ÖZET
Yapay zeka (YZ), insanların bilişsel işlevlerini taklit eden makinelerin öğrenme ve problem çözme kapasitesini temsil eder. Tek bir klinisyenin aksine, YZ sistemleri sınırsız sayıda veriyi eşzamanlı olarak gözlemleyebilir ve hızlı bir şekilde işleyebilir. Makine öğrenimi, beyindeki biyolojik sinir ağlarının mimarisini taklit eden yapay sinir ağları (YSA) adı verilen hesaplama modelleri ve algoritmaları içerir. YZ uygulamaları tıpta olduğu gibi diş hekimliğinin de birçok alanında popüler hale gelmiştir. Bu derleme, kapsamlı bir literatür taraması ile diş hekimliğinin çeşitli alanlarındaki YZ uygulamalarına ve ilgili çalışmalara odaklanmaktadır. YZ, oral ve maksillofasiyal cerrahide (anatomik işaretlerin belirlenmesi, postoperatif komplikasyonların tahmini), periodontoloji (alveolar kemik kaybının ve kemik yoğunluğundaki değişikliklerin belirlenmesi), implantoloji, oral ve maksillofasiyal radyoloji (diş segmentasyonu, ekstra dişlerin tanımlanması, kök kırıkları veya apikal lezyonlar, osteoporozun tahmininde), restoratif diş hekimliği (diş çürüklerinin belirlenmesi) ve ortodonti (tedavi analizi, iskelet sınıflandırması ve büyüme ve gelişme döneminin belirlenmesi) alanlarında kullanılabilir. YZ teknolojisinin diş hekimliğine entegre edilmesi, özellikle klinisyen sayısının az olduğu kliniklerde maliyet ve zamandan tasarruf sağlarken insan kaynaklı hataları en aza indirmeyi amaçlamaktadır.
Giriş
Yapay zeka (YZ -artificial intelligence, AI), insanların bilişsel işlevlerini taklit eden makinelerin öğrenme ve problem çözme kapasitesini temsil eder. YZ, bilgisayarların insanlara benzer şekilde çeşitli faaliyetleri gerçekleştirme yeteneği olarak tanımlanabilir (1). Makine öğrenimi (Machine learning, ML), veri toplamadan öğrenmeyi otomatik olarak gerçekleştirdiği YZ alanını tanımlayan bir terimdir. ML, bir sorunu çözmek için öğrenmek, kalıpları tespit etmek, kendi kendini düzeltmek, sınıflandırmak ve farklı verileri tekrar tekrar işleyerek insan beynine benzeyen bir YZ alt kümesidir (2).
Tek bir klinisyenin aksine, ML sistemleri sınırsız sayıda veriyi eşzamanlı olarak gözlemleyebilir ve hızlı bir şekilde işleyebilir. Ayrıca, bu sistemler her olgunun verilerinden öğrenebildikleri için, bir klinisyenin bir ömür boyu görebileceğinden daha fazla olguyu dakikalar içinde değerlendirmeyi öğrenebilirler. ML, beyindeki biyolojik sinir ağlarının mimarisini taklit eden yapay sinir ağları (artificial neural networks-ANN) adı verilen hesaplama modelleri ve algoritmaları içerir (3). ANN mimarisi, birbirine bağlı düğümlerin katmanlarında yapılandırılmıştır. Derin öğrenme (deep learning, DL), daha geniş bir YZ ailesine atıfta bulunan ML’ye ait bir tekniktir. Özellikle DL yöntemleri, sınıflandırma veya tespit görevlerini gerçekleştirmek için ham verileri işleyen çoklu temsil seviyelerine sahip öğrenme yöntemlerine aittir (2). YZ uygulamaları diş hekimliğinin birçok alanında popüler olmaya başlamıştır. YZ teknolojisinin diş hekimliğine entegre edilmesi zaman ve maliyet tasarrufu sağlar ve insan kaynaklı hataları azaltır (4). Bu derleme, diş hekimliğinin çeşitli alanlarındaki YZ uygulamalarına odaklanmaktadır.
Ağız, Diş ve Çene Cerrahisinde Yapay Zeka Uygulamaları
YZ, ağız ve çene cerrahisinde robotik uygulamalar sayesinde popülerlik kazanmıştır. Cerrahi operasyon gerçekleştirilmeden önce olası komplikasyonları önlemek için YZ algoritmaları ile anatomik yer işaretlerinin detaylı tespiti yapılabilmektedir. Bu sayede önemli anatomik yapıların korunması ve operasyonların daha kısa sürede tamamlanması mümkün olmaktadır (5).
