Diş radyolojik görüntülerinde yapay zekâ için güncel araştırma fırsatları

Tarih: 12 Eylül 2026

Kapsam: 2024–2026 birincil çalışmaların sınırlı taraması. Hastaya ait hiçbir görüntü açılmadı, yüklenmedi veya işlenmedi. Kullanıcının elinde çok sayıda radyolojik görüntü bulunduğu beyan edilmiştir; modalite, etiket, hasta, merkez ve cihaz grupları henüz bilinmemektedir. Bu nedenle aşağıdaki öneriler çalıştırmaya hazır protokol değil, veri envanterinden sonra sınanabilecek araştırma sorularıdır.

Kullanıcının 2026 tarihli çalışması, Tufts Dental Database içindeki 1000 panoramik radyografide farklı U-Net kodlayıcılarını beş katlı çapraz doğrulamayla karşılaştırmış; Dice katsayısı 0,9168–0,9259 aralığında kalırken model büyüklüğü ve hesap maliyeti belirgin değişmiştir. Çalışmanın kendisi, hasta demografisi ile ayrıntılı cihaz metadata’sı bulunmadığından alt grup analizi ve alan dışı genellemenin değerlendirilemediğini belirtir. Bu geçmiş, yeni çalışmayı yalnız başka bir mimari veya “SAM + diş” denemesi üzerine kurmamak için önemlidir. Önceki çalışmamız.

Öncelikler ve ölçütler

Segmentasyon (bölütleme), görüntüde bir yapının sınırlarını piksel veya hacim elemanı düzeyinde ayırmaktır. Dice, tahmin maskesi ile referans maskenin örtüşmesini 0–1 arasında ölçer; tanı doğruluğu değildir. HD95, sınırlar arasındaki uzaklıkların yüzde 95’lik düzeyini özetler. CBCT, konik ışınlı bilgisayarlı tomografidir. Kalibrasyon, modelin bildirdiği güven ile gözlenen doğruluğun uyumudur; seçici ret, güvenilmeyen vakada otomatik sonuç vermemektir.

Soru 1 — Model yeni merkez ve cihazda ne zaman güvenilir değildir?

Literatürün gösterdiği. Yalım ve arkadaşlarının panoramik diş maskesi çalışması güçlü bir iç karşılaştırma sunar, fakat bağımsız merkez testi içermez. Cao ve arkadaşları 2025’te çok merkezli bitewing radyografilerinde dişlerin yanı sıra implant, kron, dolgu, kanal tedavisi, çürük ve diş taşı gibi bulguları otomatik charting kapsamında bölütlemiştir. Çok merkezli veri yararlı bir emsaldir; yine de bir veri kümesinin çok merkezli olması, görülmemiş bir hastanede ileriye dönük klinik başarıyı kendiliğinden kanıtlamaz. Çok merkezli bitewing çalışması.

Bizim önerimiz. Aynı hasta veya aynı çekim serisinin görüntüleri hiçbir zaman farklı kümelere dağılmadan, merkez ve cihaz modeli temelinde leave-one-center/device-out değerlendirme yapılabilir. Ana çıktı yalnız Dice olmamalıdır: sınır hatası, diş başına başarısızlık, küçük yapı duyarlılığı, güven kalibrasyonu ve modelin sonuç vermeyi reddettiği vakalardaki seçici risk birlikte raporlanmalıdır. Ucuz başlangıç karşılaştırması, mevcut EfficientNet-B0–U-Net ile nnU-Net veya sade U-Net’tir; test merkezine bakarak eşik ya da ön işleme seçilmez. Domain adaptation ancak bu sabit karşılaştırmaya üstün gelirse eklenir.

Gerekli kanıt ve yanlışlama. Önce görüntü sayısından bağımsız hasta, merkez, cihaz, yaş grubu ve çekim tarihi sayıları çıkarılmalıdır. Tek merkez veya tek cihaz varsa dış merkez iddiası kurulamaz; zamansal ayrım daha dürüst bir ilk test olabilir. Yeni merkezde kalibrasyon bozuluyor, reddetme mekanizması büyük hataları ayırmıyor veya kazanç yalnız test merkezinin etiketsiz görüntülerine uyarlamayla ortaya çıkıyorsa genel geçer güvenilirlik katkısı desteklenmez. Retrospektif test klinik iş akışı, tanı yararı veya hasta sonucu doğrulaması değildir.

