Konı̇k ışınlı bı̇lgı̇sayarlı tomografı̇ görüntülerı̇nden elde edı̇len lateral sefalometrı̇k radyograflar üzerı̇nden derı̇n öğrenme yöntemı̇yle gelı̇ştı̇rı̇lmı̇ş yapay zeka algorı̇tmalarıyla servı̇kal vertebra maturasyonunun değerlendı̇rı̇lmesı̇

Amaç: Bu çalışmanın amacı, konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik görüntüler üzerinde özel bir yapay zeka algoritması kullanılarak servikal vertebra maturasyonu değerlendirilmesinde hekimin başarısını arttırmaktır. Materyal ve Metot: Çalışmamızın veri setini 1077 hastanın ortodontik tedavi öncesi alınan konik ışınlı bilgisayarlı tomografi görüntülerinden elde edilen lateral sefalometrik radyograflar üzerinde özel bir yapay zeka algoritması kullanılarak poligonal çizim yöntemiyle vertebraların çizilmesi ve sınıflandırılması oluşturmaktadır. Görüntüler üzerinde etiketlemeler CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak yapılmıştır. Yapay zeka modelinin eğitimi, PyTorch uygulanan CNN tabanlı derin öğrenme yöntemi ile 400 Epoch kullanılarak gerçekleştirilmiştir. Modelin öğrenme oranı 0.01 olarak belirlenmiştir. Bulgular: Çalışmada eğitilen yapay zeka modelinde en yüksek F1 skoru 0.9984 ile servikal vertebraların tespitinde bulunmuştur. Sınıflar içerisindeki veri dengesizliği göz önüne alındığında vertebra maturasyonu ile büyüme gelişim sınıflaması F1 skorunun 0.6946 bulunması, ROC eğrisi ve AUC değerinin 1'e yakın oluşu yapay zeka algoritmaları ile bireyin büyüme-gelişim tespiti hususunda umut vadetmektedir. En düşük F1 değeri vertebraların kendi içlerindeki maturasyon sınıflamalarında gözlemlenmiştir. Sonuç: Çalışmamız ilerleyen zamanlarda yapılacak olan derin öğrenme tabanlı KIBT raporlama sistemlerinin geliş imi aç ısından ç ok ö nemlidir. Bu sistemlerin klinik rutininde hekimlere zaman kazandırarak bir karar destek mekanizması rolü göreceği düşünülmektedir. Aynı zamanda büyüme-gelişimin değerlendirilmesinde gözlemciler arasındaki farklılıkların ve gözlemcilerin farklı zamanlarda yaptığı değerlendirmelerde oluşabilecek tutarsızlıkların en aza indirilmesinde oldukça faydalı olacağı tahmin edilmektedir.