Kısmi dişsiz çenelerin yapay zekâ algoritmalarıyla değerlendirilmesi

Amaç: Son yıllarda yaşam kalitemiz üzerinde önemli değişikliklere sebep olan gelişmelerden biri yapay zekâdır (AI). Özellikle radyoloji alanında birçok gelişmeye katkı sağlayan AI, diş hekimliğinde de popülerlik kazanmaya başlamıştır. Bu çalışmada, DCNN (Derin Konvolüsyonel Sinir Ağı) kullanarak diş eksikliği bulunan hastaların panoramik görüntüleri üzerinde Kennedy sınıflamasının otomatik bir yöntemle yapılmasını sağlamayı amaçladık. Materyal ve Metot: Veri setimiz, 1300 panoramik görüntüden oluşmaktadır. Çalışmamızda; YOLOv5 mimarisine, diş eksikliği tespiti, numaralandırılması ve eksik dişlerin konumuna göre uygun Kennedy sınıflandırılmasının eğitimi yapılmış ve sonuçları test edilmiştir. Görüntüler üzerindeki etiketlemeler, CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanılarak gerçekleştirilmiştir. Modelin başarı metrikleri, karmaşıklık matris yöntemi ile hesaplanmıştır. Bulgular: Eksik diş tespit ve numaralandırma için YOLOv5 modelinin duyarlılık, kesinlik ve F1 skoru değerleri sırasıyla; 0.85, 0.96 ve 0.90 olarak hesaplanmıştır. Kennedy sınıflaması için ise bu değerler sırasıyla; 0.91, 0.87 ve 0.89'dır. Maxilla ve mandibula için yapılan Kennedy etiketlemelerinde YOLOV5 modelinin genel başarı oranı %89 olup, bu da modelin genel olarak başarılı olduğunu göstermektedir. Sonuç: Dişli ve dişsiz çenelerin sınıflandırılması, protez planlamasının ilk ve en önemli adımını oluşturur. Radyografik temelli sınıflamaların otomatik olarak elde edilmesi ve bulguların ağız içi tarayıcı sonuçlarıyla entegre edilmesi, bu amaçla geliştirilen yapay zekâ modellerinin başarısını artırarak, otonom veya yarı otonom protez planlama uygulamalarının yolunu açacaktır. Bu süreç, dijital iş akışında meydana gelebilecek insan kaynaklı hataların önlenmesine de katkı sağlayacaktır. Çalışmamız, ilerleyen zamanlarda yapılacak derin öğrenme tabanlı panoramik raporlama sistemlerinin gelişimi açısından büyük önem taşımaktadır. Bu sistemlerin diş hekimliği pratiğinde yapay zekâ uygulamalarının kullanımını artırarak, tedavi planlamasında daha güvenilir ve tutarlı sonuçlar elde edilmesine katkı sağlayacağı düşünülmekteyiz. Anahtar Kelimeler: Yapay zekâ, Kennedy sınıflandırılması, Yapay sinir ağları, Derin öğrenme