Japonya’daki bilim adamları, rutin diş röntgenlerini analiz etmek için AI kullanarak osteoporozu yüksek doğrulukla tespit edebildiler. Kagawa Valiliği Merkez Hastanesi, Okayama Üniversitesi ve Matsumoto Diş Üniversitesi’ndeki araştırmacılar, diş röntgenlerinden bir osteoporoz sınıflandırıcısı oluşturmak için derin öğrenmeyi kullandılar.
Dünya çapında 200 milyondan fazla insanın osteoporoza sahip olduğu tahmin edilmektedir. Osteoporozu olan kişiler ani kemik kırıkları için yüksek risk altındadır. Kadınların yaklaşık %50’si ve erkeklerin %30’u hayatlarının bir noktasında kırık yaşayacaklardır. Dünya nüfusunun yaşlanması nedeniyle kırık sayısının keskin bir şekilde artması bekleniyor. Kırılma oranları ülkeler arasında farklılık göstermektedir. Örneğin, İskandinavya ve Kuzey Amerika’da kalça kırığı oranları güney Avrupa, Asya ve Latin Amerika ülkelerinden daha yaygındır.
Riski Değerlendirmek İçin Kemik Yoğunluğunun Ölçülmesi
Kalça ve omurganın çift enerjili röntgen absorpsiyometrisi (DEXA) taramaları geleneksel olarak kırık riskini değerlendirmek ve osteoporozu teşhis etmek için kullanılır. DEXA taramaları kullanılarak yapılan kemik yoğunluğu ölçümü nispeten pahalı olduğundan genel tarama için uygun değildir. Diş röntgenleri, düşük maliyetli olmaları ve rutin diş hekimi ziyaretleri sırasında diş hekimleri tarafından uygulanabilmeleri nedeniyle genel tarama için idealdir. Tarama mineral yoğunluğu kaybını tespit ederse, diş hekimi hastayı bir osteoporoz uzmanına yönlendirebilir.
Panoramik röntgen, diş hekimlerinin dişler, üst çene ve alt çene dahil tüm ağzı tek bir görüntüde yakalamak için kullandıkları bir röntgen türüdür. Diş hekimleri bu tip röntgeni takma diş, diş teli ve çekim gibi işlemler için tedavi hazırlamak ve periodontal hastalığı, gömülü dişleri ve yirmi yaş dişlerini belirlemek için kullanır.
Araştırmacılar, mandibula (alt çene kemiği) üzerindeki kemik yoğunluğunu ölçtüler. Mandibula, insan yüz iskeletindeki en büyük ve en güçlü kemiktir. Araştırmacılar, alt çene kemiğinin mavi ile işaretlenmiş bölgesini analiz etmek için derin öğrenmeyi kullandılar. Özellik alanının görselleştirilmesi ResNet ve EfficientNet arasında farklıydı. Bu sonuç son derece ilginçtir: ResNet, mandibular alt sınırdaki kortikal kemiğe odaklanmıştır, ancak EfficientNet, mandibular alt sınırdaki kortikal kemiğe ek olarak kortikal kemiğin üzerindeki alana odaklanmıştır.
Genel bakış
Bu çalışmada bilim adamları, bir topluluk modeline dayalı bir osteoporoz sınıflandırıcısı geliştirdiler.
Sınıflandırma doğruluğunun klinik ortak değişkenlerin eklenmesi üzerindeki etkisini istatistiksel olarak netleştirmek için hastaların klinik değişkenleri dental panoramik röntgenlere eklendi.
2014-2020 yılları arasında tek bir genel hastanede hem iskelet-kemik-mineral yoğunluğu ölçümü hem de dental panoramik röntgen çekilen hastalardan 778 görüntü içeren bir veri seti toplanmıştır.
Bu çalışmada, standart evrişimli sinir ağı (CNN) modelleri EfficientNet -b0, -b3, -b7 ve ResNet-18, -50, -152 kullanılarak değerlendirme yapılmıştır.
ResNet, ILSVRC2015 Challenge’ın sınıflandırma görevini kazanan bir CNN’dir. Genel olarak, ağ katmanının derinleştirilmesi görüntü tanımlamanın doğruluğunu artırır, ancak çok derin bir ağ katmanı doğruluğu azaltır.
EfficientNet, ImageNet verileri üzerinde son teknoloji bir görüntü sınıflandırma yöntemi olarak önerilen bir CNN’dir. Parametre sayısı geleneksel CNN modelinden daha küçük olmasına rağmen, EfficientNet yüksek hızlı ve nispeten doğru bir CNN modelidir.
Derin öğrenme analizi, PyTorch derin öğrenme çerçevesi ve Python kullanılarak uygulandı.
Her CNN’ye eklenen klinik değişkenlerle bir topluluk modeli oluşturuldu.
Osteoporoz sistemik hasta faktörleriyle ilişkili olduğundan, bilim adamları derin öğrenme ve X-ışını görüntülerini kullanan tanı doğruluğunun, hasta faktörlerinin eklendiği bir CNN inşa ederek geliştirileceğini varsaydılar.
Bulgular ve Sonuçlar
Bu çalışma, CNN’lerin dental panoramik radyograflardan osteoporozu yüksek düzeyde doğrulukla teşhis edebildiğini göstermektedir.
Araştırmacılar, rutin klinik ortamlarda yer alan hasta değişkenlerinin dahil edilmesinin, yalnızca görüntü modelini kullanmaya kıyasla tüm tahminlerin performans ölçümlerini iyileştirdiğini gösterdi.
Topluluk modeli, daha az parametreli CNN modeli için daha etkiliydi.
Hasta değişkenlerini içeren bir topluluk modeli, osteoporozun daha doğru sınıflandırmasını gösterdi.
EfficientNet-B7 ve ResNet-152 topluluk modelleri en yüksek doğruluğu gösterdi.
Özellik alanının görselleştirilmesi ResNet ve EfficientNet arasında farklıydı. Bu sonuç son derece ilginç- yukarıdaki görselleştirme resmine bakın.
ResNet, mandibular alt sınırdaki kortikal kemiğe odaklandı.
EfficientNet, mandibular alt sınırdaki kortikal kemiğe ek olarak kortikal kemiğin üzerindeki alana odaklandı.
*Burada yer alan yatırım bilgi, yorum ve tavsiyeleri yatırım danışmanlığı kapsamında değildir. Yatırım danışmanlığı hizmeti, yetkili kuruluşlar tarafından kişilerin risk ve getiri tercihleri dikkate alınarak kişiye özel sunulmaktadır. Burada yer alan yorum ve tavsiyeler ise genel niteliktedir. Bu tavsiyeler mali durumunuz ile risk ve getiri tercihlerinize uygun olmayabilir. Bu nedenle, sadece burada yer alan bilgilere dayanılarak yatırım kararı verilmesi beklentilerinize uygun sonuçlar doğurmayabilir.
