Diş Hekimi Muayenehanesinde Yapay Zeka Tanı: Bir Rehber

Yayinlanma tarihi 19 Şubat 202610 dk. okuma suresi

yapay zekatanıeğitimdis-hekimleri-icin

Diş Hekimliği Tanısında Yapay Zeka: Gerçekte Neredeyiz?

The Lancet Digital Health dergisinde yayımlanan bir meta-analize göre (Liu ve ark., 2019), tıbbi görüntülemede derin öğrenme sistemleri yüzde 87,0 havuzlanmış sensitiviteye ulaşmıştır; sağlık profesyonellerinde bu oran yüzde 86,4'tür. Analiz 14 çalışmayı kapsamakta olup diş hekimliğine özgü değildir ve yazarlar kanıt kalitesinin sınırlı olduğunu belirtmektedir.

Diş hekimliği alanı, yapay zeka destekli tanıyı giderek daha tartışmalı bir biçimde ele almaktadır. Pazarlama hype'ı ile sağlam kanıtlar arasında önemli farklar bulunmaktadır. Bu yazı, mevcut olanakların ve sınırların kanıta dayalı bir değerlendirmesini arayan meslektaşlarıma yöneliktir.

Dortmund'daki Wilo Health Cube içerisinde muayenehanesini yapay zeka entegrasyonuyla sıfırdan planlayan ve dijital restoratif diş hekimliğine odaklanan bir diş hekimi olarak, uygun sistemleri değerlendirir ve seçerken elde ettiğim bulguları paylaşmak istiyorum.

Kanıt Durumu: Çalışmalar Ne Diyor?

Çürük Tanısı

En umut verici veri durumu, bitewing çekimleri ve OPG'ler üzerinde yapay zeka destekli çürük tespiti için mevcuttur.

Bitewing çekimlerinde approksimal çürük: Cantu ve arkadaşları (Journal of Dentistry, 2020), 3.686 etiketlenmiş bitewing çekimine dayanan bir derin öğrenme sistemi geliştirmiş ve sistemi 141 çekim üzerinde test etmiştir. Sistem yüzde 83 spesifite ile yüzde 75 sensitivite değerine ulaşmıştır; çalışmaya katılan diş hekimlerinde ise sensitivite yüzde 36, spesifite yüzde 91 olmuştur. Karşılaştırma için: Schwendicke ve arkadaşlarının (Journal of Dentistry, 2015) meta-analizinde approksimal çürüklerin röntgende tespitine ilişkin havuzlanmış sensitivite, her derinlikteki lezyonlar için yaklaşık yüzde 24, dentin lezyonları için yaklaşık yüzde 36 idi.

Periapikal filmlerde çürük: Lee ve arkadaşları (Journal of Dentistry, 2018), 3.000 periapikal röntgen üzerinde bir CNN sistemini incelemiş ve premolarlarda yüzde 89, molarlarda yüzde 88, iki grup birlikte değerlendirildiğinde ise yüzde 82 tanısal doğruluk bildirmiştir.

Klinik önem: Yapay zekanın gücü, mutlak tespit oranında değil, klinik bulgu ile etkileşiminde yatmaktadır. Yapay zeka, dikkati potansiyel olarak şüpheli alanlara yönlendiren bir tarama aracı olarak işlev görür. Asıl tanısal karar tedavi edende kalır, ancak yönlendirilmiş dikkatle desteklenir.

Periapikal Tanı

DVT çekimlerinde periapikal lezyonların tespitine ilişkin birden fazla çalışma bulunmaktadır:

Setzer ve arkadaşları (Journal of Endodontics, 2020) 20 DVT veri seti (61 kök) üzerinde CNN tabanlı bir sistemi değerlendirmiş ve lezyon tespiti için yüzde 88 spesifite ile yüzde 93 doğruluk bildirmiştir. Orhan ve arkadaşları (International Endodontic Journal, 2020) ise bir yapay zeka sisteminin DVT çekimlerinde 153 periapikal lezyonun 142'sini (yüzde 92,8) tespit ettiğini bildirmiştir.

Endodonti ile ilgilenen meslektaşlar için özellikle önemli: Yapay zeka, konvansiyonel 2D projeksiyonda üst üste binmeler nedeniyle maskelenen küçük periapikal radyolüsensilerin tespitinde gücünü göstermektedir. İlk çalışmalar, yapay zeka desteğinin DVT'de periapikal lezyonların tespit oranını artırabileceğine işaret ediyor; ancak bağımsız veriler henüz sınırlıdır.

Periodontal Tanı

Yapay zeka destekli periodontit tanısı dinamik bir şekilde gelişmektedir. Güncel sistemler şunları yapabilir:

Kemik kaybını kantitatif ölçülü hale getirme: Algoritmalar, mine-sement birleşimi ile limbus alveolaris arasındaki mesafeyi otomatik olarak ölçmekte ve diş veya yüzey bazlı bir şiddet haritalaması üretmektedir. Chang ve arkadaşları (Scientific Reports, 2020), panoramik röntgenlerde yapay zeka ile belirlenen yüzdesel kemik kaybının deneyimli radyologların değerlendirmesiyle yüksek düzeyde uyumlu olduğunu göstermiştir.

