Geri Dön

Yapay zeka kullanılarak lezyonlu ve lezyonsuz derin çürüklü molar dişlerin endodontik açıdan değerlendirilmesi

Endodontic evaluation of carious molar teeth with and without periapical lesions using artificial intelligence

PDF İndir

  1. Tez No: 1010039
  2. Yazar: BORA İLCAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İBRAHİM UYSAL
  4. Tez Türü: Diş Hekimliği Uzmanlık
  5. Konular: Diş Hekimliği, Dentistry
  6. Anahtar Kelimeler: Panoramik radyografi, yapay zeka, derin çürük, periapikal lezyon, Cohen's Kappa, Craniocatch, Panoramic radiography, artificial intelligence, deep caries, periapical lesion, sensitivity, Cohen's Kappa, Craniocatch
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Diş Hekimliği Fakültesi
  11. Ana Bilim Dalı: Endodonti Ana Bilim Dalı
  12. Bilim Dalı: Endodonti Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

ÖZET Bu çalışma, derin çürüğe sahip lezyonlu ve lezyonsuz molar dişlerin panoramik radyografilerinin, yapay zeka tabanlı CranioCatch (CranioCatch, Eskişehir, Türkiye) modeli kullanılarak endodontik açıdan değerlendirilmesini ve elde edilen sonuçların uzman hekim değerlendirmeleri ile karşılaştırılmasını amaçlamaktadır. Panoramik radyografinin iki boyutlu yapısı nedeniyle sahip olduğu kontrast yetersizliği, süperpozisyon ve erken dönem patolojik değişikliklerin görüntülenmesindeki sınırlılıklar, hem klinik tanısal kararların hem de yapay zeka algoritmalarının performansını doğrudan etkileyen önemli faktörlerdir. Bu nedenle çalışma, panoramik görüntüler üzerinde çalışan yapay zeka sistemlerinin endodontideki uygulanabilirliğini klinik açıdan anlamlandırmayı hedeflemektedir. Çalışmamızda değerlendirilen 774 diş örneğinin; 369'u lezyonlu, 405'i lezyonsuz olup tümü derin çürük bulgusu taşımaktadır. Her bir radyografi, Craniocatch yapay zeka modeli ve iki endodontist gözlemci tarafından bağımsız biçimde analiz edilmiş; tedavi gerekliliğine yönelik kararlar duyarlılık, özgüllük, doğruluk ve Cohen's Kappa katsayıları kullanılarak karşılaştırılmıştır. Elde edilen bulgular, yapay zeka modelinin lezyonlu dişlerde panoramik radyografilerde yüksek özgüllük (%94,6) ve tatmin edici doğruluk (%86) sergilediğini, ancak lezyonlu dişlerin değerlendirilmesinde duyarlılığının %78,6 ile görece sınırlı kaldığını göstermektedir. Endodontistlerin duyarlılığı %97,8, özgüllüğü ise %91,1 düzeyinde bulunmuştur. Uyum analizlerinde, yapay zeka modeli ile endodontistler arasında lezyonlu dişlerde orta düzeyde (Kappa=0,467–0,517), lezyonsuz dişlerde ise iyi düzeyde (Kappa≈0,683–0,728) uyum elde edilmiştir. Tüm veri seti birlikte değerlendirildiğinde model ile klinik kararlar arasında iyi düzeyde uyum (Kappa=0,688) olduğu görülmektedir. Bu sonuçlar, yapay zeka sisteminin özellikle lezyonsuz alanlarda tutarlı ve güvenilir çıktılar üretme eğiliminde olduğunu, ancak lezyonlu dişlerde panoramik görüntüleme kaynaklı belirsizliklerin performansı sınırladığını ortaya koymaktadır. Çalışmanın sonuçları, panoramik radyografiler üzerinde çalışan yapay zeka modellerinin endodontide yardımcı bir tanısal araç olarak değer taşıdığını; özellikle yanlış pozitif kararları en aza indirme konusundaki başarısıyla klinisyene güvenlik sağlayabileceğini göstermektedir. Bununla birlikte, erken dönem periapikal değişiklikler ve karmaşık kök anatomilerinin değerlendirilmesinde yapay zekanın performansının artırılması için daha yüksek kaliteli görüntülere, çok merkezli veri setlerine, CBCT ile zenginleştirilmiş hibrit eğitim modellerine ve açıklanabilir yapay zeka yaklaşımlarına ihtiyaç bulunmaktadır.

