Ortodontik tedavide çekim kararı için makine öğrenmesi algoritmalarının uygulanması ve değerlendirilmesi
Application and evaluation of machine learning algorithms for extraction decision in orthodontic treatment
- Tez No: 876925
- Danışmanlar: DOÇ. DR. HANDE PAMUKÇU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Diş Hekimliği, Computer Engineering and Computer Science and Control, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Ortodonti Bilim Dalı
- Sayfa Sayısı: 90
Özet
Çekim kararı tedavi sürecini ve sonucunu önemli ölçüde etkiler. Bu nedenle, çekim kararını daha objektif ve standardize edilmiş bir yöntemle almak son derece önemlidir. Bu çalışmanın amaçları; (1) yedi makine öğrenmesi modeli arasında en iyi performans gösteren modeli belirlemek ve deneyimsiz klinisyenler için bir rehber oluşturmak, (2) çekim kararı için önemli değişkenleri belirlemek ve (3) daha iyi bir doğrulama stratejisi geliştirerek aşırı öğrenmenin önüne geçerek model sonuçlarının genelleştirilmesini sağlamak. Bu çalışma, çekimli veya çekimsiz ortodontik tedavi alan bin hastayı (500 çekimli ve 500 çekimsiz) içermektedir. Bu çalışmanın başarı kriteri, makine öğrenmesi modellerinin kararlarının deneyimli ortodontistlerin kararlarıyla tutarlı olmasıdır. Yedi makine öğrenmesi modeli (yapısal bağıntı, destek vektör makineleri, karar ağaçları ormanı, gradyan artırmalı ağaçlar, çok katmanlı algılayıcı, oylama sınıflandırıcısı ve yığılma sınıflandırıcısı); demografik bilgiler, sefalometrik ve model ölçümleri de dahil olmak üzere 36 değişken kullanılarak eğitilmiştir. İlk olarak çekim kararı alınmış ardından çekim tipi belirlenmiştir. Makine öğrenmesi modellerinin başarısını ölçmek için doğruluk ve karar değerlendirme grafiği eğrisi altında kalan alan (AUC) kullanılmıştır. Gradyan artırmalı ağaçlar, destek vektör makinesi ve karar ağaçları ormanı modellerinden oluşan yığılma sınıflandırıcısı çekim kararında %91,2 AUC ile en yüksek performansı göstermiştir. Çekim kararını belirleyen en önemli değişkenler maksiller ve mandibuler ark boyu sapması, Wits değeri ve ANS-Me uzunluğudur. Benzer şekilde yığılma sınıflandırıcısı, çekim tipi kararında %76,3 doğrulukla en yüksek performansı göstermiştir. Çekim tipi kararı için en önemli değişkenler mandibular ark boyu sapması, Sınıf I molar ilişki, sefalometrik overbite, Wits değeri ve L1-NB mesafesidir. Yığılma sınıflandırıcısı, çekim kararı için en iyi performansı sergilemiştir. Makine öğrenmesi modelleri çekim kararında yüksek bir performans gösterirken çekim tipi kararında aynı düzeyde performansı elde edilememiştir.
Özet (Çeviri)
The extraction decision significantly affects the treatment process and outcome. Therefore, it is crucial to make this decision with a more objective and standardized method. The objectives of this study were (1) to identify the best-performing model among seven machine learning models, which will serve as a guide for inexperienced clinicians, (2) to determine the important variables for the extraction decision, and (3) to prevent overfitting by developing a better validation strategy, thus ensuring the models' generalizability. This study included one thousand patients who received orthodontic treatment with or without extraction (500 extraction and 500 non-extraction). The success criteria of this study were that the decisions of the ML models were consistent with the decisions of experienced orthodontists. Seven ML models (Logistic Regression, Support Vector Machines, Random Forests, Gradient Boosted Trees, Multi-layer Perceptron, Voting Classifier, and Stacking Classifier) were trained using 36 variables; including demographic information, cephalometric and model measurements. First, the extraction decision was performed, and then the extraction type was identified. Accuracy and area under the curve (AUC) of the receiver operating characteristics (ROC) curve were used to measure the success of ML models. The Stacking Classifier model, which consists of Gradient Boosted Trees, Support Vector Machine, and Random Forest models, showed the highest performance in extraction decision with 91,2% AUC. The most important features determining extraction decision were maxillary and mandibular arch length discrepancy, Wits Appraisal, and ANS-Me length. Likewise, the Stacking Classifier showed the highest performance with 76,3% accuracy in extraction type decisions. The most important variables for the extraction type decision were mandibular arch length discrepancy, Class I molar relationship, cephalometric overbite, Wits Appraisal, and L1-NB distance. The Stacking Classifier model exhibited the best performance for the extraction decision. While ML models showed a high performance in extraction decision, they could not able to achieve the same level of performance in extraction type decision.
Benzer Tezler
- Çekim kararı ve tedavi süresinin ortodontik tedaviye bağlı oluşan kök rezorpsiyonu üzerine etkisinin değerlendirilmesi
Evaluation of the effect of extraction decision and duration of treatment on orthodontically induced root resorption
SEMİ ÇALIŞ
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiOrdu ÜniversitesiOrtodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASİN ATAKAN BENKLİ
- Lingual ve labial ortodontik tedavide çekim boşluklarının kapatılması sırasında oluşan diş hareketlerinin FEM analizi ile incelenmesi
Evaluation of tooth movement during extraction space closing with lingual and labial orthodontic treatment using FEM analysis
TOPTAN KÖNE İLKAY
Doktora
Türkçe
2009
Diş Hekimliğiİstanbul ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. YILDIZ ÖZTÜRK ORTAN
- Sabit ortodontik tedavide kanin retraksiyonu safhasında kanin dişe uygulanan kortikotominin diş hareketi üzerine etkisinin incelenmesi
Evaluating the effect of corticotomy in tooth movement applied to canine during canine retraction phase of fixed orthodontic treatment
F. DENİZ ESEN (UZUNER)
- Alternatif irrigasyon solüsyonlarının smear tabakasının kaldırılmasındaki etkinliğinin taramalı elektron mikroskobu ile değerlendirilmesi
Evaluation of effectiveness on the removal of smear layer of alternative irrigation solutions with scanning electrone microscope
ŞENAY KAYA
- Ortodontik tedavide görülen kök rezorpsiyonlarına genetik faktörlerin etkisinin incelenmesi
Investigation of the effect of genetic factors on root resorption i̇n orthodontic treatment
DUYGU ÖZTÜRK
Diş Hekimliği Uzmanlık
Türkçe
2022
Diş HekimliğiDicle ÜniversitesiOrtodonti Ana Bilim Dalı
PROF. DR. SEHER GÜNDÜZ ARSLAN