Gelişmiş bir derin öğrenme modeli, X-ray analizini otomatikleştirerek daha hızlı ve doğru değerlendirmeler yapma imkanı sunuyor. Bu yenilikçi araştırma, omurga sağlığı teşhisinde devrim yaratma potansiyeline sahip. Karmaşık vakaları bile yönetme yeteneğine sahip olan bu sistem, doktorların zaman kazanmasını, tanı hatalarını azaltmasını ve skolyoz ile kifoz gibi omurga rahatsızlıkları için tedavi planlarını iyileştirmesini vaat ediyor.
“Spinopelvik hizalanma analizi umut verici bulgular sunsa da, mevcut araştırmalar nispeten küçük hasta gruplarına dayanmaktadır. Otomatik açıklama ile daha büyük grupların analizi mümkün hale gelebilir, bu da mevcut eğilimlerin daha iyi anlaşılmasına ve net bir şekilde belirlenmesine yardımcı olur. AI tabanlı yaklaşımlar, insan değerlendiricilere destek olarak değerlendirmelerde daha iyi tutarlılık sağlayabilir,” diyor ETH Zürih Biyomekanik Enstitüsü’nden doktora adayı Moritz Jokeit.
Omurga Teşhisinin Yeniden Tanımlanması
ABD’de yaklaşık 7 milyon, dünya genelinde ise %3 oranında scoliosis (skolyoz) teşhisi konmuş kişi bulunuyor. Bu ve diğer omurga hizalaması sorunları, ağrıya yol açmanın yanı sıra hareket kısıtlılığı ve nefes alma problemleri gibi sağlık komplikasyonlarına da neden olarak bireylerin yaşam kalitesini düşürüyor.
Hastalara etkili bir tedavi sağlamak için doğru teşhis ve izleme kritik öneme sahip. Ancak, geleneksel yöntemler olan X-ray ölçümleri, görsel değerlendirmeler ve klinik uzmanlığa dayanma, genellikle zaman alıcı, yavaş ve tutarsız olabiliyor.
Mevcut AI modelleri, atipik anatomik yapıya sahip hastalardaki karmaşık omurga hizalaması vakalarında zorluk yaşıyor. Bu gibi zorluklar, doğumsal durumlar, cerrahi müdahaleler, dejenerasyon veya travma nedeniyle ortaya çıkabilir.
AI ile Omurga Haritalama
Bu çalışma, Spine Deformity dergisinde yayımlandı ve mevcut sınırlamaları aşmayı hedefliyor. Çalışmada, gelişmiş bir segmentasyon yaklaşımını kullanan modifiye bir U-Net mimarisi ile ana omurga yapılarının tanımlanması sağlanıyor. Bu AI mimarisi, eğitildiği etiketlenmiş veri setleri aracılığıyla topladığı anatomik ilişkilerle mekansal detayları birleştiriyor.
Sistem, hastanın omurga eğriliği ve hizalaması için kapsamlı bir çok yönlü analiz sağlayarak, önden ve yandan çekilmiş radyografları inceliyor. Model, vertebra, pelvis, kalça eklemleri ve sakral bölgeler gibi omurga hizalamasını tahmin etmek için kritik anatomik özellikleri belirleyerek, bu yapıların sınırlarını ve şekillerini tanımlıyor.
Uzmanlar tarafından manuel olarak etiketlenen 555 radyografi ile eğitilen model, 455 görüntü ile eğitim yapılırken, 100 görüntü test amaçlı kullanıldı. Modelin başlatılması yaklaşık dört saniye sürerken, görüntü tahmini bir saniyeden kısa bir sürede tamamlanıyor.
Büyük boyutlu görüntüleri işleme ve model eğitimini hızlandırmak için NVIDIA RTX A6000 GPU kullanıldı. Bu GPU, NVIDIA Akademik Hibe Programı çerçevesinde araştırmacılara sağlandı.
Geleceğin Sağlık Hizmetleri
Araştırmalar, modelin çeşitli yaş grupları ve omurga bölgeleri söz konusu olduğunda, özellikle anormalliklerin bulunduğu zorlu vakalarda bile spinal hizalanma ölçümlerini doğru bir şekilde tahmin edebildiğini gösteriyor.
Uzmanlar ile benzer sonuçlar veren AI modeli, spinal eğrilik tahmininde %88’lik etkileyici bir güvenilirlik puanı elde etti. Pelvik eğilme ve sakral eğim gibi diğer omurga ölçümlerinde de güçlü sonuçlar aldı ve tahminler, manuel ölçümlere kıyasla sadece ortalama 3.3 derece farklılık gösterdi.
Genel olarak, sistem spinal sağlık verilerini %61 oranında başarıyla analiz etti ve bazı ölçümlerde %99’a kadar yakın mükemmel bir güvenilirlik skoru elde edildi.
Bu çalışma, klinik iş akışlarını hızlandırma, doktorların büyük ölçekte radyografileri hızla analiz ederek zaman kazandırma ve zorlu vakalarda tanı koyma konusundaki potansiyelini vurguluyor.
Bununla birlikte, Jokeit’e göre modelin daha fazla geliştirilmesi gerekiyor. X-ray üzerindeki parlak lekeler, tıbbi implantlara sahip hastalarda segmentasyon doğruluğunu etkileyebilirken, obez bireylerde görüntü kalitesinin düşmesi anatomik yapıları ayırt etmeyi zorlaştırıyor.
Araştırmacılar, anahtar noktası R-CNN veya dönüştürücü tabanlı modeller gibi diğer önceden eğitilmiş model mimarilerinin kullanımıyla farklı X-ray türlerine yönelik yaklaşımlarını genişletmeyi planlıyor. Ayrıca, zorlu anatomiler ve implantlı hastalar için daha fazla eğitim verisi toplamaya odaklanıyorlar.
Çalışmaya ait kodları talep etmek için ilişkili yazar ile iletişime geçebilirsiniz.
Araştırmayı Anatomik landmark tespiti üzerine çalışmada spinopelvik parametrelerin tahmini başlıklı makaleden okuyabilirsiniz.
Başvurular şimdi açık, NVIDIA teknolojisini kullanarak büyük veri setlerini işlemek, grafik sinir ağlarını eğitimine tabi tutmak, veri analitiği, robotik, 6G, federated öğrenme ve akıllı alanlarda projelerini hızlandırmayı hedefleyen tam zamanlı akademik kurum öğretim üyeleri için.