Evreleme ve derecelendirmeyi destekleme: İlk sistemler, radyolojik bulgulara dayalı olarak EFP/AAP'nin güncel sınıflandırmasına (2018) göre otomatik evreleme yapmaya çalışmaktadır. Bu konudaki kanıt hala sınırlıdır.

Almanya'daki Düzenleyici Çerçeve

MDR ve CE İşareti

Yapay zeka destekli tanı yazılımı, AB Tıbbi Cihaz Tüzüğü (MDR 2017/745) kapsamına girer ve risk sınıflandırmasına bağlı olarak Sınıf IIa veya IIb tıbbi cihaz olarak sertifikalandırılmış olmalıdır. Pratikte bu, yalnızca CE işaretli sistemlerin klinik olarak kullanılabileceği anlamına gelir.

EU AI Act

Ağustos 2024'ten beri yürürlükte olan AB Yapay Zeka Tüzüğü (AI Act), Sınıf IIa veya üzeri tıbbi cihaz sayılan yapay zeka sistemlerini yüksek riskli uygulamalar olarak sınıflandırır. Bu, örneğin tanıyı ve tedavi kararlarını destekleyen sistemleri kapsar. Muayenehane sahipleri için önemli yükümlülükler şunları içerir:

Risk yönetimi: Yapay zeka sistemi kullanımında risklerin ve önlemlerin belgelenmesi.
Veri kalitesi: Sistemin eğitim verilerinin temsili ve yansız olmasının sağlanması (üretici sorumluluğu, ancak işletenin due diligence yükümlülüğü).
Şeffaflık: Hastalar, tanıda yapay zekanın kullanıldığı konusunda bilgilendirilmelidir.
İnsan gözetimi: Yapay zeka bulguları, hekim denetimi olmaksızın tedavi planlamasına dahil edilemez.

KBV PraxisWissen KI

Alman Zorunlu Sigortalı Hekimler Birliği (KBV), KBV PraxisWissen „Künstliche Intelligenz – Hinweise zum Einsatz in Praxen“ (2025) başlıklı bilgilendirme notunu yayımlamıştır. Not hekim ve psikoterapist muayenehanelerine yöneliktir, ancak diş hekimi muayenehaneleri için de yol gösterici bilgiler içermektedir. Ana noktalar:

Yapay zeka sistemleri araçlardır, otonom karar vericiler değildir.
Tanı ve tedavi için nihai hekim sorumluluğu etkilenmez.
GDPR'ye göre veri koruma uyumu zorunludur; bulut çözümlerinde ayrıca geçerli bir C5 belgesi ve izin verilen bir veri işleme konumu gerekir.

Pratik Entegrasyon: Öğrenilen Dersler

Donanım Gereksinimleri

Ticari diş hekimliği yapay zeka sistemlerinin çoğu bulut tabanlı SaaS çözümleri olarak tasarlanmıştır. Bu, görüntülerin sağlayıcının sunucusuna aktarıldığı, orada analiz edildiği ve sonuçların geri gönderildiği anlamına gelir. Gecikme süresi tipik olarak çekim başına 2 ila 15 saniye arasındadır.

Veri koruma kaygıları olan veya yüksek hasta hacmine sahip muayenehaneler için, yerel donanımda çalışan on-premise çözümleri giderek artmaktadır. Bunlar genellikle GPU hızlandırmalı bir iş istasyonu gerektirir (NVIDIA RTX sınıfı veya benzeri), ancak hasta verilerinin muayenehaneden çıkmaması avantajını sunar.

İş Akışına Entegrasyon

Uygulamadaki en büyük tökezleme noktası teknolojinin kendisi değil, mevcut iş akışlarına entegrasyondur. Planlama aşamasından önerilerim:

DICOM uyumluluğunu kontrol edin: Yapay zeka sisteminiz, röntgen sisteminiz ve muayenehane yönetim yazılımınızla (PVS) sorunsuz iletişim kurmalıdır. DICOM dışa aktarım ve içe aktarım manuel ara adımlar olmadan çalışmalıdır.

Bulgulama iş akışını tanımlayın: Yapay zeka analizinin tedavi akışında hangi noktada gerçekleşeceğini belirleyin. Bizde: her röntgen çekiminden sonra otomatik olarak, sonuçlar hasta görüşmesinden önce hazırdır.

Ekibi eğitin: Yapay zeka bulguları doğru yorumlanmalıdır. Yanlış pozitif bulgular (artefaktlar, üst üste binmeler) tanınmalı ve sınıflandırılmalıdır. Ekipte düzenli kalibrasyon oturumları önerilir.

Belgelemeyi standartlaştırın: Hasta dosyasında yapay zeka destekli tanının kullanıldığını ve bulguların tedavi planlamasına nasıl dahil edildiğini kayıt altına alın.

