Yapay Zekâ Destekli Diş Röntgeni Analizi Nedir?

Sistemlerin çoğu, panoramik ya da bitewing gibi belirli bir görüntü türünde birkaç iyi tanımlanmış görev için eğitilir. Tipik çıktılar şunlardır:

• Dişlerin bulunması ve numaralandırılması; genellikle FDI iki haneli sistemiyle (örneğin 36 = sol alt birinci büyük azı).
• Mevcut dental çalışmalar: dolgular, kronlar, kanal dolguları, implantlar. Bunlar ağzın mevcut durumunu tarif etmeye yardımcı olur.
• Aday bulgular: örneğin çürük, kök ucu çevresindeki değişiklikler ya da kemik kaybıyla uyumlu olabilecek ve uzman değerlendirmesi için işaretlenen alanlar.

Bir sistemin neyi tanıyabildiği tamamen neyin için eğitildiğine ve doğrulandığına bağlıdır. Panoramik görüntülerle eğitilmiş bir araç, periapikal filmin fotoğrafında güvenilir olmayabilir; tersi de geçerlidir.

Sonuçlar çoğu zaman röntgenin üzerine çizilmiş renkli kutular ya da sınırlar olarak gösterilir. Bunlar “kesin olarak ne?” sorusunu değil, “nerede?” sorusunu yanıtlar. Bir diş yüzeyinin çevresindeki çizgi, yazılımın orada kontrol edilmeye değer bir örüntü bulduğu anlamına gelir. Diş hekimi aynı alana bakar, diğer görüntüler ve klinik tabloyla karşılaştırır ve ne olduğuna karar verir.

Katmanlar konuşma sırasında işe yarar: diş hekiminin tam olarak hangi bölgeden söz ettiğini hastaya göstermesini kolaylaştırır.

Pek çok sistem her işarete güven ya da olasılık skoru denen bir sayı ekler. Bu sayı, görüntüdeki bölgenin modelin öğrendiklerine ne kadar benzediğini yansıtır. Şunlar değildir:

• bir sorunun ne kadar ciddi ya da acil olduğunun ölçüsü;
• bulgunun gerçek olduğunun garantisi;
• bir teşhis.

Makine öğrenmesi araştırmaları, modern sinir ağlarının özel olarak ayarlanmadıkça iyi kalibre olmayabileceğini, yani skorlarının gerçek hata oranlarının gösterdiğinden daha emin görünebileceğini de ortaya koymuştur. Yüksek bir skorun yine de uzman değerlendirmesi gerektirmesinin ve düşük bir skorun “bakılacak bir şey yok” anlamına gelmemesinin bir nedeni budur.

Yanlış pozitif, sonradan normal çıkan bir şeyin işaretlenmesidir; örneğin çürüğe benzeyen, üst üste binmiş bir gölge. Yanlış negatif ise yazılımın işaretlemediği gerçek bir sorundur. İkisi de beklenen durumlardır; nedenleri arasında şunlar sayılabilir:

• iki boyutlu görüntüde üst üste binen dişler ya da yapılar;
• bulanıklık, düşük kontrast, kırpma ya da açılı çekilmiş bir telefon fotoğrafı;
• uzmanların bile farklı yorumlayabileceği erken ya da belirsiz değişiklikler;
• eğitim verisinden farklı görüntüler (başka bir röntgen türü, başka bir cihaz, başka bir hasta grubu).

Çürük tespitinde derin öğrenme üzerine yapılan sistematik bir derleme, çalışma sonuçlarının büyük farklılıklar gösterdiğini ve pek çok çalışmanın yöntemsel sınırlılıkları olduğunu buldu. Raporlama kontrol listeleri ve ADA'nın yeni doğrulama standartları bu kanıtları daha karşılaştırılabilir kılmayı amaçlıyor. Yüklemeden önce yapacağınız birkaç görüntü kalitesi kontrolü önlenebilir hataları azaltmaya yardımcı olur.

FDI, diş hekimlerinin yapay zekâyı bir destek sistemi olarak kullanmasını ve teşhis ile tedavinin sorumluluğunu taşımasını önerir. Uygulamada diş hekimi her aday bulguyu inceler; onaylar, reddeder ya da yazılımın yapmadığı gözlemleri ekler. Karar vermeden önce klinik muayene ya da farklı bir görüntü isteyebilir; örneğin dişler arası çürük şüphesi için bitewing, bir kök ucunu incelemek için periapikal röntgen.

Bir gözlem ancak bu değerlendirmeden sonra teşhisin ve belki bir tedavi konuşmasının parçası olur. Bu aşamaların raporda nasıl göründüğünü yapay zekâ destekli dental rapor nasıl okunur rehberimizde anlatıyoruz.