Histopatoloji Görüntülerinden Odontojenik Kistlerin Farklı Tanısı için Derin Öğrenme Tabanlı Yaklaşım

Özet

Arka Plan: Bu çalışmanın amacı, farklı tipte odontojenik kistleri histopatoloji görüntüleri kullanarak farklılaştırmalı olarak tanılamak için Derin Öğrenme (DL) tabanlı yapay zekâ (YZ) yöntemleri geliştirmektir.

Materyal ve Yöntemler: Önerilen çalışma kapsamında, 3 farklı kist grubuna ait hematoksilin-eozin (H&E) boyalı görüntüler kullanılmıştır. Veri seti; 87 Dentigeröz kist (DC), 198 radiküler kist (RC) ve 63 odontojenik keratokist (OKC) histopatoloji görüntüsünden oluşmaktadır. Her görüntü, 3 farklı büyütme seviyesiyle zoomlanmış ve 224x224 boyutuna yeniden boyutlandırılmıştır. Klasik CNN yöntemine ek olarak Inception V3, VGG16, VGG19 ve Xception mimarileri de kullanılmıştır. Veri seti, yeniden test edilme riskini önlemek için eğitim, doğrulama ve test gruplarına bölünmüştür.

Bulgular: CNN için elde edilen ortalama doğruluk, hassasiyet (precision), duyarlılık (recall) ve F1 skoru sırasıyla 0,77, 0,80, 0,77 ve 0,75 olarak bulunmuştur. VGG16 için bu değerler 0,89, 0,90, 0,89 ve 0,89; VGG19 için 0,89, 0,90, 0,89 ve 0,88; Xception için 0,62, 0,52, 0,62 ve 0,52; Inception V3 için 0,62, 0,62, 0,62 ve 0,56 olarak belirlenmiştir.

Sonuçlar: VGG16 ve VGG19 modellerinin söz konusu veri setinde üstün performans gösterdiği, Xception ve Inception V3 modellerinin ise daha yavaş yakınsadığı ve dolayısıyla eğitim sürecinin daha uzun sürdüğü gözlenmiştir. Sonuçlar, derin sinir ağlarının odontojenik kistlerin tespitinde etkin bir şekilde kullanılabileceğini göstermektedir. Yapay zekâ tabanlı odontojenik kist tespiti, meslekler arası değişkenliği azaltan, tanısal süreci hızlandıran ve klinisyenlerin iş yükünü hafifleten bir karar destek aracı olarak değerlendirilebilir.