Panoramik Radyografilerde Karotis Arter Kalsifikasyonunun Tespiti İçin Derin Öğrenme Tabanlı Segmentasyon Modellerinin Değerlendirilmesi

Özet

Amaç: Bu çalışmanın birincil amacı, panoramik radyografilerde karotis arter kalsifikasyonunu (CAC) tespit etmede yapay zeka destekli segmentasyon yöntemlerinin etkinliğini değerlendirmek ve farklı YOLO modellerinin performansını karşılaştırmaktır: YOLOv5x-seg, YOLOv8x-seg ve YOLOv11x-seg. Ayrıca çalışma, CAC varlığı ile hasta cinsiyeti arasındaki ilişkiyi araştırmayı amaçlamaktadır ve bu, daha geniş bir epidemiyolojik analiz kapsamında ele alınmıştır.

Materyal ve Yöntem: Bu çalışmada 30.883 panoramik radyografi incelenmiştir. Karotis arter kalsifikasyonuna uygun özellikler gösteren 652 radyografide toplam 1.086 anotasyon yapılmıştır. Derin öğrenme tabanlı analiz, üç farklı YOLO segmentasyon modeli kullanılarak gerçekleştirilmiştir. Modellerin performansı hassasiyet (precision), doğruluk (accuracy) ve F1 skoru gibi metriklerle değerlendirilmiştir.

Bulgular: YOLOv5x-seg modeli, hassasiyet, duyarlılık (sensitivity) ve F1 skoru açısından %84,62 ile dengeli bir performans sergilemiştir. YOLOv8x-seg modeli, %88,46 ile daha yüksek duyarlılık göstermiş, ancak hafif artmış yanlış pozitif oranı nedeniyle hassasiyet değeri %78,63 olarak bulunmuştur. YOLOv11x-seg modeli ise en yüksek hassasiyeti %93,41 ile elde etmiş, F1 skoru %87,18 ve duyarlılığı %81,73 olmuştur.

Sonuç: YOLO algoritmalarını kullanan yapay zeka tabanlı segmentasyon modelleri, panoramik radyografilerde CAC tespiti için güvenilir araçlar olarak değerlendirilebilir. Bu modeller, klinik uygulamalar için umut verici performans göstermektedir; ancak genellenebilirlik ve etkinliğini doğrulamak için daha büyük ve çeşitli veri setleri ile ek araştırmalara ihtiyaç vardır.