Özet (Çeviri)

ABSTRACT This study aims to evaluate panoramic radiographs of carious molar teeth with and without periapical lesions using the artificial intelligence (AI)–based Craniocatch model and to compare the diagnostic performance of the system with expert endodontic assessments. The inherent limitations of panoramic radiography—such as its two-dimensional structure, contrast deficiency, superimposition, and restricted visibility of early pathological changes—directly influence both clinical decision-making and the performance of AI algorithms. Therefore, this study seeks to clarify the clinical applicability of AI systems operating on panoramic images within the field of endodontics. In this study, a total of 774 teeth with deep caries were evaluated, of which 369 presented with periapical lesions and 405 were lesion-free. Each radiograph was independently analyzed by the CranioCatch artificial intelligence model and by two endodontist observers. Decisions regarding treatment necessity were compared using sensitivity, specificity, accuracy, and Cohen's Kappa coefficients. The findings indicated that the artificial intelligence model demonstrated high specificity (94.6%) and satisfactory accuracy (86%) in the evaluation of panoramic radiographs of lesion-bearing teeth; however, its sensitivity remained relatively limited at 78.6%. In comparison, the endodontists showed a sensitivity of 97.8% and a specificity of 91.1%. Agreement analysis revealed moderate agreement between the AI model and endodontists for lesion-positive teeth (Kappa = 0.467–0.517) and good agreement for lesion-negative teeth (Kappa ≈ 0.683–0.728). When the entire dataset was assessed, the AI model and clinical decisions rdemonstrated good overall ageement (Kappa = 0.688). These results indicate that the AI system tends to produce consistent and reliable outputs particularly for non-lesion cases, while performance in lesion-positive teeth is constrained by the inherent imaging limitations of panoramic radiography. Overall, the study highlights the value of AI models operating on panoramic radiographs as auxiliary diagnostic tools in endodontics, especially due to their ability to minimize false-positive decisions. However, enhancing AI performance for early periapical changes and complex root morphologies will require higher-quality imaging, multicenter datasets, hybrid training approaches incorporating CBCT, and the integration of explainable AI methodologies.

Benzer Tezler

  1. Tez No

    890020

    Maksillofasial bölgede radyoopak ve radyolusent görüntü veren lezyonlarda yapay zeka modellerinin etkinliğinin panoramik radyografiler üzerinde değerlendirilmesi

    The effectiveness of artificial intelligence models on radiopaque and radiolucent lesions in the maxillofacial region on panoramic radiography

    ZEYNEP TURANLI TOSUN

    Doktora

    Türkçe

    Türkçe

    2024

    Diş HekimliğiAtatürk Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. MUHAMMED AKİF SÜMBÜLLÜ

  2. Tez No

    783838

    Skin lesion classification with machine learning

    Makine öğrenmesi ile cilt lezyonu sınıflandırması

    ESRA SENDEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  3. Tez No

    850837

    Beyaz nokta sendromlarında fundus otofloresans görüntülerinde derin öğrenme ile lezyon tespiti

    Lesion detection with deep learning in fundus autofluorescence images in white dot syndromes

    ALİ SAFA BALCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Göz HastalıklarıSağlık Bilimleri Üniversitesi

    Göz Hastalıkları Ana Bilim Dalı

    PROF. DR. AYŞE ÇİĞDEM ALTAN

  4. Tez No

    949334

    Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma

    Multi-class classification for skin lesions using deep learning techniques

    ÜMMÜHAN KOPAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜRVET KIRCI

  5. Tez No

    570547

    Derin öğrenme ile görüntü bölütleme

    Image segmentation with deep learning

    ELİF IŞILAY ÜNLÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET ÇINAR

Geri Dön