Derin öğrenme tabanlı otomatik nokta tanımlaması kullanılarak CBCT üzerinde sefalometrik analizlerin klinik doğruluğu: Sınıf I ve Sınıf II maloklüzyonları

Gülüşünüz için daha akıllı taramalar neden önemli

Ortodontistler tel takımı veya çene ameliyatı planlarken kemiklerin, dişlerin ve yüz profilinin hassas ölçümlerine güvenirler. Geleneksel olarak uzmanlar bu noktaları röntgen benzeri görüntüler üzerinde elle izler; bu görev yavaş ve insan kaynaklı değişkenliğe açıktır. Bu çalışma, gerçek dünyada etkisi olan basit ama önemli bir soruyu soruyor: Bir yapay zeka sistemi modern 3B taramalarda bu ölçüm işini doğru şekilde devralabilir mi ve eğer alabiliyorsa diş hekimleri tedavi planlarken çıktılara ne kadar güvenebilir?

Düz resimlerden 3B baş haritalarına

On yıllar boyunca ortodontistler çene pozisyonu ve diş açısını ölçmek için düz, iki boyutlu görüntüler kullandılar. Bu görüntüler 3B bir başı tek bir düzleme sıkıştırır; bu da ince sorunları gizleyebilir ve mesafeleri çarpıtabilir. Konik ışınlı bilgisayarlı tomografi (CBCT) klinisyenlerin yüzü ve çeneleri üç boyutta görmesini sağlasa da, 3B uzayda onlarca anahtar noktayı dikkatle işaretlemek zaman alıcıdır ve önemli eğitim gerektirir. Derin öğrenme ile güçlendirilmiş otomatik sistemler bu noktalardan—landmarklardan—birkaç milimetrenin kesirleri düzeyinde yerleştirme vaat ederek zaman kazandırabilir ve bakımda standardizasyon sağlayabilir.

Bir yapay zeka ölçüm aracını teste koymak

Araştırma ekibi, zaten yaklaşık 500 CBCT taraması üzerinde eğitilmiş gelişmiş bir derin öğrenme modelinin üzerine inşa etti. Algoritma, 3B’de önemli 40 kemiksel, dental ve yumuşak doku landmarkını tespit edecek şekilde tasarlanmıştı. Bu çalışma için yazarlar, iskeletik Sınıf I ve Sınıf II maloklüzyonları olarak bilinen yaygın kapanış tiplerine sahip hastalardan seçilmiş 75 yeni CBCT taraması seçti. Deneyimli ortodontistler bu taramalarda landmarkları elle işaretledi; bunlar “gerçek veri” (ground truth) olarak kullanıldı. Yapay zeka aynı taramaları analiz etti ve özel bir yazılım platformu her iki landmark dizisini ortodontistlerin tanı ve tedavi planlamada gerçekten kullandığı 71 pratik ölçüme—uzunluklar, açılar ve oranlar—dönüştürdü.

Klinikte ne kadar yakın yeterince yakın sayılır?

Yapay zekanın performansını değerlendirmek için araştırmacılar onun ölçümlerini uzmanlarınkilerle birkaç istatistiksel araç kullanarak karşılaştırdı. Karşılık gelen landmarklar arasındaki ortalama mesafeye, yani ortalama radyal hataya ve yapay zekanın uzman işaretlerine ne sıklıkla iki milimetre içinde denk geldiğine baktılar. Genel olarak yapay zekanın landmarkları uzmanların noktalarından ortalama yaklaşık 1,7 milimetre uzaktaydı ve %60’tan fazlası en sıkı iki milimetrelik aralık içinde kaldı. Bu landmarklar gerçek klinik ölçümlere çevrildiğinde, 71 ölçümün yalnızca 9’u istatistiksel olarak anlamlı farklılık gösterdi—üstelik bu farklılıklar bile küçüktü, bir milimetreden veya bir dereceden az; ortodontistler pratikte genellikle önemsiz sayılan bir aralık.

Robot cetvelin hâlâ zorlandığı yerler

Hikâye basit ortalamaların ötesine geçildiğinde daha nüanslı hale geliyor. Sadece tipik farkı değil, farkların yayılımını da değerlendiren yöntemler kullanıldığında ekip, yapay zekâ temelli tüm ölçümlerin neredeyse %60’ının artı/eksi iki milimetre veya derece içinde klinik olarak kabul edilebilir bantta rahatça kaldığını buldu. Doğrusal uzaklıklar—örneğin bir çene segmentinin uzunluğu—altyapı landmarkları iki milimetreden daha iyi bir doğrulukla belirlendiğinde özellikle güvenilirdi. Ancak açısal ölçümler, küçük pozisyon hatalarının yönüne güçlü biçimde bağlı oldukları için daha hassas çıktı. Gonion (çene kemiğinin arka köşesi) veya gelişmekte olan kesici kök uçları gibi anatomik sınırları bulanık olan bazı landmarklarda, yapay zekanın yönsel hataları ortalama mesafe hatası kabul edilebilir görünse bile açıları kayda değer şekilde etkileyebiliyordu.

İnsanlarla algoritmalar arasında bir ortaklık

Hastalar ve klinisyenler için çıkartılacak temel sonuç, iyi tasarlanmış bir yapay zekanın 3B ortodontik ölçümlerde zaten işin büyük kısmını omuzlayabileceği; çoğu klinik açıdan önemli mesafe ve birçok açı için uzman çalışmasıyla yakından eşleşen sonuçlar verebileceğidir. Aynı zamanda çalışma, tek bir ortalama landmark hatası skorunun güvenilir ölçümleri garanti etmek için yeterli olmadığını; özellikle açılar ve bulanık ya da değişken anatomiye sahip bölgelerdeki landmarklar için bunun geçerli olduğunu gösteriyor. Yazarlar, otomatik 3B sefalometrik analizin güçlü bir yardımcı olarak günlük bakımda kullanılmaya hazır olduğunu—ancak insan gözetimiyle birlikte—sonucuna varıyor. Birkaç hassas landmarkın kısa bir manuel kontrolü ve ince ayarı sistemi güvenilir bir ortak haline getirebilir; böylece ortodontistlerin sıkıcı ölçüm işlerine daha az zaman ayırırken daha güvenli, daha hassas tedaviler planlamasına yardımcı olur.

Atıf: Jiang, Y., AL-Mohana, R.A.A.M., Jiang, C. et al. Clinical accuracy of cephalometric analysis using deep learning–based automated landmark identification on CBCT in class I and class II malocclusions. Sci Rep 16, 10283 (2026). https://doi.org/10.1038/s41598-026-41408-3

Anahtar kelimeler: ortodontik görüntüleme, 3B diş taramaları, yapay zeka, otomatik ölçümler, CBCT