Sınıflandırma stratejileri servikal vertebral olgunlaşma evrelemesini otomatikleştirmede iyileştirme sağlayabilir mi? Karşılaştırmalı bir çalışma

Büyüme atağının zamanlamasının neden önemi var

Diş teli veya çene düzeltmesi gereken çocuklar ve ergenler için vücudun doğal büyüme atağını doğru anda yakalamak, tedaviyi daha sorunsuz, daha kısa ve daha etkili hale getirebilir. Diş hekimleri genellikle rutin baş röntgenlerindeki omurga kemiklerine bakarak genç bir kişinin büyüme sürecinin hangi aşamada olduğunu tahmin eder. Ancak bu görsel değerlendirmeler tutarsız olabilir; farklı uzmanlar bazen farklı sonuçlara ulaşır. Bu çalışma, dikkatle tasarlanmış yapay zekâ (YZ) sistemlerinin bu röntgenleri daha tutarlı okuyup okuyamayacağını ve bu sistemleri en iyi nasıl eğiteceğimizi sorguluyor.

Boyun kemiklerinden büyümeyi okumak

Ortodontistler tedavi planlarken yalnızca dişlere bakmazlar. Ayrıca hastanın ne kadar daha büyüyeceğini bilmeye ihtiyaç duyarlar. Yaygın bir yöntem, başın yandan çekilmiş röntgeninde bulunan servikal vertebra adı verilen küçük boyun kemiklerini incelemektir. Çocuk erken büyümeden başlayıp pubertal büyüme atağına ve geç ergenliğe geçerken bu kemiklerin şekilleri ince bir şekilde değişir. Popüler bir sistem bu değişimi altı adıma böler, ancak bitişik adımlar arasındaki farklar o kadar ince olabilir ki deneyimli hekimler bile sıklıkla anlaşmazlığa düşer. Bu değişkenlik, bakımın standartlaştırılmasını ve büyüme atağına bağlı tedavilerin zamanlamasını güvenle yapmayı zorlaştırır.

Bilgisayara ince şekil değişikliklerini öğretmek

Araştırmacılar, bir hastaneden alınmış ortalama yaşı yaklaşık 13 olan hastalara ait 1.750 rutin ortodontik röntgen topladılar. İki onaylı ortodontist her görüntüyü bağımsız olarak altı büyüme evresinden birine atadı ve ardından anlaşmazlıkları birlikte çözüp güvenilir bir referans oluşturdu. Bir bilgisayar görüsü modeli önce görüntüdeki üç boyun vertebrasını içeren küçük bölgeyi bulup kırptı. Bu kırpılmış görüntüler daha sonra doğrudan çok sayıda örnekten desenleri öğrenen uzmanlaşmış YZ programları olan derin öğrenme sistemlerine verilerek büyüme evresi tahmin edildi.

Uzman ipuçları yardımcı oluyor mu yoksa engel mi?

Ekip iki ana eğitim fikrini karşılaştırdı. Birinde YZ uçtan uca öğreniyordu: yalnızca kırpılmış vertebra görüntülerini gördü ve altı büyüme evresini doğrudan öğrenmek üzere eğitildi. Diğerinde ise YZ önce vertebraların kenarları boyunca insan uzmanların kullandığı anahtar konumlar olan belirli işaret noktasını (landmark) bulacak şekilde eğitildi ve yalnızca sonrasında büyüme evresini sınıflandırmak için yeniden eğitildi; bu sırada işaret noktaları hakkında öğrendikleri yeniden kullanıldı. Şaşırtıcı bir şekilde, doğrudan uçtan uca yaklaşım daha iyi performans gösterdi. Doğru altı aşamalı kategoriyi yaklaşık üçte iki oranında doğru tanımladı ve hata yaptığında bu hatalar neredeyse her zaman komşu bir evreye denk geldi. İşaret noktasına dayalı sürümler, yeniden eğitim sırasında iç katmanları daha kapsamlı şekilde ayarlansa bile, bir türlü yetişemedi.

Daha geniş klinik kararlar için ince detay eğitimi

Günlük uygulamada ortodontistler genellikle altı aşamaya tümüyle ihtiyaç duymazlar. Bunun yerine pubertal büyüme atağından önce, sırasında ve sonrasında olmak üzere üç daha geniş fazla ilgilenirler. Bu nedenle araştırmacılar, bir modeli doğrudan bu üç grupta eğitmenin mi yoksa önce altı adımlı ölçeğe göre eğitip çıktıları daha sonra üçe birleştirmenin mi daha iyi olduğunu test etti. Her iki yaklaşım da yaklaşık %79 civarında benzer genel doğruluk elde etti, ancak daha ince olan altı adımla başlayan model klinisyenlerin güvendiği alt sınırlar ve kemik kenarlarının boşalması gibi belirli vertebra özelliklerine daha fazla dikkat etti. Yapay zekânın "baktığı" alanların görsel haritaları, bu anlamlı şekillere daha sıkı bir odak gösterirken doğrudan üç adımda eğitilmiş model dikkati daha geniş ve daha az ilgili bölgelere dağıttı.

Gelecekteki diş bakımına etkileri

Bu çalışma, YZ’nin rutin ortodontik röntgenlerden büyümeyi, insan uzmanların karşılaştığı doğal belirsizliğe benzer şekilde hatalarını çoğunlukla komşu evrelerle sınırlayarak derecelendirebileceğini öne sürüyor. Ayrıca bilgisayara önceden programlanmış anatomik ipuçları vermenin her zaman yardımcı olmadığını ve bu ipuçları son görevle uyuşmazsa hatta sistemi geriye çekebileceğini gösteriyor. Buna karşılık, klinikte yalnızca geniş kategorilere ihtiyaç duyulsa bile daha ayrıntılı büyüme evreleri üzerinde eğitim yapmak, uzmanların kullandığı aynı özelliklere bakan modeller ortaya çıkarabiliyor. Uzun vadede, böyle özenle eğitilmiş sistemler ortodontistlere tedaviyi daha tutarlı ve şeffaf zamanlamada destek sağlayabilir; her hastanın büyüme atağından daha iyi yararlanılmasını sağlayıp nihai kararları yine insanların elinde bırakabilir.

Atıf: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

Anahtar kelimeler: iskelet olgunluğu, ortodontik büyüme, derin öğrenme, tıbbi görüntüleme Yapay Zeka, servikal vertebralar