Radyomik özellikler ve periodontitte karotis darlığı: iki aşamalı bootstrap ve multimodal makine öğrenmesi çalışması

Diş etlerinizin kalbiniz hakkında ne söyleyebileceği

Çoğumuz diş röntgenlerini çürükleri tespit etmek veya implant planlamak için kullanılan araçlar olarak görüyoruz. Bu çalışma, rutin 3B diş taramalarında saklı kalmış desenlerin, beyne kan sağlayan boyun atardamarlarının sağlığına dair ipuçları fısıldayabileceğini öne sürüyor. Diş eti hastalığı olan kişilerin rutin 3B cone beam BT taramalarındaki gizli örüntüleri kazıyarak, araştırmacılar bir inmeden çok önce tehlikeli atardamar darlığı riski yüksek olanları işaretlemenin mümkün olabileceğini gösteriyor.

Ağızdaki gizli uyarı işaretleri

Periodontitis yani diş eti hastalığı, dişleri destekleyen dokulara yavaşça zarar veren kronik bir enfeksiyondur. Son on yılda birçok çalışma bunu kalp krizi ve inmelerle ilişkilendirdi; iltihaplı diş etleri ile hasta damarların aynı sorunun farklı yüzleri olabileceğine işaret ediyorlar. Yine de doktorların, periodontitisli hangi hastaların sessizce karotis arter darlığı geliştirdiğini ayırt etmek için basit ve pratik araçları eksik. Yazarlar, diş kliniklerinde zaten kullanılan 3B cone beam BT taramalarının bu gizli arter hasarını yansıtan ince yapısal ipuçları barındırıp barındırmadığını sordular.

Diş taramalarını ölçülebilir örüntülere dönüştürmek

Ekip, büyük bir hastanede tedavi gören 279 yetişkinin cone beam BT taramalarını analiz etti: 168’inde hem periodontitis hem de karotis arter darlığı varken, 111’inde yalnızca periodontitis vardı. Her kişi için uzmanlar dişlerin ve destekleyici kemiğin bulunduğu üst ve alt çene bölgelerini dikkatle çizdi. Görüntüleri çok sayıda sayısal tanımlayıcıya dönüştüren radyomik tekniğini kullanarak, tarama başına 206 özellik çıkardılar. Bunlar, genel parlaklık gibi basit ölçümler ile gözle bakıldığında anlaşılamayan ama iltihap ve kemik yeniden şekillenmesinin çeneyi zaman içinde nasıl değiştirdiğini yansıtabilecek şekil ve doku (tekstür) desenlerini içeriyordu.

Makinelere risk altındaki hastaları öğretmek

Çalışmadaki hasta sayısı sağlıklı olanlardan daha fazla arter hastalığı içerdiğinden, araştırmacılar algoritmaları için daha dengeli bir eğitim kümesi oluşturmak üzere SMOTE adlı veri dengeleme yöntemini kullandılar. Ardından 206 radyomik özellik arasından eleme yapmak için dikkatli, iki aşamalı bir istatistiksel süreç uyguladılar. Önce veriyi tekrar tekrar yeniden örnekleyip korelasyon kontrolleri ve daraltıcı regresyon yöntemleriyle yinelenen veya zayıf sinyalleri ellediler. Bu elenme sürecinden defalarca sağ çıkmayı başaran özellikler ikinci aşamaya taşındı; burada tekrarlanan lojistik regresyon çalışmaları en kararlı kombinasyonu seçti. Bu elemeden sonra çene şekli, yoğunluk dağılımı ve ince dokusal özellikleri kapsayan toplam 20 anahtar özellik kaldı; bunlar birlikte karotis darlığı olan ve olmayan hastaları en iyi şekilde ayırdı.

Modellerin performansı nasıldı

Bu 20 özellik ile ekip üç yaygın makine öğrenmesi modelini kurup karşılaştırdı: lojistik regresyon, destek vektör makineleri ve rastgele ormanlar. Görülmemiş veriler üzerinde performansı test etmenin bir yolu olan beş katlı çapraz doğrulama kullanıldığında, rastgele orman modeli en iyi sonucu verdi. Yüksek riskli ve daha düşük riskli hastaları ayırmada doğru sonuç verme oranı 0,892 olan eğri altındaki alan (AUC) ile başarılıydı; duyarlılığı çok yüksekti (arter darlığı olanların yaklaşık %96’sını yakalıyordu) ve özgüllüğü ılımlıydı (olmayanların yaklaşık %71’ini doğru şekilde güvenceye alıyordu). Ek kontroller, modelin olasılık tahminlerinin gerçeğe makul ölçüde uyduğunu ve geniş bir karar eşik aralığında, basit modellerden veya herkesi damar testiyle tarama stratejisinden daha fazla net fayda sağlayacağını gösterdi.

Günlük bakım için ne anlama gelebilir

Sonuçlar, diş amacıyla alınan tek bir çene taramasının, özellikle kronik diş eti hastalığı olan hastalarda, bir gün inme riski için erken bir uyarı sistemine dönüşebileceğine işaret ediyor. Cone beam BT diş ve ağız cerrahisi uygulamalarında zaten yaygın olduğundan, bu yaklaşım ek tarama, iğne veya zaman gerektirmeden büyük sayıda insanı tarayabilir ve sadece yüksek riskli olarak işaretlenenleri vasküler ultrason veya diğer kardiyo-vasküler testlere yönlendirebilir.

Bulgular bizi şimdi nereye bırakıyor

Bu çalışma diş hekimlerinin bugün X-ışınlarından arter hastalığını teşhis edebileceğini iddia etmiyor. Çalışma tek merkezde yapıldı, vakaları dengelemek için kısmen sentetik veriye dayandı ve hâlâ diğer hastanelerde veya farklı tarayıcılarla test edilmedi. Yine de bir kavram kanıtı sunuyor: dişlerimizin çevresindeki kemiklerdeki ince desenler, beyne kan sağlayan boyun arterlerinde olup biteni yansıtıyor gibi görünüyor. Doğrulanıp iyileştirildiği takdirde, bu tür modeller ağız sağlığını daha yakından genel kardiyovasküler taramayla bağlayabilir ve dişçi ziyaretini sadece gülüşümüzü değil aynı zamanda beynimizi ve kalbimizi koruma fırsatına dönüştürebilir.

Atıf: Zhang, M., Cai, J., Cao, Q. et al. Radiomic features and carotid stenosis in periodontitis a two stage bootstrap and multimodal machine learning study. Sci Rep 16, 8177 (2026). https://doi.org/10.1038/s41598-026-38463-1

Anahtar kelimeler: periodontitis, karotis aterosklerozu, radyomik, makine öğrenmesi, erken inme riski