Adölesan idiyopatik skolyozlu hastalarda 3B sırt taraması verilerinin yapay zekâya dayalı derin öğrenme ile klinik olarak sınıflandırılması
Clinical classification of 3D back scan data in patients with adolescent idiopathic scoliosis using artificial intelligence-based deep learning
- Tez No: 1017622
- Danışmanlar: PROF. DR. UMUT ÖZSOY
- Tez Türü: Doktora
- Konular: Anatomi, Anatomy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Anatomi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Skolyoz takibinin belirli aralıklarla radyografi aracılığıyla yapılması, yoğun X ışını maruziyeti nedeniyle adölesan dönemdeki bireylere olumsuz riskler oluşturmaktadır. Yapay zekâ tabanlı Cobb açısı tahmin yöntemleri otonom ve radyasyonsuz olması bakımından avantaj sağlamaktadır. Çalışmamızda, 3B taramadan elde edilen veriler aracılığıyla yapay zekâya dayalı farklı öğrenme modelleri oluşturup Cobb açısının doğrudan tahmin performansını değerlendirmeyi amaçlamaktayız. Yöntem: Çalışmamıza 1140 adölesan idiyopatik skolyozlu hasta (840 kız, 300 erkek) ve 162 adölesan sağlıklı birey (71 kız, 91 erkek) dahil edildi. 3B sırt taramasından elde edilen yüzey asimetrisi (RMS değeri) ve sırt görüntüleri kullanılarak yapay zekâya dayalı derin öğrenme modelleri oluşturulmuştur. Bunun yanı sıra demografik, antropometrik ve asimetri değerlerinin yer aldığı veri tablosu kullanılarak klasik makine öğrenme modelleri geliştirilmiştir. Tüm modellerin Cobb açısı tahmin performansı; ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE), determinasyon katsayısı (R²), sınıf içi korelasyon katsayısı (ICC) ve uyumu değerlendirmek amacıyla Bland-Altman analizi yapılmıştır. Bulgular: Derin öğrenmeye dayalı Cobb açısı tahmininde en iyi performansı sırt görüntüsü ve RMS verisinin birlikte kullanıldığı modelde elde edilmiş olup (MAE = 4,28°, RMSE = 5,87°, R2 = 0,82, ICC = 0,905, Bias = -0,06) klinik skolyoz eşiği %93,5 - %99,2 arasında doğrulukla saptanmıştır. Makine öğrenmesine dayalı modellerde ise en iyi Cobb açısı tahmin performansını Random Forest yöntemi (MAE = 4,27°, RMSE = 5,44° ve R² = 0,73) göstermiştir. Sonuç: Elde edilen bulgular, Cobb açısı tahmininin 3B yüzey topografi verileri aracılığıyla gerçekleştirilmesi klinik açıdan yeterli bir tahmin kapasitesi sağladığını göstermektedir. Geliştirdiğimiz modeller, yapay zekânın skolyoz tarama prosedürlerine entegrasyonu için bir zemin oluşturabilir.
Özet (Çeviri)
Objective: Periodic radiographic monitoring of scoliosis results in cumulative ionizing radiation exposure, posing a potential health risk to adolescents. Artificial intelligence-based Cobb angle prediction methods offer significant advantages by enabling autonomous and radiation-free assessment. In this study, we aimed to develop and comparatively evaluate various artificial intelligence-based learning models that use back surface images and asymmetry values to predict the direct Cobb angle. Method: In our study, 1140 adolescent patients with idiopathic scoliosis (840 girls, 300 boys) and 162 healthy adolescent individuals (71 girls, 91 boys) were included. Artificial intelligence-based deep learning models were created using surface asymmetry and back images obtained from 3D back surface scans. In addition, classical machine learning models were developed using a data table containing demographic, anthropometric, and asymmetry values. The Cobb angle prediction performance of all models was evaluated using mean absolute error (MAE), root mean square error (RMSE), coefficient of determination (R²), and intraclass correlation coefficient (ICC). Additionally, Bland-Altman analysis was performed to assess the agreement. Results: In deep learning-based Cobb angle prediction, the best performance was obtained in the model using both back image and RMS data (MAE = 4.28°, RMSE = 5.87°, R² = 0.82, ICC = 0.905, bias = -0.06), with an accuracy of the of 93.5% to 99.2% for determining the clinical scoliosis threshold. Among machine learning-based models, the best predictive performance was achieved by the random forest method (MAE = 4.27°, RMSE = 5.44°, R² = 0.73). Conclusion: The findings demonstrate that 3D surface topography data provide clinically sufficient predictive capacity for Cobb angle estimation. The developed models establish an evidence-based foundation for integrating artificial intelligence-based approaches into scoliosis screening and monitoring protocols.
Benzer Tezler
- Adölesan idiyopatik skolyozlu hastalarda torakal ve lumbal bölgelerde meydana gelen anatomik değişikliklerin üç boyutlu analizi
Three-dimensional analysis of anatomical changes in the thoracic and lumbal regions in patients with adolescent idiopathic scoliosis
YILMAZ YILDIRIM
- Adölesan idiyopatik skolyozlu hastalarda cerrahi tedavi sonuçlarımız
Adolescent idiopathic scoliosis: outcome after surgical treatment
KADİR GEM
Tıpta Uzmanlık
Türkçe
2017
Ortopedi ve TravmatolojiCelal Bayar ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. SERKAN ERKAN
- Adölesan idiyopatik skolyozlu hastalarda gövde kaslarının fonksiyonları ile yorgunluk düzeyi ve yaşam kalitesi arasındaki ilişki
The relationship between trunk muscle function and fatigue level, quality of life in adolescents i̇diopathic scoliosis
İLKNUR ÇALIŞKAN
Yüksek Lisans
Türkçe
2019
Fiziksel Tıp ve RehabilitasyonAnkara Yıldırım Beyazıt ÜniversitesiFizyoterapi ve Rehabilitasyon Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BAHAR KÜLÜNKOĞLU
- Adölesan idiyopatik skolyozlu hastalarda skolyoz şiddeti ile skolyoz algısı ve yaşam kalitesi arasındaki ilişkinin incelenmesi
The relationship between scoliosis severity, scoliosis perception and quality of life in patients with adolescent idiopathic scoliosis
MEHMET HANİFİ KAYA
Yüksek Lisans
Türkçe
2019
Fizyoterapi ve RehabilitasyonKırşehir Ahi Evran ÜniversitesiFizyoterapi ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. ÖZNUR BÜYÜKTURAN
- Adölesan idiyopatik skolyozlu hastalarda distal femoral ve talar kıkırdak kalınlıklarının ultrasonografi ile değerlendirilmesi
Ultrasonographic evaluation of distal femoral and talar cartilage thicknesses in adolescent idiopathic scoliosis patients
FERİDE YILDIRIM EROL
Tıpta Uzmanlık
Türkçe
2021
Fiziksel Tıp ve RehabilitasyonErciyes ÜniversitesiFiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı
PROF. DR. MEHMET KIRNAP