü Figure 1.
Bu veri kümesini kullanarak yazarlar iki tür bilgiyi birleştiren bir YZ modeli geliştirdiler: 3B CBCT görüntüsü ve tablo şeklindeki eşlik eden ölçümler. Üç boyutlu konvolüsyonel sinir ağı tam tarama hacminden desenleri öğrenirken, daha basit bir ağ yaş ve kemik yoğunluğu gibi klinik sayısal verilerle ilgilendi. Bu iki akım daha sonra dikiş aşamasını tahmin etmek için tek bir temsilde birleştirildi. Adalet ve sağlamlık sağlamak için ekip veriyi birkaç rastgele bölüşümle tekrar tekrar eğitti. Birleştirilmiş, yani “füzyon” modeli yalnızca görüntüleri veya yalnızca klinik verileri kullanan versiyonlardan düzenli olarak daha iyi performans gösterdi; bu da hem anatominin hem de hasta bağlamının önemli olduğunu ortaya koydu. Genel olarak model yüksek doğruluk elde etti ve sınıflar arası ayrımı alan-altında-kalan-eğri değerlerinin tüm sınıflar için 0,95’in üzerinde olmasıyla yansıdı.
Modelin muhakemesinin içine bakmak Figure 2.
YZ’nin nerelere odaklandığını anlamak için araştırmacılar Grad‑CAM adlı bir yöntem kullanarak ısı haritaları üretti. Bu görsel örtüşümler modelin kararlarına en çok katkıda bulunan üst çene ve damak bölgelerini vurgulayarak orta damak dikişi ve çevresindeki kemiğe yoğunlaştı. Bu, klinisyenlere YZ’nin kararını anatomik olarak anlamlı özelliklere dayandırdığı konusunda güven verdi; rastgele görüntü artefaktlarına değil. Aynı zamanda yazarlar aşırı uyum belirtilerine—modelin eğitim verisini çok iyi öğrenip yeni klinikler veya tarayıcılara genelleme yapamama riski—dikkat çekti; bu da daha büyük, çok merkezli veri kümelerine ve daha fazla iyileştirmeye ihtiyaç olduğunu vurguladı.
Gelecek ortodontik tedavi açısından anlamı
Hastalar ve aileleri için bu çalışmanın pratik vaatleri, basit genişleticilerin ne zaman yeterli olduğuna ve ne zaman daha güçlü veya cerrahi seçeneklerin gerçekten gerekli olduğuna ilişkin daha tutarlı kararlar vermektir. Yazarlar 3B görüntüleri ve klinik tabloyu kamuya açık hale getirmenin yanı sıra kodu da paylaşarak diğer grupları sistemlerini geliştirmeye ve test etmeye davet ediyor. Farklı popülasyonlar ve cihazlar arasında doğrulanırsa, orta damak dikişinin YZ destekli evrelendirilmesi zor, deneyime dayalı bir kararı standartlaştırılmış bir araca dönüştürebilir; tahminleri azaltır ve çene genişletme tedavilerini her bireyin gerçek kemik gelişim aşamasına göre uyarlamaya yardımcı olabilir.
Atıf: Zuo, Z., Jia, B., Xiao, Y. et al. A dataset of midpalatal suture maturation stage in cone-beam computed tomography.
Sci Data13, 531 (2026). https://doi.org/10.1038/s41597-026-06778-3
