Prematüreliğin metabolik kemik hastalığını bilek röntgenleriyle tanımlamak için derin öğrenme modeli

Kırılgan Yeni Doğan Kemiklerine Yardım

Çok prematüre bebekler birçok gizli sağlık riskiyle karşılaşır; bunların en ciddilerinden biri, uyarı vermeden kırılabilecek kadar zayıf ve yetersiz mineralleşmiş kemiklerdir. Doktorlar erken hasarı saptamak için sıklıkla bilek röntgenlerine güvenirler, ancak ayırt edici işaretler sönük olabilir ve özellikle kalabalık hastanelerde ya da uzman eksikliği olan yerlerde kolayca gözden kaçabilir. Bu çalışma, prematüre bebeklerin bilek röntgenlerini okuyan ve doktorların kemik problemlerini daha erken ve daha doğru belirlemesine yardımcı olan derin öğrenme tabanlı bir bilgisayar programını tanıtıyor; böylece ağrılı kırıkları ve uzun vadeli komplikasyonları önlemek mümkün olabilir.

Neden Küçük Kemikler Ek Özen Gerektirir

Prematürelik metabolik kemik hastalığı, çok küçük ve çok erken doğan bebeklerin kemiklerinin yeterince mineralleşmemesi durumudur. Bu bebekler, hamileliğin son haftalarında kemiklere konulan kalsiyum ve fosforun çoğunu kaçırdıkları için özellikle savunmasızdır. Risk, 28 haftadan önce doğanlar veya 1500 gramın altında olan bebeklerde en yüksektir ve doğumdan sonra dört ila sekiz hafta arasında zirve yapar. Kan testleri sorun olduğunu düşündürebilir, ancak doktorlar genellikle büyüyen radius kemiğinin ucunda görülen ince değişiklikleri gösteren bilek röntgenleriyle şüphelerini doğrularlar. Ne yazık ki, bu değişiklikler genellikle kemik kaybı zaten ilerlemiş olana kadar ortaya çıkmayabilir ve o zaman bile uzman olmayanların tanıması zor olabilir.

Bir Bilgisayara Bilek Röntgeni Okumayı Öğretmek

Bu sorunu ele almak için Güney Koreli araştırmacılar, iki büyük hastanede tedavi gören binin üzerinde çok düşük doğum ağırlıklı bebeğe ait geniş bir bilek röntgeni koleksiyonu derlediler. Deneyimli uzmanlar, bir hastaneden alınan 814 bebeğe ait 2239 görüntüyü dikkatle gözden geçirip her röntgeni normal kemik veya prematürelik metabolik kemik hastalığı belirtileri olarak etiketlediler. Bilgisayarın insan uzmanların odaklandığı aynı bölgeye yoğunlaşması için radius ucundaki anahtar alanın etrafına bir kare çizdiler. Ekip daha sonra bu kırpılmış görüntüler üzerinde birkaç son teknoloji derin öğrenme modelini eğitti; algoritmaların yenidoğan yoğun bakım görüntülemesinin düzensiz gerçeğine dayanıklı olması için görüntüleri hafifçe döndürme, parlaklaştırma veya bulanıklaştırma gibi standart teknikler kullandılar.

Dijital Okuyucunun Performansı Nasıl

Test edilen yedi model arasında DenseNet‑121 adıyla bilinen ağ en iyi performansı gösterdi. Orijinal hastaneden gelen görülmemiş röntgenlerde normal ve anormal görüntüler arasında yaklaşık yüzde 92 doğrulukla ayrım yaptı ve özellikle hastalığı dışlamada başarılıydı; etkilenen bebekleri nadiren kaçırdı. Model, farklı donanım ve hastalara sahip ikinci bir hastanenin röntgenleriyle sınandığında da güçlü bir performans sergiledi; genel doğruluk yüksek ve şüpheli ile normal görüntüleri ayırt etme yeteneği mükemmeldi. Daha ileri analizler, model doğru karar verdiğinde insan uzmanların odaklandığı aynı bilek bölgesine yoğunlaştığını gösterdi; bu da modelin verinin rastgele tuhaflıkları yerine tıbben anlamlı desenleri öğrendiğine işaret ediyor.

Doktorlara Daha Akıllı Bir İkinci Görüş Sağlamak

Araştırmacılar daha sonra sekiz pediatrist ve üç radyoloğa bilek röntgenlerini iki kez okumalarını istediler: bir kez kendi başlarına, bir kez de modelin tahmini gösterilerek. Bu dijital asistanla klinisyenlerin doğruluğu ve tutarlılığı arttı. Orijinal hastanenin görüntülerinde ortalama doğruluk yaklaşık üçte ikiden dörtte beşin üzerine çıktı ve hem yanlış alarm hem de kaçırılan vaka oranı düştü. Benzer kazanımlar ikinci hastanenin görüntülerinde de görüldü. Faydalar, iskelet görüntüleme deneyimi genellikle sınırlı olan pediatristler için en çarpıcıydı. Onlar için AI desteği, hataya açık zorlu bir görevi radyolog düzeyine daha yakın bir performansa dönüştürdü ve okuma süresini hafifçe azalttı.

Bu, Prematüre Bebekler İçin Ne Anlama Gelebilir

Basitçe ifade etmek gerekirse, bu çalışma iyi eğitilmiş bir bilgisayar programının kırılgan prematüre bebeklere bakım veren doktorlar için güvenilir bir ikinci göz görevi görebileceğini gösteriyor. Model klinik yargıyı veya kan testlerini yerine koymasa da, özellikle pediatrik radyologlara kolay erişimi olmayan hastanelerde dikkat gerektiren röntgenleri işaretlemeyi kolaylaştırıyor. Kemik zayıflığının daha erken ve daha emin şekilde tespit edilmesi, beslenme, izlem ve bakım uygulamalarında zamanında değişiklikleri tetikleyebilir; bu da ağrılı kırıklar ve uzun vadeli büyüme sorunları riskini azaltabilir. Daha fazla iyileştirme, daha büyük veri setleri ve kan belirteçlerinin entegrasyonu ile bu tür yapay zeka araçları yenidoğan ünitelerinde standart yardımcılar haline gelebilir; en küçük hastaları korumak için arka planda sessizce çalışarak.

Atıf: Park, S.G., Jeong, S., Cho, M. et al. Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs. Sci Rep 16, 7885 (2026). https://doi.org/10.1038/s41598-026-37116-7

Anahtar kelimeler: prematüre bebekler, kemik sağlığı, tıbbi görüntüleme yapay zekası, bilek röntgenleri, yenidoğan yoğun bakım