El bilek radyografileri aracılığıyla maturasyon dönemi tespitinde yapay zeka algoritmalarının başarısının değerlendirilmesi

---

Tezin Türü: Diş Hekimliğinde Uzmanlık

Tezin Yürütüldüğü Kurum: İnönü Üniversitesi, Diş Hekimliği Fakültesi, Klinik Bilimler, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: SERHAT TENTAŞ

Danışman: Samet Özden

Özet:

Amaç: Çalışmamızın amacı, el-bilek radyografilerini kullanarak YZ tabanlı uygulamalar ile iskeletsel olgunluğun doğru ve tutarlı bir biçimde tespit edilmesi ve buna paralel olarak hatalı teşhis ve tedavilerin önlenmesidir. Bu sebeple, retrospektif olarak hasta arşivinden elde edilen el-bilek radyografilerinden maturasyon dönemleri, yaş ve cinsiyet tespitinde YZ algoritmalarının başarısı değerlendirilecektir. Materyal Metot: Çalışmanın materyali, ortodontik tedavi için başvurmuş olan sistemik olarak sağlıklı Türk bireylerden alınan 6572 adet el-bilek radyografisi oluşturmaktadır. Beş farklı maturasyon yöntemine göre sınıflandırılan materyal, ek olarak cinsiyet ve yaş için de sınıflandırılmıştır. Daha sonra görüntüler üzerinde etiketlemeler CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Veri setleri rastgele olarak eğitim, doğrulama ve test setlerine ayrılmıştır. PyTorch kütüphanesi kullanılarak eğitilen YOLOv8 derin öğrenme mimarisinin, büyüme-gelişim dönemlerinin tespitinde test veri setleri ile başarısı değerlendirilmiştir. Bulgular: Çalışmada kullanılan derin öğrenme modeli ile Grup I için doğruluk 0.860 ve F1 skor 0.850, Grup II için doğruluk 0.920 ve F1 skor 0.960, Grup III için doğruluk 0.878 ve F1 skor 0.935, Grup IV için 0.981 ve F1 skor 0.990, Grup V için doğruluk ve F1 skor 0.920, Grup VI için doğruluk ve F1 skor 0.980, Grup VII için doğruluk 0.580 ve F1 skor 0.570 olarak bulunmuştur. En yüksek F1 skoru ise 0.990 olarak Grup IV için elde edilmiştir. En düşük F1 skoru Grup VII için 0.570 olarak bulunmuştur. Veri setlerinin dengeli dağılım göstermesi sonucunda, genel olarak AUC değerlerinin 1'e yakın bulunması derin öğrenme modelinin performansının başarılı kabul edilmesini sağlamıştır. Ayrıca bu değerler farklı sınıfları ayırt etmede derin öğrenme algoritmasının tahminlerinin isabetli olduğunu göstermektedir. Sonuç: Büyüme-gelişim dönemlerinin derin öğrenme modeli ile başarılı bir şekilde tespit edilmesi, klinikte hekimlere yardımcı olarak iş yükünü hafifletmesi mümkün olacaktır. Teşhis ve tedavi kararlarında yapay zekanın, başlangıçta yardımcı rolde olması öngörülmektedir. YZ tabanlı uygulamaların klinik işleyişe entegre edilmesi gözlemci içi ve gözlemciler arası uyumsuzlukları en az indirecek ve yanlış teşhis ve tedavilerin büyük oranda önüne geçebilecektir. Anahtar Kelimeler: Yapay zeka, iskeletsel maturasyon, el-bilek radyografisi, derin öğrenme