3B konvolüsyonel sinir ağı kullanarak BT görüntülerinde sakroiliitın otomatik puanlanması ve tanısı: çok merkezli retrospektif çalışma

Sırt ağrısı ve eklem sağlığı için bunun önemi

Erken erişkinlik döneminde başlayan ve yavaşça kötüleşen bel ağrısı bazen omurganın kronik bir artriti olan ankilozan spondiliti işaret edebilir. Hekimler hasarı erken saptamak ve tedaviyi yönlendirmek için omurganın pelvisle buluştuğu sakroiliak eklemlerin ayrıntılı görüntülerine güvenirler. Ancak bu görüntüleri okumak zor olabilir ve farklı uzmanlar arasında görüş ayrılıkları çıkabilir. Bu çalışma, modern bir yapay zekâ yaklaşımının bu eklemlerin BT taramalarını tutarlı biçimde öğrenip öğrenemeyeceğini, böylece ciddi hastalığı daha erken yakalamaya ve yoğun klinik ortamlarda hekimlere destek olmaya yardımcı olup olmayacağını araştırıyor.

Omurganın tabanındaki gizli eklemler

Sakroiliak eklemler pelvisin derininde yer alır ve üst vücudun ağırlığını bacaklara aktarır. Ankilozan spondilitte uzun süreli inflamasyon bu eklemleri zamanla aşındırabilir ve sonunda bunları katı kemiğe dönüştürecek şekilde kaynaştırabilir; bu durum ağrı, sertlik ve hareket azalmasına yol açar. Hekimler hasarı normalden tamamen kaynaşmışa kadar beş kademeli bir ölçekle derecelendirir. Bazı dereceler teşhisi doğrular ve tedavi kararlarını belirler. Ancak standart röntgenlerde erken değişiklikler ince olur ve deneyimli radyologlar bile hangi derece verileceği konusunda sıklıkla görüş ayrılığı yaşar. BT taramaları kemik ayrıntılarını çok daha net gösterse de binlerce taramayı sistematik olarak derecelendirmek zaman alıcıdır ve birçok hastanede uzman okuyucular eksiktir.

Bilgisayara radyologların gördüğünü öğretmek

Araştırmacılar, titiz bir uzmanın bir BT taramasına yaklaşımını taklit eden ancak üç boyutlu ve yüksek hızda çalışan otomatik bir sistem geliştirdiler. Önce bir segmentasyon modeli taramadaki pelvic kemikleri diğer dokulardan izole ederek analizi ilgili bölgeye odaklıyor. Ardından 3B DenseNet adlı derin öğrenme mimarisine dayanan ikinci bir model kemik yapılarını dilim dilim inceliyor ve bir derece atıyor. Ekip bu sistemi sağlıklı bireyler ve ankilozan spondilit şüphesi olan hastalar da dahil olmak üzere 2.144 kişinin BT taramalarıyla eğitti. Üç radyolog her taramayı uluslararası kriterlere göre derecelendirdi ve çıkan anlaşmazlıklar kıdemli bir uzman tarafından çözüldü; bunun sonucunda yapay zekâ için titiz bir "öğretim seti" oluştu.

Yapay zekânın eklem hasarını ne kadar iyi tanıdığı

Yapay zekâdan eklem hasarının beş geleneksel derecesini ayırt etmesi istendiğinde, performansı genel olarak güçlü oldu ve en ileri hastalık için mükemmele yakındı. Normal eklemleri ve tamamen kaynaşmış eklemleri diğerlerinden ayırma yeteneği özellikle yüksekti; bu, iyi eğitimli insan okuyuculardan beklenene benzerdi. Sistem, en erken görülebilir hasarı çok hafif değişiklikten ayırt etmede biraz daha az kesin davranıyordu—doktorların kendilerinin en sık anlaşmazlık yaşadığı aralık tam da burasıdır, çünkü belirtiler birbirine karışır. Günlük klinik karar verme süreçlerine daha iyi uyum sağlamak için ekip ayrıca beş dereceyi üç daha geniş kategoriye topladı: normal veya şüpheli, belirgin yapısal hasar ve ileri düzey kaynaşma. Bu basitleştirilmiş düzende yapay zekâ daha da güvenilir ve kararlı hale geldi.

Tek bir hastanenin ötesinde işe yaradığını kanıtlamak

Herhangi bir yapay zekâ aracının önemli bir sorusu, yalnızca geliştirildiği yerde mi yoksa farklı tarayıcılar ve hasta popülasyonlarına sahip diğer hastanelerde de iyi çalışıp çalışmadığıdır. Bunu test etmek için araştırmacılar üç kategorili modellerini eğitimde kullanılmayan iki ek merkezden gelen BT taramalarında değerlendirdiler. Sistem yüksek doğruluk ve güvenini korudu; yapısal hasarı olmayanları açık hastalığı olanlardan doğru ayırdı ve ileri düzey kaynaşma vakalarının çoğunu doğru belirledi. Görselleştirme teknikleri modelin dikkati insanın bakacağı yer olan sakroiliak eklemlere yoğunlaştırdığını gösterdi; alakasız anatomik yapılara değil—bu da klinisyenlerin kararlara güvenini artırdı.

Radyologların yanında çalışmak, onları yerine geçirmek değil

Ekip ayrıca radyologların taramaları derecelendirirken yapay zekânın önerilerini kullandıklarında ne olduğunu da inceledi. İki deneyimli okuyucu önce görüntüleri kendi başlarına puanladı, ardından aynı vakaları model çıktısıyla birlikte gözden geçirdiler. Bu dijital ikinci görüş ile her iki radyologun doğruluğu yaklaşık 7–8 puan arttı ve aralarındaki uyum belirgin şekilde yükseldi. Yapay zekâ tüm belirsizliği ortadan kaldırmadı, özellikle sınırda kalan erken vakalarda, ancak anlaşmazlığı azalttı ve özellikle daha ileri hasarı tanımada tutarlı destek sağladı.

Hastalar ve gelecekteki bakım için anlamı

Pratik açıdan bu çalışma, iyi tasarlanmış bir 3B derin öğrenme sisteminin BT taramalarında sakroiliak eklem hasarını uzman okuyucularla rekabet edecek düzeyde tutarlılıkla otomatik olarak derecelendirebileceğini gösteriyor. Bir yardımcı olarak kullanıldığında yerine geçirilmekten ziyade ciddi yapısal değişiklikleri daha erken yakalamaya, teşhisleri hastaneler arasında standartlaştırmaya ve radyologları en karmaşık vakalara odaklanmaları için serbest bırakmaya yardımcı olabilir. Yazarlar, BT’nin hasarı yalnızca kalıcı hâle geldikten sonra gösterdiğini, dolayısıyla en erken hastalığı saptamada manyetik rezonans görüntüleme (MR) ve klinik değerlendirme hâlâ önemli olduğunu vurguluyor. Yine de daha geniş bir araç setinin parçası olarak bu yapay zekâ destekli yaklaşım, ankilozan spondilit riski taşıyan kişiler için daha nesnel, tekrarlanabilir bakım yönünde umut verici bir adım sunuyor.

Atıf: Du, Yk., Liu, R., Guo, H. et al. Automated grading and diagnosis of sacroiliitis on CT images using a 3D convolutional neural network: a multicenter retrospective study. Sci Rep 16, 14099 (2026). https://doi.org/10.1038/s41598-026-44911-9

Anahtar kelimeler: ankilozan spondilit, sakroiliit, BT görüntüleme, derin öğrenme, radyoloji yapay zekâsı