Cnn-radyomik füzyon ve açıklanabilir birleşik modelleme kullanarak diş radyografilerinde çok modelli kök lezyonlarının sınıflandırılması

Periapikal radyografi, diş kökü lezyonlarının tespitinde temel bir görüntüleme yöntemi olsa da, yorum farklılıkları ve küçük patolojilerin gözden kaçabilmesi tanısal doğruluğu sınırlamaktadır. Bu çalışmada, konvolüsyonel sinir ağlarından (CNN) elde edilen derin öznitelikler ile yalnızca Grad-CAM haritalarının belirlediği lezyon bölgelerinden çıkarılan radyomik özniteliklerin bütünleştirildiği, açıklanabilir ve çok modlu bir yapay zekâ çerçevesi geliştirilmiştir. Toplam 2.285 periapikal radyografi, EfficientNet- B1/B4/V2M/V2S, ResNet-50 ve Xception olmak üzere altı CNN mimarisiyle işlenmiş; elde edilen derin öznitelikler, Grad-CAM tabanlı maske içerisinden hesaplanan ilk-düzey, GLCM, GLRLM, GLDM, NGTDM ve şekil tabanlı radyomik özniteliklerle birleştirilmiştir. Birleşik öznitelik vektörleri PCA veya SelectKBest ile boyut indirgeme sonrası RF ve XGBoost sınıflandırıcılarıyla eğitilmiş, beş görünümlü Test-Time Augmentation (TTA) ile çıkarım kararlılığı artırılmıştır. Tek başına konvolüsyonel sinir ağları (CNN) %52 doğruluk ve ~0,60 AUC elde ederken, füzyon yaklaşımı bu oranları anlamlı biçimde yükseltmiştir. En yüksek performans, Xception ve EfficientNet-V2S füzyon vektörlerinin XGBoost ile sınıflandırıldığı ve TTA uygulanan modelde %97,16 doğruluk ve 0,9914 AUC ile elde edilmiş; yanlış pozitif ve negatif oranları sırasıyla %4,6 ve %0,9 olmuştur. Grad-CAM ısı haritaları modelin dikkati klinik açıdan anlamlı periapikal bölgelere odakladığını, SHAP analizleri ise radyomik doku heterojenliği ile yüksek seviyeli CNN özniteliklerinin birlikte karar sürecine katkı sağladığını ortaya koymuştur. Önerilen yöntem, yüksek doğruluk, dengeli hata oranları ve çift katmanlı açıklanabilirlik (Grad-CAM + SHAP) ile klinik güvenilirliği artırma potansiyeline sahiptir.