Soru 2 — Az etiketle 2B panoramik ve 3B CBCT yapıları ne kadar öğrenilebilir?

Literatürün gösterdiği. ToothFairy Challenge raporu, alt çenedeki sinir kanalını çevreleyen kemik kanal için 443 eğitim hacmi (153 hacimde yoğun 3B, tüm eğitim hacimlerinde seyrek 2B etiket) ve ayrıca 50 gizli test hacmiyle yarı denetimli bir kıyaslama kurmuştur. ToothFairy2’nin 2026 raporu ise 530 CBCT hacminde 42 maksillofasiyal yapıyı ve 50 hacimlik gizli testi sunmuştur. En iyi genel Dice yaklaşık 0,925 olsa da inferior alveolar kanalda kopukluk, metal artefaktlarında hata, az temsil edilen üst çene sinüslerinde düşüş ve tek dişlerin birleşmesi/ayrılması sürmüştür. Sonuçlar, genel amaçlı nnU-Net türevlerinin güçlü olduğunu; yalnız yeni bir omurga önermenin yeterli katkı olmadığını gösterir. ToothFairy, ToothFairy2.

Bizim önerimiz. Etiket maliyetini doğrudan ölçen bir çalışma yapılabilir: tam maske, sınırlı dilim, kaba sınır kutusu veya nokta etiketi için harcanan uzman dakikası sabit tutularak performans karşılaştırılır. Aktif öğrenme, hangi hasta hacminin veya hangi dilimin etiketleneceğini seçebilir; yarı denetimli model güvenilir olmayan sözde etiketleri dışarıda bırakmalıdır. Panoramik görüntü ile CBCT aynı örnek veya aynı görev sayılmaz. Modaliteler ayrı kollar olarak tutulmalı; ortak ön eğitim kullanılacaksa kazanç her modalitede ve görülmemiş hasta grubunda ayrıca gösterilmelidir.

Ucuz temel ve veri ayrımı. İlk temel yöntem nnU-Net veya 2B U-Net; az etiket karşılaştırması rastgele seçilmiş aynı uzman-zaman bütçesidir. Hasta kimliği ana grup olur; aynı hastanın dilimleri, yeniden biçimlendirilmiş görüntüleri ve artırılmış kopyaları tek grupta kalır. Merkez ve cihaz varsa dış test için kilitlenir. Ortalama Dice’a ek olarak HD95, kanal sürekliliği, örnek düzeyinde diş sayma/ayırma hatası ve yapı başına sonuç gerekir.

Yanlışlama. Aktif seçim yalnız daha fazla pozitif piksel gördüğü için kazanıyorsa, sözde etiketler küçük yapılarda hatayı büyütüyorsa veya uzman-zamanı hesaba katılınca rastgele seçimle fark kalmıyorsa yöntem avantajı yoktur. ToothFairy sonuçlarının başka cihaz, ülke veya popülasyona aktarımı ayrıca gösterilmeden klinik genelleme söylenemez.

Soru 3 — Küçük çürük sınırları, dentisyon grubu ve yanlış pozitif yükü birlikte iyileştirilebilir mi?

Literatürün gösterdiği. Asci ve arkadaşları 2024’te 4–14 yaş arasındaki çocuklara ait 6075 panoramik radyografiyi süt, karma ve daimi dentisyon olarak ayırmış; U-Net çürük bölütlemesinde karma dentisyonda duyarlılığı 0,7377, toplamda 0,8269 bildirmiştir. Bu grup farkı, yalnız toplam başarı değerinin önemli bir zayıflığı gizleyebileceğini gösterir. Akdağ’ın ortak yazarlı olduğu 2026 çalışması, bütün dişi düşük hesap maliyetiyle güvenilir biçimde ayırmanın küçük lezyon analizi için bir ön bölge sağlayabileceğini gösterir; çürük bölütlemesini kendisi doğrulamaz. 2025 tarihli cascaded-learning çalışması da çürük tespiti ve bölütlemesini aşamalı bir düzen içinde ele almıştır. Bu yayınlar, küçük lezyon sınırı ve sınıf dengesizliğinin çözülmüş olduğunu kanıtlamaz. Çocuklarda çürük bölütleme, Aşamalı çürük modeli.

