Gelişimsel dil anomalilerinin evrişimli sinir ağları kullanılarak belirlenmesi

Bu çalışmanın amacı, rutin dental muayene sırasında karşılaşılan dil anomalilerinin evrişimli sinir ağları kullanılarak belirlenmesidir. Çalışmaya 1038 adet dil fotoğrafı dahil edildi ve 123 sağlıklı dil, 259 paslı dil, 289 fissürlü dil, 96 kıllı dil, 174 coğrafik dil ve 97 median romboid glossit olmak üzere 6 sınıf oluşturuldu. Sağlıklı dil ile diğer dil anomalileri arasında ikili sınıflandırma işlemi gerçekleştirildi. Ek olarak, sağlıklı-paslı-fissürlü, sağlıklı-kıllı-fissürlü, sağlıklı-kıllı-paslı ve paslı-kıllı-füssürlü olmak üzere dört farklı üçlü sınıflandırma problemi değerlendirildi. İkili sınıflar için ResNet18 modeli tercih edilirken; üçlü sınıflar için ResNet50 modeli tercih edildi. Modellerin performansı doğruluk, duyarlılık, kesinlik ve F1-Skor metrikleriyle değerlendirildi. ResNet18 modeli, ikili sınıflandırma probleminde genel olarak her ikili sınıf için yüksek performans sergiledi. Özellikle sağlıklı-kıllı dil grubu için tüm metriklerde %100 başarı elde edildi. Diğer gruplar incelendiğinde ise yüksek metrik değerleri gözlemlendi. Bu durum ResNet18 modelinin çalışma kapsamında kullanılan veriler üzerinde ikili dil sınıflandırma problemlerinde etkili olduğunu göstermektedir. ResNet50 modeli ise daha karmaşık üçlü sınıflandırma görevlerinde tercih edildi. Sağlıklı-paslı-kıllı dil grubu için yüksek doğruluk (0.96) ve F1-Skor (0.95) değerleri elde edildi. Modelin fissürlü-paslı-kıllı dil grubu için nispeten yüksek düzeyde bir performans (0.91 doğruluk ve 0.91 F1-Skor) elde edildiği görüldü. Sağlıklı-fissürlü-paslı ve sağlıklı-fissürlü-kıllı dil grupları için ise model aynı performansı sağlayamadı. Bu durum, bu anomalilerin ayırt edilmesinin daha zor olduğunu ve modelin ayrımı zor olan karmaşık görevlerde zorlandığını göstermektedir. Evrişimli sinir ağlarıyla genellikle asemptomatik olan ve sıklıkla gözden kaçırılan dil anomalilerinin otomatik teşhisi mümkün görünmektedir. Daha kapsamlı çalışmalarla geliştirilen algoritmalar, daha verimli bir teşhis süreci açısından klinisyenlere yardımcı olacaktır.