Diz osteoartritinin Al-Biruni Dünya Yarıçapı meta-sezgisel optimizatörü ve LSTM sınıflandırıcısına dayalı doğru sınıflandırması ve tahmini

Ağrıyan Dizler İçin Neden Önemli

Diz osteoartritine bağlı diz ağrısı yüz milyonlarca insanı etkiler ve zamanla eklem protezi gerektirebilir. Günümüzde doktorlar hâlâ röntgen görüntülerini yorumlamak için büyük ölçüde görülerine dayanıyor; bu durum erken hastalığı kaçırabilir ve bireysel değerlendirmelere bağlıdır. Bu çalışma, özenle tasarlanmış bir yapay zeka (YZ) sisteminin diz röntgenlerini çarpıcı bir doğrulukla okuyabileceğini göstererek, sorunları erken tespit etmek ve hastaların ciddi sakatlıktan kaçınmasına yardımcı olmak için daha hızlı ve daha tutarlı bir yol sunuyor.

Dizdeki Aşınma ve Yıpranmayı Anlamak

Diz osteoartriti, eklemi yastıklayan pürüzsüz kıkırdağın uzun süreli bozulması ve ardından alttaki kemikte değişikliklerle karakterizedir. Özellikle yaşlı erişkinlerde, menopoz sonrası kadınlarda ve obezite veya önceki diz yaralanmaları olan kişilerde yaygındır. Birçok hasta, hasar zaten ileri düzeye ulaşmışken, ağrı ve sertlik günlük işleri zorlaştırdığında teşhis edilir ve eklem protezi tek seçenek olabilir. Semptomlar, fizik muayene ve röntgen veya MRG görüntülerinin görsel incelemesini birleştiren mevcut yöntemler kusurludur ve genellikle hastalığı nispeten geç evrelerde tespit eder.

YZ Diz Röntgenlerini Nasıl Öğrenir

Araştırmacılar, ham diz röntgenlerini alıp bunları kademeli olarak basit bir karara dönüştüren çok adımlı bir YZ iş akışı oluşturdu: osteoartrit mi yoksa normal mi. Önce, her röntgenden otomatik olarak görsel desenler çıkarmak için AlexNet, VGG19 ve GoogleNet gibi büyük, önceden eğitilmiş görüntü tanıma ağları kullanıldı. Bu ağlar, günlük fotoğraflar üzerinde eğitilmiş olmalarına rağmen eklem aralığı daralması ve gözle zor ölçülebilen küçük kemik çıkıntıları gibi ince şekil ve doku özelliklerini tanıyabilir. Bu seçenekler arasında, GoogleNet hastalıklı dizleri sağlıklılardan ayırmada en bilgilendirici görüntü özelliklerini üretti.

En Anlatıcı İpuçlarını Seçtirmek İçin Akıllı Bir Filtreye Bırakmak

Modern görüntü ağları tek bir resimden binlerce sayısal özellik üretebilir, ancak bunların hepsi faydalı değildir. Hepsini bir sınıflandırıcıya vermek gürültü ekleyebilir, hesaplamayı yavaşlatabilir ve hatta doğruluğu azaltabilir. Bunu çözmek için yazarlar ikili biçimde Al-Biruni Dünya Yarıçapı (BER) optimizatörü adı verilen bir arama stratejisi kullandı. Bu algoritma, sürekli olarak çabalarını “çözüm uzayı”nın yeni bölgelerini taramak ile umut vadedenleri iyileştirmek arasında bölen dijital bir kâşif sürüsü gibi davranır. Burada her kâşif, görüntü özelliklerinin farklı bir alt kümesini temsil eder. Birçok tur boyunca algoritma, hangi özellik kombinasyonlarının normal ile osteoartritik dizleri en iyi şekilde ayırdığını öğrenir ve gereksiz ya da faydasız bilgileri eler.

