Omuzların C7’yi Örtmesi Durumunda Radyografilerde Güçlü Servikal Parametre Ölçümü için Hiyerarşik derin öğrenme hattı

Boyun Röntgenlerinin Yardıma Neden İhtiyacı Var

Cerrahlar boyun ameliyatı planlarken veya omurga sorunlarını zaman içinde izlerken, servikal omurganın yandan çekilmiş röntgenlerinden alınan kesin ölçümlere güvenirler. Bu açı ve mesafeler; boynun nasıl kıvrıldığı ve vücudun geri kalanıyla nasıl hizalandığını tanımlar, ağrı giderme, sinir fonksiyonu ve uzun vadeli sonuçlarla yakından ilişkilidir. Ancak günlük uygulamada bu ölçümler yavaş olabilir, uzmanlar arasında değişkenlik gösterebilir ve en alttaki boyun kemiği (C7 vertebra) hastanın omuzları tarafından gizlendiğinde sıklıkla bozulur. Bu çalışma, tam da bu gerçek dünya zorluğuyla başa çıkmak üzere özel olarak tasarlanmış yeni bir yapay zeka (AI) sistemi sunar.

Günlük Boyun Görüntülemede Zorlu Bir Sorun

Boynun yandan çekilmiş röntgenleri, dünya çapındaki omurga kliniklerinde sık kullanılan bir araçtır. Bu görüntülerden, cerrahlar boynun ne kadar geriye doğru kıvrıldığını (servikal lordoz), her bir omurun nasıl eğildiğini ve başın omurgaya göre ne kadar önde olduğunu ölçer. Bu değerler, ameliyat gerekip gerekmediğini, hangi tip operasyonun yapılacağını ve hastanın ne kadar iyi iyileştiğini belirlemeye yardımcı olur. Ancak bu ölçümleri elle almak zaman alıcıdır ve özellikle farklı klinisyenlerin aynı görüntü üzerinde biraz farklı çizgiler çizmesi halinde tutarsız olabilir. Durumu daha da kötüleştiren nokta, birçok röntgende boynun tabanındaki ana referans noktası olan C7 vertebranın hastanın omuzlarının arkasında kısmen veya tamamen gizlenmiş olmasıdır; bu da uzmanlar için bile doğru ölçümü zorlaştırır.

Adım Adım Bir AI Sistemi Omurgayı Nasıl Okuyor

Buna yanıt olarak, araştırmacılar dikkatli bir insanın zor bir görüntüyle başa çıkarken izleyebileceği yöntemi taklit eden “hiyerarşik” yani adım adım bir derin öğrenme hattı geliştirdiler. Önce, tüm röntgeni standart kare boyuta yeniden ölçekleyip tarayan bir küresel model, C2’den C7’ye kadar önemli omur noktalarının kaba yerlerini tahmin eder. Ardından, burada durmak yerine ayrı bir modül, daha kolay görünen üst omurlara dayanarak gizli C7 bölgesinin nerede olması gerektiğini tahmin eder. Bu rehberlikle sistem, boynun üst (C2) ve alt (C7) kısımları etrafında yüksek çözünürlüklü kırpmalar yapar. İki uzman model daha sonra bu daha küçük yamaları yeniden inceleyerek önemli köşe ve merkez pozisyonlarını hassaslaştırır. Son olarak, sistem rafine edilmiş üst ve alt işaret noktalarını orijinal orta boyun noktalarıyla birleştirerek klinik olarak önemli açıları ve ofsetleri hesaplar.

Sistemi Teste Sokmak

Ekip, modelleri C7’nin kötü göründüğü birçok zor vakayı özellikle içeren çok uluslu veri kümelerinden alınmış 5.600’den fazla röntgen üzerinde eğitti. Ardından sistemi iki ayrı grupta test ettiler: aynı hastaneye ait dahili bir set ve C7’nin kısmen veya tamamen gizlendiği görüntülerle zenginleştirilmiş halka açık bir veritabanından alınan harici bir set. Her iki grupta da AI’nın boyun eğriliği ve omur eğilmesi ölçümleri uzmanlar tarafından çizilmiş “gerçek değerlerle” son derece iyi uyum gösterdi. Zorlu harici veride, tüm ana parametreler için uyum skorları “mükemmel” aralığındaydı ve tipik hatalar yalnızca birkaç dereceydi. Önemli olarak, hiyerarşik hat, özellikle C7 örtüldüğünde basit tek adımlı bir modeli geride bıraktı. En zor vakaların bazılarında, yaklaşık 10 dereceye varan büyük hataları çeyreği derecenin altına düşürerek aksi takdirde güvenilmez olabilecek ölçümleri kurtardı.

İnsan Okuyuculardan Daha Tutarlı

Araştırmacılar ayrıca AI’nın tekrarlanabilirliğini insan uzmanlarla karşılaştırdı. Aynı uzman aynı görüntüleri iki kez ölçtüğünde, özellikle C7 ile ilgili bazı açılarda denemeler arasında dikkat çekici farklar olabiliyordu. Buna karşın, AI aynı röntgeni tekrar tekrar işlediğinde çıktıları neredeyse mükemmel şekilde özdeşti. Dikkate değer şekilde, zorlu C7 ilişkili açı için AI ile her bir uzman arasındaki uyum, iki insan okuyucu arasındaki uyumdan daha yüksekti. Bu, sistemin klinisyenlerin yerini almak yerine sınırda veya gizlenmiş durumlarda insan varyasyonunu azaltan kararlı, standartlaştırılmış bir ölçüm aracı olarak hizmet edebileceğini düşündürüyor.

Hastalar ve Klinikler İçin Anlamı

Hastalar açısından pratik mesaj şudur: Bilgisayarlar artık omuzların görüntünün bir kısmını kapadığı durumlarda bile omurga cerrahlarının boyun röntgenlerini daha hızlı ve tutarlı okumalarına yardımcı olabilir. Çalışma, dikkatle tasarlanmış çok aşamalı bir AI sisteminin, yalnızca mükemmel görüntülere dayanmadan karmaşık, gerçek dünya görüntüleme koşullarıyla başa çıkabileceğini gösteriyor. Yine de yöntem üzerinde ameliyat sonrası görüntüler, farklı tarayıcılar ve tüm omurgayı gösteren görünümler gibi ek testler yapmak gerekiyor; ancak bu hiyerarşik hat otomatik servikal omurga analizinde yeni bir gösterge belirliyor. AI’nın arka planda sessizce çalışıp sorunlu görüntüleri insan incelemesine işaret etmesi ve daha güvenilir ölçümler sağlayarak daha güvenli, daha hassas bakımı desteklemesi beklenebilir.

Atıf: Kang, DH., Park, SJ., Park, JS. et al. Hierarchical deep learning pipeline for robust cervical parameter measurement in radiographs with C7 obscuration. npj Digit. Med. 9, 261 (2026). https://doi.org/10.1038/s41746-026-02455-2

Anahtar kelimeler: servikal omurga, tıbbi görüntüleme AI, derin öğrenme, omurga hizalanması, radyograf analiz