Bizim önerimiz. Önce diş örneği bulunup sonra yüksek çözünürlüklü lezyon maskesi çıkaran iki aşamalı sistem, tek aşamalı U-Net ile aynı görüntü çözünürlüğü ve hesap bütçesinde karşılaştırılabilir. Birincil sonlanım, hasta başına sabit yanlış pozitif sayısında lezyon duyarlılığı olmalıdır. İkincil ölçütler lezyon başına Dice, yüzey mesafesi, lezyon boyutuna göre duyarlılık, süt/karma/daimi dentisyon ve restorasyon varlığına göre kalibrasyondur. “Lezyon yok” görüntüler mutlaka korunmalı; yalnız kırpılmış pozitif dişler üzerinden yüksek başarı sunulmamalıdır.

Etiket ve klinik sınır. Çürük için referans standardı bilinmeden çalışma tasarlanamaz. Tek gözlemcinin panoramik maske etiketi, erken çürük için kesin klinik gerçek sayılmamalıdır. Mümkünse iki kör değerlendirici, uyuşmazlık uzlaştırması ve uygun olduğunda bitewing/klinik doğrulama gerekir. Hasta düzeyinde kilitli test, yaş ve dentisyon gruplarını korumalıdır. Küçük lezyon sayısı azsa bootstrap güven aralıkları hasta düzeyinde hesaplanmalı; çok sayıda piksel bağımsız örnek gibi kullanılmamalıdır. İki aşamalı sistem karma dentisyonda, küçük lezyonda veya negatif hastalarda yanlış pozitif yükünü iyileştirmiyorsa katkı desteklenmez.

Doğrulanmış birincil kaynaklar ve erişim düzeyi

1. Yalım A., Aytugar E., Kalabalık F., Akdağ İ. (2026), “Comparative Analysis of Deep Learning Architectures for Automatic Tooth Segmentation in Panoramic Dental Radiographs: Balancing Accuracy and Computational Efficiency.” Diagnostics 16, 336. DOI ve açık tam metin.
2. Cao L. ve arkadaşları (2025), “Automated chart filing on bitewings using deep learning: enhancing clinical diagnosis in a multi-center study.” Journal of Dentistry 161, 105919. DOI; yayıncı özeti.
3. Bolelli F. ve arkadaşları (2024 erken çevrimiçi yayın; 2025 cilt), “Segmenting the Inferior Alveolar Canal in CBCT Volumes: The ToothFairy Challenge.” IEEE Transactions on Medical Imaging. DOI; challenge kaydı ve yayın künyesi.
4. Bolelli F. ve arkadaşları (2026), “Multi-structure segmentation in CBCT volumes: The ToothFairy2 challenge.” Medical Image Analysis, 104095. DOI; yayıncı özet ve ayrıntılı yöntem/sonuç metni.
5. Asci E. ve arkadaşları (2024), “A Deep Learning Approach to Automatic Tooth Caries Segmentation in Panoramic Radiographs of Children in Primary Dentition, Mixed Dentition, and Permanent Dentition.” Children 11, 690. DOI ve açık tam metin.
6. “Automated detection and segmentation of dental caries using a novel cascaded learning approach” (2025), Biomedical Signal Processing and Control 102, 107344. DOI; yayıncı özeti.

Kaynak 1, mevcut segmentasyon birikimi ve dış doğrulama açığı için; kaynak 2, çok merkezli bitewing görevlerinin emsali için kullanıldı. Kaynak 3 ve 4, kısmi etiket ve zor anatomik yapıların açık kalan sorunlarını; kaynak 5 ve 6, dentisyon alt grupları ile aşamalı çürük analizini destekler. Bu yayınlar bizim veri kümesindeki başarıyı veya önerilerin kesin özgünlüğünü kanıtlamaz.

İlk karar

Veri envanterinde merkez veya cihaz grupları varsa ilk tercih Soru 1’in fizibilitesidir; iki grup yalnız bir başlangıç karşılaştırması sağlar, geniş genelleme için yeterli sayılmaz. Bu yol, mevcut 2026 çalışmasının doğal fakat tekrar olmayan devamıdır. Yalnız tek merkez varsa Soru 3 daha uygulanabilir olabilir. CBCT ve kısmi etiket gerçekten mevcutsa Soru 2 değerlidir. Etiket tanımı, hasta grupları ve klinik referans görülmeden hiçbir yol için örnek yeterliliği, tanısal başarı veya yayın özgünlüğü ilan edilmemelidir.