Özellikleri Zaman Benzeri Adımlarla Teşhise Dönüştürmek

En ilgili özellikler seçildikten sonra uzun-kısa süreli bellek (LSTM) olarak bilinen bir sinir ağı türüne verilir. LSTM'ler genellikle zaman serileri için kullanılsa da, bu çalışmada özellik değerleri bir dizi gibi düzenlenir. LSTM bu sıralı listeyi adım adım işler ve her aşamada hangi bilgiyi tutacağına ve hangisini unutacağına karar verir. Etkide, her bir sayıyı ayrı ayrı görmek yerine özellikler arasındaki daha yüksek düzey ilişkileri yakalayan güçlü bir filtre görevi görür. BER optimizatörü daha sonra LSTM'nin öğrenme hızı, karmaşıklığı ve yeni röntgenlere genelleme yeteneği arasında denge kurmak için iç ayarları ince ayar yapmak üzere ikinci kez kullanılır.

Sistem Ne Kadar İyi Performans Gösteriyor?

Yazarlar sistemlerini halk veri kümesinden alınmış 3.835 etiketli diz röntgeni üzerinde eğitip test ettiler; veriler eğitim, doğrulama ve son test için ayrı gruplara ayrıldı. Çok katmanlı algılayıcı ağlar ve parçacık sürüsü ile Harris şahinleri optimizasyonu gibi farklı arama yöntemleriyle yönlendirilen LSTM'ler de dahil olmak üzere çeşitli optimizatör ve sınıflandırıcı kombinasyonlarını karşılaştırdılar. Kazanan tasarım—ikili BER yöntemiyle filtrelenen GoogleNet özellikleri ve BER ile ayarlanmış bir LSTM tarafından sınıflandırılan—test kümesinde yaklaşık %99,5 doğruluk elde etti. Ayrıca çok yüksek duyarlılık ve özgüllük gösterdi; yani nadiren hastalıklı dizleri kaçırdı ve sağlıklı olanları yanlış sınıflandırma oranı düşüktü. İstatistiksel testler (ANOVA ve Wilcoxon işaretli sıralama) bu kazanımların şans eserine olmadığını doğruladı.

Hız, Verimlilik ve Güvenilirlik

Doğruluğun ötesinde ekip hesaplama maliyeti ve sağlamlığı analiz etti. Her optimizasyon yönteminin ne kadar işlem gücü, bellek ve zaman gerektirdiğini ölçtüler. BER tabanlı yaklaşım, daha az kaynak kullanırken ve diğer tekniklere göre daha hızlı yakınsarken en üst düzey performansa ulaştı. Model ayrıca normal ve osteoartritik görüntüler arasındaki doğal dengesizliği iyi yönetti: dengelenmiş doğruluğu genel doğruluğuna neredeyse eşitti, bu da modelin sadece daha yaygın sınıfı tercih etmediğini gösterdi. Tekrarlı koşular, güven aralıkları ve hata görsel tanılarının ek kontrolleri, sistemin davranışının istikrarlı ve tekrarlanabilir olduğunu gösterdi.

Bu Hastalar İçin Ne Anlama Gelebilir

Basitçe söylemek gerekirse, bu çalışma bir YZ sisteminin standart diz röntgenlerini inceleyip osteoartrit varlığını çok az hata ile tespit edebileceğini gösteriyor. Görüntü ayrıntılarından hangilerine güvenileceğini akıllıca seçerek ve karar verme adımlarını dikkatle ayarlayarak yöntem alandaki birçok mevcut YZ yaklaşımından daha iyi performans sergiliyor. Çalışma tek bir veri kümesine dayanıyor ve hastaneler, yaş grupları ve görüntüleme cihazları arasında test edilmesi gerekiyor olsa da, bu yöntem doktorların erken eklem hasarını hızla işaretleyebileceği, daha erken müdahaleye yardımcı olabileceği ve potansiyel olarak diz protezini erteleyebileceği gelecekteki kliniklere işaret ediyor.

Atıf: Diab, A.G., El-Kenawy, ES.M., Areed, N.F.F. et al. Accurate classification and prediction of knee osteoarthritis based on Al-Biruni Earth Radius metaheuristic optimizer and LSTM classifier. Sci Rep 16, 13013 (2026). https://doi.org/10.1038/s41598-026-46131-7

Anahtar kelimeler: diz osteoartriti, tıbbi görüntüleme yapay zekası, derin öğrenme, röntgen analizi, meta-sezgisel optimizasyon