Etkili endodontik eğe malzemesinin yapay zekâ ile tasarımı

Nikel-titanyum (NiTi) alaşımları, esneklikleri ve şekil hafızalı özellikleri sayesinde endodontide devrim niteliğinde bir gelişme yaratmıştır. Ancak bu ilerlemeye rağmen, NiTi döner aletlerin klinik başarısını sınırlayan en önemli sorunlardan biri, kanal içinde kırılmalarıdır. Bu kırılmaların en yaygın nedeni, malzemenin döngüsel yorgunluk karşısındaki sınırlı direncidir. Bu çalışmada NiTi döner aletlerin döngüsel yorgunluk dayanımını maksimize edecek ideal NiTi kompozisyonunu belirlemek amacıyla makine öğrenmesinden yararlanılmıştır. Bu amaç doğrultusunda öncelikle, çeşitli ticari endodontik eğelerde yapılan SEM-EDX ve DSC analizleri ile termal ve yapısal özellikler elde edilmiş ve modele girdi olarak dahil edilmiştir. Özellik seçimi için Pearson Korelasyon Katsayısı (PCC) ve Random Forest (RF) temelli önem sıralaması yöntemleri kullanılmış; ardından altı farklı regresyon algoritması (RF, GBDT, SVR, LR, KNN, XGB) eğitilerek performansları R², RMSE ve MAE kriterlerine göre değerlendirilmiştir. Veri setine anormallik tespiti, standardizasyon ve 10 katlı çapraz doğrulama gibi ön işleme adımları uygulanmıştır. Adım adım özellik ekleme stratejisiyle yapılan analizler sonucunda, en yüksek genelleme performansının K-Nearest Neighbors (KNN) ve Support Vector Regression (SVR) modelleriyle elde edildiği görülmüştür. Eğitim/test oranlarının etkisini değerlendirmek amacıyla farklı veri bölme senaryoları test edilmiş ve %90 eğitim / %10 test oranının optimal olduğu belirlenmiştir. En iyi model ile, 48–57 at.% Ni aralığında 0.03 at.% çözünürlükle oluşturulan sentetik NiTi bileşimlerinden elde edilen tahminler doğrultusunda en yüksek NCF değerini veren üç kompozisyon belirlenmiş ve deneysel doğrulama için seçilmiştir. Elde edilen sonuçlar, malzeme tasarımında makine öğrenmesinin etkinliğini göstermekte ve yeni nesil endodontik alet geliştirme sürecine katkı sağlamaktadır.