KAYAKLA KAYAK YAPARKEN ERGENLERDE KİDNEYİ DERİN ÖĞRENME İLE GÖRÜNTÜLEYEN MANYETİK REZONANS TANISI

Genç kayakçılar için diz taramalarının önemi

Kayak, ergenler arasında giderek popülerleşiyor, ancak performansı ve uzun vadeli eklem sağlığını etkileyebilen gerçek bir diz yaralanması riski de beraberinde getiriyor. Doktorlar dizin içini görmek için manyetik rezonans görüntülemeye (MRI) güvenirler, ancak küçük yırtıklar ve erken kıkırdak hasarı gözle okunan taramalarda kolayca kaçabilir. Bu çalışma, yapay zekâ sisteminin ergen kayakçıların diz MRI görüntülerini radyologların daha hızlı ve tutarlı şekilde okumasına nasıl yardımcı olabileceğini, ilerlemeden önce ince sorunları yakalayabileceğini araştırıyor.

Kayak genç dizlere nasıl yük bindirir

Ergen kayakçılar, özellikle ön çapraz bağ (ACL) ve menisküs yırtıkları, kıkırdak hasarı ve medial kollateral bağ gerilmeleri olmak üzere yüksek oranda diz sorunlarıyla karşı karşıyadır. Bu yaralanmalar antrenmanları kesintiye uğratabilir, gelecekteki osteoartrit riskini artırabilir ve spor kariyerlerini kısaltabilir. Aynı zamanda ergenler sadece küçük yetişkinler değildir; kemikleri ve kıkırdakları hâlâ gelişmektedir, dolayısıyla yaralanmalar görüntülerde farklı görünür ve olgun sporculardan farklı yerlerde meydana gelebilir. Buna rağmen, diz MRI okumak için geliştirilen bilgisayar araçlarının çoğu erişkin görüntüleri üzerinde eğitildiği için genç sporculara yönelik desteğin bir boşluğu bulunmaktadır.

Gözle tarama okumanın sınırlamaları

Standart MRI tanısı büyük ölçüde radyoloğun beceri ve deneyimine dayanır. Diz görüntülerinin dilim dilim okunması yavaş ve yorucudur ve kıkırdaktaki küçük kusurlar veya kısmi bağ yırtıkları gözden kaçabilir. Farklı doktorlar aynı taramayı farklı değerlendirebilir, bu da tedavi kararlarını karmaşıklaştırabilir. Önceki bilgisayar yöntemleri basit görüntü özelliklerini ölçüp klasik algoritmalara besleyerek yardımcı olmaya çalıştı, ancak normal ergen anatomisini erken yaralanmadan ayırmak için gereken zengin örüntüleri yakalamakta zorlandılar.

Hem bulup hem adlandıran akıllı bir model

Araştırmacılar iki görevi aynı anda gerçekleştiren hibrit bir derin öğrenme sistemi geliştirdiler: önce MRI üzerinde hasarlı bölgeyi tam olarak çizer, ardından hangi yaralanma türlerinin mevcut olduğunu belirler. Modelin bir bölümü olan U Net++, dört tür hasarı piksel düzeyinde izleyen dijital bir vurgulayıcı gibi çalışır: ön çapraz bağ yırtıkları, menisküs yırtıkları, kıkırdak yaralanması ve medial kollateral bağ gerilmesi. Tasarımı, görüntü ayrıntılarını çoklu ölçeklerde yeniden kullanmasına ve eğitim sırasında ek rehberlik almasına olanak verir; bu, özellikle küçük veya soluk lezyonlar için faydalıdır. İkinci bölüm olan DenseNet121 tabanlı ağ ise hem orijinal taramayı hem de vurgulanmış hasar bölgelerini alır, bunlar arasındaki örüntüleri öğrenir ve her dizde hangi yaralanmaların bulunduğunu çıktılar.

Genç kayakçılardan gerçek MRI görüntüleri üzerinde test

Ekip sistemi 12–18 yaş arası ergen kayakçılara ait 309 diz MRI olgusu üzerinde eğitti ve değerlendirdi. Deneyimli radyologlar hasarlı bölgeleri dikkatle çizip nihai etiketlerde uzlaşarak modele yüksek kaliteli bir referans sağladılar. Görüntüler birkaç yaygın MRI dizisini kapsıyor ve boyut olarak standartlaştırıldı. Eğitim sırasında sistem, gerçek dünya varyasyonlarıyla başa çıkmasına yardımcı olmak için her taramanın küçük döndürmeler ve parlaklık değişimleri gibi birçok hafifçe değiştirilmiş versiyonunu gördü. Araştırmacılar yaklaşımlarını el ile oluşturulmuş özelliklere dayalı geleneksel makine öğrenimi, popüler bir derin öğrenme ağı olan ResNet50 ve ayrı segmentasyon ve sınıflandırma modellerinin daha basit bir birleşimiyle karşılaştırdılar.

Sistemin performansı nasıldı

Hibrit model hem hasarlı bölgeleri çizmede hem de yaralanmaları tanımada belirgin kazanımlar gösterdi. Ortalama olarak segmentasyonu radyologların çizimleriyle yakından eşleşti, özellikle menisküs yırtıkları ve bağ yaralanmaları için, ve standart bir U Net’e kıyasla kıkırdak haritalamasını iyileştirdi. Sınıflandırmada, yaralanma türlerini yaklaşık on davadan dokuzunda doğru tanımladı; gerçek yaralanmaları yakalama ile yanlış alarmlardan kaçınma arasında yüksek bir denge sundu. Sistem, tüm ana ölçütlerde hem özellik tabanlı geleneksel yöntemleri hem de ResNet50’yi geride bıraktı ve ayrı modeller çalıştırmaktan daha iyi eğitim verimliliği sağladı.

Genç sporcular ve klinikler için anlamı

Daha basit bir ifadeyle, çalışma iyi tasarlanmış bir yapay zekâ asistanının ergen kayakçılardan alınan diz MRI taramalarını doktorların daha hızlı ve tutarlı şekilde okumasına yardımcı olabileceğini, özellikle küçük veya kolayca gözden kaçan yaralanmalarda fayda sağlayabileceğini öne sürüyor. Şüpheli bölgelere otomatik olarak işaret ederek ve birkaç saniye içinde olası yaralanma türlerini belirterek böyle bir araç, kaçan bulguları azaltabilir, daha az deneyimli radyologlara destek verebilir ve tedavi ile spora geri dönüş kararlarını hızlandırabilir. Yazarlar daha çeşitli, çok merkezli veri setlerine hâlâ ihtiyaç olduğunu belirtse de elde edilen sonuçlar, yapay zekânın genç dizleri pistlerde korumada pratik bir ortak haline gelme potansiyeline işaret ediyor.

Atıf: Xu, W., Li, S., Zhang, G. et al. Magnetic resonance imaging diagnosis of knee injuries after skiing in adolescents under deep learning. Sci Rep 16, 15576 (2026). https://doi.org/10.1038/s41598-026-47058-9

Anahtar kelimeler: diz MRI, ergenlerde kayak yaralanmaları, derin öğrenme tanısı, spor hekimliği görüntüleme, bağ ve kıkırdak yırtıkları