YZ teknolojisi, diş çekimi sonrası postoperatif ödemi tahmin etmek için de kullanılmıştır. Zhang ve ark. (6) gömülü mandibular üçüncü molarların çekilmesinden sonra postoperatif yüz ödemini tahmin etmek için bir YZ modeli geliştirmiş ve model, %98 doğrulukla yüksek performans göstermiştir. Orhan ve ark. (7) konik ışınlı bilgisayarlı tomografi (cone-beam computed tomography-CBCT) görüntülerinde bir YZ modeli kullanarak gömülü üçüncü molarların diagnzoundaki doğruluğu değerlendirdi ve YZ modeli, bu dişlerin anatomik yapılarla olan ilişkisini tespit etmede %86,2 doğruluk performansı gösterdi. Başka bir çalışmada, panoramik radyograflarda derin evrişimsel sinir ağı (convolutional neural network-CNN) kullanılarak üçüncü molar çekimlerinin zorluğu değerlendirildi. Hem ramus ile ilişkisinin belirlenmesinde hem de mandibular ikinci molara referansla belirlenen derinlik bilgisinde sırasıyla %82,03, %90,2 ve %78,9 başarı oranları elde edilmiştir (8).
YZ ile oral mukozadaki şüpheli alanlar tespit edilerek benign ve malign lezyonların taraması ve sınıflandırılması yapılabilmektedir (9). Ağız bölgesinde saptanan malign tümörlerin prognozunu etkileyen en önemli faktör, erken tanıdır. Buna rağmen çoğu olgu ileri evrede teşhis edilmektedir. Rosma ve ark. (10) YZ modeli ile uzmanların öngörülerini karşılaştırarak bireylerin ağız kanseri geliştirme olasılığını değerlendirmişler ve %59,9’luk bir doğruluk elde etmişlerdir. Özellikle geniş çaplı oral taramaların toplumdaki ağız kanseri prevalansını tahmin edebileceği düşünülmektedir. Sağlık hizmetlerinin kısıtlı olduğu birçok bölgede YZ destekli yazılımlarla tarama yapılarak morbidite ve mortalite oranlarının azalacağı tahmin edilmektedir (11).
Periodontolojide Yapay Zeka Uygulamaları
Periodontal hastalıklar, periodonsiyumun iltihaplanması ile karakterize yaygın bir hastalık grubudur ve tedavi edilmediğinde diş kaybına neden olabilir. Periodontolojide YZ ve Derin CNN uygulamaları ile ilgili birçok çalışma yapılmıştır. Alveolar kemik kaybının tespiti ve kemik yoğunluğundaki erken değişiklikler YZ modelleri ile tespit edilebilir. Ayrıca implant ve çevre dokularla ilgili erken müdahalenin gerekli olabileceği durumlarda DL yöntemlerinin kullanılabileceği düşünülmektedir. Lee ve ark. (12) periodontal hastalık nedeniyle kötü prognoza sahip dişleri tespit etmek için bir YZ modeli geliştirmiş ve %78,9 doğruluk oranı elde etmiştir. Alalharith ve ark. (13) ortodontik tedavi gören hastalarda periodontal hastalığın otomatik tespitinde başarı oranının %77,1 olduğunu bildirmiştir. Cha ve ark. (14) geliştirdikleri YZ modeli ile periapikal radyografilerde implant tespiti yaparak alveolar kemik kaybını değerlendirmişler ve model ile diş hekimleri arasında önemli bir fark olmadığını bildirmişlerdir. Bu nedenle, modelin peri-implantitisin saptanmasında kullanılabileceğini belirtmişlerdir. YZ, implant planlaması alanında da kullanılmıştır. Kurt Bayrakdar ve ark. (15) 75 CBCT görüntüsünde kanal, sinüs/fossa ve eksik diş bölgelerinin tespitini gerçekleştirmişler ve en yüksek başarı oranını %95,3 ile eksik diş alanı tespiti olarak belirtmişlerdir. Yazarlar, YZ algoritmalarının klinisyenlere klinik rutinde yardımcı bir araç olacağını belirtmişlerdir.
Ağız, Diş ve Çene Radyolojisinde Yapay Zeka Uygulamaları
CNN, ağız, diş ve çene radyolojisinde diş tespiti ve segmentasyonu, ekstra kök ve süpernümerer diş tespiti, dikey kök kırığı tespiti, apikal lezyon tespiti, osteoporoz teşhisi, Sjögren sendromu tespiti ve ultrasonografide kullanılmaktadır. Panoramik radyograflarda, periapikal radyograflarda ve derin CNN’leri kullanan bite-wing radyograflarında diş tespiti ve segmentasyonu için DL destekli YZ modelleri üzerinde en az uzmanlar kadar başarılı olan çok sayıda çalışma yayınlanmıştır.
Ekert ve ark. (16) DL destekli CNN kullanılarak panoramik radyograflarda apikal lezyonları tespit etmişler ve sistemin %65 hassasiyet gösterdiğini belirtmişlerdir. Periapikal radyografiler üzerine bir başka çalışmada ise, Pauwels ve ark. (17) YZ sisteminin %80’in üzerinde bir başarı oranı geliştirdiğini belirtmişlerdir. Orhan ve ark. (18) CBCT’de periapikal patolojileri saptayan bir YZ modeli geliştirmiş ve YZ modelinin toplamda 153 periapikal lezyondan 142’sini başarılı bir şekilde saptadığını bildirmiştir. Hiraiwa ve ark. (19) Sjögren sendromunun tespiti için bilgisayarlı tomografi görüntülerini değerlendirmiş ve geliştirilen modelin %96 doğruluk gösterdiğini belirtmiştir. Lee ve ark. (20) osteoporozun tespiti için panoramik radyografilerde Derin CNN kullanan bir model geliştirmiş ve %98,5 doğruluk oranı bildirmiştir. Bunun yanı sıra, Orhan ve ark. (21) CNN tabanlı bir yöntemle ultrason görüntülerinde masseter kasının segmentasyonunu gerçekleştirmişler ve üç farklı YZ modeli için başarı oranlarını sırasıyla %96, %94 ve %98 olarak belirtmişlerdir.
