Derin öğrenme tabanlı tam otomatik sefalometrik iskeletsel sınıflandırma

Çalışmamızın amacı, lateral sefalometrik radyograflardan doğrudan sagittal ve vertikal iskeletsel paternleri sınıflandıran derin evrişimli sinir ağı modeli geliştirmek ve modelin performansını piyasadaki tam otomatik referans-nokta tabanlı yazılım (WebCeph) ile karşılaştırmaktır. Veri seti, 2019–2025 arasında arşivlenen 1500 sefalometrik radyograftan oluşturulmuştur. Sagittal yönde (3 sınıf) ve vertikal yönde (3 sınıf) toplam 6 sınıf, herbir sınıfta 500 radyograf olacak şekilde dengeli sınıf etiketlemesi, hekim denetiminde QuickCeph ölçümleriyle yapılmıştır. Sagittal sınıflandırma için ANB (SI: 0–4°, SII: >4°, SIII: <0°); vertikal sınıflandırma SN-GoGn esas alınmış (Normal: 26–38°; Horizontal: <26°, Vertikal: >38°) ve FMA ile Y-aksı destekleyici ölçüt olarak kullanılmıştır. Derin öğrenme modelinin eğitilmesi iki aşamada yürütülmüş; ilk aşamada ön işlemler uygulanmış, ikinci aşamada ise evrişimli sinir ağı yardımıyla özellik çıkarımı ve sınıflandırma yapılmıştır. Karşılaştırma için aynı veri seti referans-nokta tabanlı tam otomatik yazılım olan WebCeph ile de analiz edilmiştir. WebCeph'in performansı, uzman denetimli QuickCeph sonuçlarına göre değerlendirilmiştir. Derin öğrenme modeli sagittal sınıflandırmada %87; vertikal sınıflandırmada ise %81 doğruluk elde etmiştir. Buna karşın; aynı veri üzerinde WebCeph'in genel doğruluğu sagittal sınıflandırmada %76,32, vertikalde ise %68,2 seviyesinde kalmıştır. Çalışmamızda geliştirilen Derin öğrenme modeli WebCeph'e kıyasla daha yüksek performans göstermiştir. WebCeph ile QuickCeph arasında açısal ölçüm düzeyinde ise genel olarak yüksek uyum gözlenmekle birlikte FMA için görece düşük uyum gözlenmiştir. Sonuç olarak, lateral sefalometrik radyograflardan doğrudan sınıflandırma yapan derin öğrenme yaklaşımı, referans-nokta tabanlı tam otomatik yönteme kıyasla özellikle sagittal yönde daha yüksek doğruluk sağlayabilmektedir. Bu bulgu, anatomik referans noktası işaretleme aşamasındaki küçük hataların birikimini ortadan kaldıran uçtan-uca öğrenmenin klinik yararını işaret etmektedir. Buna karşın, ayrıntılı tedavi planlaması ve uzun dönem takip için sefalometrik nokta analizinin önemi sürmektedir. Geliştirilen yöntemin genellenebilirliğini artırmak amacıyla farklı merkez/cihazlardan daha geniş, çok merkezli ve bağımsız doğrulamalı çalışmalar önerilmektedir. Anahtar Sözcükler: Derin Öğrenme, İskeletsel Sınıflandırma, Tam Otomatik Sefalometrik Analiz, Yapay Zekâ