Derin öğrenme modeliyle halluks valgus açılarının otomatik ölçümü: doğrulama ve farklı deneyim düzeylerindeki cerrahlarla karşılaştırma

Niçin bunyon bakımı akıllı otomasyona hazır

Bunyonlar—başparmağın tabanındaki ağrılı kabarıklıklar—son derece yaygındır ve nasıl tedavi edileceğine karar vermek genellikle ayak röntgenlerindeki açıların dikkatle ölçülmesine dayanır. Bugün bu ölçümler elle yapılıyor, her görüntü için birkaç dakika sürüyor ve doktorlar arasında değişkenlik gösteriyor. Bu çalışma, yapay zekanın modern bir formunun bu sıkıcı görevi devralıp cerrah düzeyinde doğruluğu saniyenin kesirlerinde sağlayıp daha tutarlı, erişilebilir bunyon bakımının yolunu açıp açamayacağını araştırıyor.

Günlük dille problemi anlamak

Halluks valgus, halk arasında bilinen adıyla bunyon, başparmağın dışa doğru kayması ve ayağın birinci uzun kemiğinin içe doğru kaymasıyla ortaya çıkar; bu da kemiksi bir çıkıntı ve genellikle ağrı yaratır. Cerrahlar, ameliyat gerekip gerekmediğine ve hangi prosedürün seçileceğine karar verirken ağırlık taşıyan röntgenlerde ölçülen iki açıya güvenirler—başparmak ile onun uzun kemiği arasındaki halluks valgus açısı ve birinci ile ikinci metatars arasında ölçülen intermetatarsal açı. Bu açıları elle çizmek yavaştır ve uzmanlar bile özellikle hafif veya sınırda olan vakalarda birbirleriyle ya da kendi önceki ölçümleriyle çelişebilir. Bu açıları hızlı ve tutarlı şekilde ölçebilen bir araç, yoğun kliniklerde ve büyük araştırma çalışmalarında değerli olurdu.

Bilgisayarın ayak röntgenini okumayı nasıl öğrendiği

Araştırma ekibi, bir uzmanın röntgende kemik çizgilerini izleyişini taklit edecek şekilde tasarlanmış bir derin öğrenme sistemi geliştirdi. Önce, özel bir görüntü analizi ağı otomatik olarak üç kilit kemiği—başparmak kemiği ile birinci ve ikinci metatarsları—çizer. Bu sınırlandırmalardan sistem, her kemiğin üzerinden geçen düz bir orta hat hesaplar; bu, cerrahın görüntüye cetvel koyduğunda hayal edeceği çizgiye benzer. Bu çizgiler belirlendikten sonra, basit geometri bunyon değerlendirmesi için önemli olan iki açıyı hesaplamak için kullanılır. Model, hem bunyonlu hastaları hem de normal görünen ayakları içeren 2.400’den fazla ayakta çekilmiş röntgen üzerinde eğitildi ve ayaktaki günlük uygulamada görülen şekil çeşitliliğinin tamamıyla karşılaşması sağlandı.

Sistemi cerrahlarla karşılaştırma

Otomatik ölçümlerin uzman yargısıyla ne kadar uyuştuğunu test etmek için yazarlar modeli sırasıyla üç ve yedi yıllık deneyime sahip iki ayak‑ayak bileği cerrahıyla karşılaştırdı. Her iki cerrah da yüzlerce röntgende zahmetle kemik çizgilerini işaretledi ve kıdemli bir cerrah onların çalışmalarını inceleyerek bir referans standardı oluşturdu. Çalışma yalnızca her yöntemin bu referansla ne kadar yakın olduğunu değil, aynı zamanda ölçümlerin klinik olarak kabul edilemeyecek kadar ne sıklıkla sapma gösterdiğini de değerlendirdi. Bilgisayar, başparmak açısında cerrahlarla eşit performans gösterdi ve birinci iki metatars arasındaki açıda, özellikle normal veya sınırdaki ayaklarda—insan okuyucuların daha çok anlaşmazlık yaşadığı durumlarda—her iki cerrahtan daha az büyük hata üretti.

Hız, tutarlılık ve başarısız olduğunda ne olduğu

Doğruluğun ötesinde, otomatik sistemin en çarpıcı avantajı hızdı: sıradan bir bilgisayarda her röntgeni yaklaşık sekizde bir saniyede ölçtü; oysa insan okuyucunun dikkatli çalışması neredeyse iki‑üç dakika sürüyor. Bu verimlilik, hastane görüntüleme sistemleri içinde veya hatta taşınabilir cihazlarda anında, standartlaştırılmış ölçümlere kapı açıyor. Yazarlar ayrıca modelin yanlış yaptığı durumları incelediler; örneğin üst üste binen kemiklerin yazılımı yanlış çizgi çizmeye yönlendirdiği düşük kaliteli görüntüler gibi. Gelecekteki sürümlerin daha zorlu röntgenlerle eğitilebileceğini ve şüpheli sonuçları sessizce hatalı bir açı bildirmek yerine insan incelemesi için işaretleyecek basit dahili kontrollerle donatılabileceğini öneriyorlar.

Bu, bunyonlu kişiler için ne anlama geliyor

Günlük ifadeyle, bu çalışma dikkatle eğitilmiş bir bilgisayar programının ayak röntgenlerindeki bunyonla ilişkili açıları deneyimli cerrahlar kadar doğru ve çok daha hızlı ölçebileceğini, ciddi hataların ise nispeten nadir kaldığını gösteriyor. Model hafif ve kamuya açık olduğu için diğer hastaneler ve araştırmacılar onu test edebilir, iyileştirebilir ve rutin bakıma entegre edebilir. Gelecekte çok merkezli çalışmalar bu sonuçları doğruluyorsa, hastalar bunyonlarının daha nesnel ve tekrarlanabilir değerlendirmelerinden fayda sağlayabilir; bu da cerrahi kararların daha net olmasına ve zaman içinde daha tutarlı takiplere yol açabilir.

Atıf: Wang, Q., Wang, JH., Ji, DD. et al. Automated measurement of hallux valgus angles using a deep learning model: validation and comparison with surgeons of varying expertise. Sci Rep 16, 12280 (2026). https://doi.org/10.1038/s41598-026-42100-2

Anahtar kelimeler: halluks valgus, bunyon cerrahisi, ayak radyografisi, derin öğrenme, tıbbi görüntü analizi