3D görüntülerin daha karmaşık ve geniş eğitim veri setine sahip olması ve etiketleme sürecinin hatasız yapılması zor olduğundan, CBCT’de YZ tabanlı tanıya odaklanan çalışmaların sayısı henüz yeterli değildir. Johari ve ark. (22) hem ağız içi hem de CBCT görüntülerini CNN ile değerlendirerek dikey ve yatay kök kırıkları için yüksek duyarlılık ve özgüllük sağlamışlardır.
Restoratif Diş Hekimliğinde Yapay Zeka Uygulamaları
Florür ve diğer çürük önleyici ajanların kullanımının popülerlik kazanmasıyla diş çürüğü prevalansı her geçen gün azalmaktadır. Bite-wing radyografileri, saptanması zor olan arayüz çürüklerinin tanısında önemli bir role sahiptir (23). Ayrıca son yıllarda bilgisayar destekli programlarla erken tanı çalışmaları hızlandırılmıştır (24). Cantu ve ark. (25) yaptıkları çalışmada, bite-wing radyografilerde çürük teşhisinde geliştirdikleri YZ modeliyle deneyimli diş hekimlerinin performansını karşılaştırmışlardır. Çalışmada algoritma, diş hekimlerinden (%71) önemli ölçüde daha yüksek doğruluk oranına (%80) sahip olarak bulunmuştur. Askar ve ark. (26) DL yöntemi ile ağız içi fotoğraflarda beyaz nokta lezyonlarının tespitini gerçekleştirmişler ve sistem %80’in üzerinde doğruluk göstermiştir. Öte yandan, Casalegno ve ark. (27) translüminasyon görüntülerinde çürüklerin otomatik tespiti ve lokalizasyonu için bir YZ modeli geliştirmiş ve %72,7’lik bir başarı oranı elde etmiştir. Lee ve ark. (28) ise derin CNN kullanılarak periapikal radyografilerde çürük tespiti üzerine premolar ve molar dişler üzerinde bir çalışma yapmışlar ve en yüksek başarıyı %89 ile premolar dişlerde elde etmişlerdir. Araştırmacılar, DL destekli YZ modellerinin önümüzdeki yıllarda etkili bir çürük teşhis yöntemi olacağını belirtmişlerdir (28).
Ortodontide Yapay Zeka Uygulamaları
YZ, ortodontide tanısal tedavi analizi, anatomik nokta tespiti, çekimli-çekimsiz ortodontik tedavi, iskeletsel sınıflandırma, büyüme ve gelişme döneminin belirlenmesi ve ortognatik cerrahi gibi birçok analiz için kullanılabilir. Xie ve ark. (29) YZ algoritmaları ile lateral sefalometrik radyografilerde ortodontik tedavi öncesi diş çekimi ihtiyacını değerlendirmiş ve ANN %80 doğrulukla başarılı olmuştur. Kunz ve ark. (30) YZ modeli ile diş hekimi arasında yer işareti tespitinde elde edilen sonuçlarda anlamlı bir fark olmadığını bildirmiştir. Öte yandan, Yu ve ark. (31) otomatik iskeletsel sınıflandırma için bir YZ modeli geliştirmiş ve %90 duyarlılık, doğruluk ve özgüllük değerleri elde etmiştir. YZ ile ortognatik cerrahi planlamasında da başarılı sonuçlar elde edilmiştir. Choi ve ark. (32) hem ameliyat gerektiren hem de gerektirmeyen ortodontik tedavi görecek hastaların teşhisi için bir YZ modeli geliştirmiş, model %96 gibi yüksek bir performans göstermiştir.
Sonuç
YZ, diş hekimliğinde geniş kapsamlı kolaylıklar sağlayacak bir gelecek inşa etmektedir. Yukarıda bahsedilen tüm faydalarına rağmen, YZ ile ilgili hatalardan kimin sorumlu tutulacağı veya teşhisleri kimin kontrol edeceği gibi yasal konularda kapsamlı çalışmaların olmaması, YZ algoritmalarının klinisyenlerin yerine hareket etmekten ziyade klinisyenlere yardımcı olacak bir araç olarak kalacağını göstermektedir.
YZ çalışmaları şimdiden literatürde geniş bir yer tutmaktadır. Bu algoritmalarla ağır iş yükü altında olan klinisyenlerin tanı ve tedavi planlamalarında hataların en aza indirilmesi ve insan kaynaklı hataların minimize edilmesi hedeflenmektedir. Bu sistemlerin, özellikle klinisyen açığının olduğu sağlık merkezlerinde, hasta sağlığı, maliyet ve zaman açısından önemli faydalar sağlaması beklenmektedir.