Derin özellik mühendisliği kullanarak lateral ayak röntgenlerinden kalkaneal dikeni tespiti

Neden ağrılı topuklar ve akıllı bilgisayarlar önemli

Topuk ağrısı, insanların ortopedi kliniklerine başvurmasının en yaygın nedenlerinden biridir ve çoğu durumda her adımı rahatsız edici hale getirir. Sık rastlanan bir neden, kalkaneal dikeni olarak adlandırılan ve genellikle standart yan ayak röntgenlerinde görülen küçük bir topuk kemiği çıkıntısıdır. Bu görüntülerin okunması özellikle hastalığın erken dönemlerinde şaşırtıcı şekilde zordur ve her hastanede uzman radyolog bulunmayabilir. Bu çalışma, sıradan röntgenlerde, sınırlı sayıda görüntü mevcut olsa bile, bu dikeni güvenilir şekilde tespit edebilen sadeleştirilmiş bir bilgisayar yöntemi sunuyor; bu da doktorlar ve hastalar için daha hızlı, daha tutarlı destek sağlayabilir.

Topuk dikenleri nedir ve neden görmek zordur

Kalkaneal dikenler, ayağın altındaki güçlü doku bandı olan plantar fasyanın topuk kemiğine bağlandığı yerde oluşur. Yaş, fazla kilo, uzun süre ayakta durma ve tekrarlayan küçük yaralanmalar bunların gelişme olasılığını artırır. Doktorlar genellikle değerlendirmeye hızlı, ucuz ve yaygın olarak erişilebilir olduğu için basit bir lateral ayak röntgeni ile başlar. Sorun şu ki, erken dönem dikenler normal topuk şekilleriyle çok benzer görünebilir ve görüntü kalitesi veya ayağın hafif pozisyon değişiklikleri dikene benzeyen gölgeler oluşturabilir. Farklı radyologlar aynı röntgeni farklı yorumlayabilir; işte burada bilgisayar destekli sistemler ikinci bir görüş sunabilir.

Birkaç örnekle bilgisayarlara öğretmenin yeni bir yolu

Derin öğrenme olarak bilinen modern yapay zeka sistemleri tıbbi görüntü analizini dönüştürdü, ancak genellikle iyi çalışmaları için binlerce etiketli görüntü ve güçlü grafik işlemcilere ihtiyaç duyarlar. Gerçek kliniklerde, özellikle topuk dikenleri gibi spesifik durumlar için, yalnızca birkaç yüz iyi düzenlenmiş görüntü bulunabilir ve hesaplama kaynakları sınırlı olabilir. Yazarlar bu zorluğu derin özellik mühendisliği olarak adlandırdıkları yaklaşımla ele alıyor: tek bir çok büyük modeli baştan sona eğitmek yerine 19 mevcut görüntü tanıma ağından gelen bilgiyi yeniden kullanıyor ve her birinin öğrendiklerini özenle seçip birleştiriyorlar. Bu strateji, zengin görsel ipuçlarını yakalamayı hedeflerken sistemin günlük kullanım için yeterince hafif kalmasını sağlar.

Çok aşamalı sistem nasıl çalışıyor

Ekip, tek bir hastaneden anonimleştirilmiş 775 lateral ayak röntgeni topladı; bunlardan 316'sında diken yokken 459'unda kalkaneal diken olduğu iki deneyimli klinisyen tarafından uzlaşıldı. Her görüntü yeniden boyutlandırıldı ama aksi halde bütün ayak—sadece kırpılmış bir bölge değil—analiz edilecek şekilde korunarak bırakıldı. İlk olarak, her görüntü 19 farklı önceden eğitilmiş sinir ağına gönderildi; bu ağların her biri orijinalde büyük, genel amaçlı bir görüntü veritabanında eğitilmişti. Her ağdan araştırmacılar, o ağın topuk bölgesini “nasıl gördüğünü” özetleyen sayısal bir parmak izi veya özellik kümesi çıkardı. Sonra, yineleyici bir seçim yöntemi kullanarak her büyük parmak izini, en bilgilendirici özelliklerden oluşan daha küçük bir alt kümeye kırptılar; gereksiz veya gürültülü ölçümleri atarak dikeni olan ile olmayanı ayırt etmeye yardımcı olmayanları ellediler.

Birçok küçük oyu bir güçlü karara dönüştürmek

Daha ince özellik kümeleri hazır olduğunda, bunlar insanın sezgisine yakın basit bir sınıflandırıcı çeşidi olan k-en yakın komşuya beslendi; bu sınıflandırıcı yeni bir vakayı en benzer geçmiş örneklere bakarak değerlendirir. Yazarlar bu fikri bir topluluk (ensemble) haline genişletti: birçok farklı uzaklık ayarı ve komşu sayısı denendi ve ardından çok sayıda aday kararı birleştirmek için tekrarlı çoğunluk oylaması kullanıldı. Son bir açgözlü adım, çapraz doğrulama testlerinde en iyi performans gösteren bileşimi seçti. Genel olarak, çerçeve yüzde 93,42 doğruluk elde etti ve özellikle gerçek diken vakalarında yüksek duyarlılık gösterdi. Başka bir ifadeyle, tarama bağlamında daha güvenli bir denge olabilecek şekilde, normal bir topuğu kaçırmaktan ziyade bir dikeni gözden kaçırma olasılığı daha düşüktü.

Sonuçlar topuk ağrısının ötesinde ne anlama geliyor

Sistemin doğru bölgeye baktığından emin olmak için araştırmacılar ağların hangi bölgelere odaklandığını görselleştirdi ve dikenlerin oluşması beklenen topuğun alt kısmında güçlü bir dikkat tespit ettiler. Ayrıca birkaç ağı dikkatle birleştirmenin tek başına herhangi bir ağdan daha iyi olduğunu ve benzer kazançların yöntemin ayrı, daha karmaşık bir hücre-görüntü veri kümesine uygulandığında da ortaya çıktığını gösterdiler. Yöntem, bir grafik kart olmadan standart bir bilgisayarda çalıştığı ve dağıtımda yalnızca birkaç ağ kullandığı için, gerçekçi olarak hastane iş akışlarına arka plan asistanı olarak eklenebilir. Hastalar için bu uzman yargısını yerine koymaz, ancak yaygın röntgenlerin daha tutarlı okunması, dikenin olmadığı durumlarda daha hızlı güvence ve inatçı topuk ağrısını en iyi şekilde yönetmeye karar vermek zorunda olan doktorlara daha iyi destek anlamına gelebilir.

Atıf: Demir, S., Can, B., Goktas, O.F. et al. Calcaneal spur detection from lateral foot radiographs using deep feature engineering. Sci Rep 16, 14125 (2026). https://doi.org/10.1038/s41598-026-44671-6

Anahtar kelimeler: topuk ağrısı, röntgen görüntüleme, tıbbi yapay zeka, kemik dikeni, bilgisayar destekli tanı