Maliyet-Fayda Değerlendirmesi

Güncel fiyatlandırma modelleri önemli ölçüde değişkenlik gösterir:

SaaS modelleri: Tipik olarak hizmet kapsamına ve çekim sayısına bağlı olarak aylık 200 ila 600 Euro arasındadır. Bazı sağlayıcılar analiz başına faturalandırma yapar (çekim başına 2 ila 5 Euro).

On-premise lisanslar: Bir defaya mahsus 5.000 ila 20.000 Euro artı yıllık bakım.

ROI değerlendirmeleri: Doğrudan finansal geri dönüşü rakamlara dökmek zordur. Fayda öncelikle kalite güvencesi (daha az gözden kaçan bulgu), verimlilik (yüzlerce kesitli DVT veri setlerinde daha hızlı bulgulama) ve hasta iletişiminde (görsel olarak hazırlanmış bulgular aydınlatmayı kolaylaştırır ve önerilen tedavilerin kabulünü artırır) yatmaktadır.

Dolaylı bir ekonomik fayda erken tespitten doğar: Başlangıç aşamasında tespit edilen ve konservatif olarak tedavi edilebilen veya remineralize edilebilen bir approksimal çürük, hasta ve muayenehane için, daha sonra endodontik tedavi veya kron gerektiren gözden kaçmış bir çürüğe göre belirgin ölçüde daha az maliyetlidir.

Olası Tuzaklar

Aşırı Tanı

Sıkça küçümsenen bir risk, artan sensitivite aracılığıyla aşırı tanıdır. Yapay zeka düzenli olarak klinik olarak ilgili olmayan bulguları işaretlerse, tedavi edenlerin ya yapay zekaya kör bir biçimde güvenme (ve gereksiz tedavi uygulama) ya da uyarıları göz ardı etme (Alert Fatigue) tehlikesi vardır.

Çözüm: Klinik bulgu ile uyum içinde eşik değerinin kalibrasyonu. Yapay zeka tarafından işaretlenen her bulgu tedavi gerektirmez. Klinik korelasyon belirleyici olmaya devam eder.

Sorumluluk Soruları

Mevcut hukuki durum henüz tamamen açıklanmış değildir. Genel olarak: Hekim sorumluluğu, yapay zekanın kullanılıp kullanılmadığından bağımsız olarak tedavi edende kalır. Bir yapay zeka sistemi ne sorumluluktan kurtarabilir ne de sorumluluk yükleyebilir; bir tanısal yardımcı araçtır. Ancak, uyuşmazlık durumunda mevcut tüm tanısal araçların kullanıldığını kanıtlayabilmek için yapay zeka kullanımının belgelenmesi önerilir.

Yanlılık ve Eğitim Verileri

Yapay zeka sistemleri, ancak eğitim verileri kadar iyidir. Bir model öncelikle Avrupa popülasyonlarında eğitildiyse, farklı etnik kökenlere sahip hastalarda performans sapabilir (örn. farklı diş morfolojisi, kemik yoğunluğu). Seçim yaparken sağlayıcının eğitim veri setinin çeşitliliğine ve büyüklüğüne dikkat edin.

Gelecek Bakış: Alan Nereye Gidiyor?

Diş hekimliği yapay zekasının bir sonraki nesli muhtemelen şu gelişmeleri beraberinde getirecektir:

Multimodal analiz: Röntgen görüntüleri, intraoral taramalar, intraoral fotoğraflar ve klinik verilerin tek bir yapay zeka modelinde entegrasyonu; bu, salt radyolojik analize kıyasla daha kapsamlı bir bulgu sağlar.

Longitudinal analiz: Bulguları birden fazla zaman noktası üzerinden karşılaştıran ve ilerleme oranlarını kantitatif hale getiren yapay zeka sistemleri. Bu, özellikle periodontit tedavisi ve çürük izleme için değerli olacaktır.

Tedavi planlaması: İlk araştırma çalışmaları, optimal implant pozisyonu veya endodontik tedavilerin prognozu gibi konularda yapay zeka tabanlı tedavi planı önerilerini araştırmaktadır. Klinik olgunluk henüz sağlanmamıştır, ancak yön bellidir.

Federated Learning: Yapay zeka modelinin muayenehanelerde merkezi olmayan bir şekilde öğrendiği ve hasta verilerinin yerel sunucudan ayrılmadığı eğitim yaklaşımları. Bu, bulut tabanlı sistemlerdeki veri koruma kaygılarını çözebilir.

Kişisel Sonucum

Kanıt durumunu yoğun bir şekilde ele aldıktan ve çok sayıda ürün değerlendirmesinden sonra ikna oldum: Yapay zeka destekli tanı bir hype değil, doğru kullanıldığında klinik olarak anlamlı bir araçtır.

Anahtar teknolojinin kendisinde değil, tedavi edenin onu değerlendirme yetkinliğindedir. Bir yapay zeka sistemi iyi bir tanımcıyı gereksiz kılmaz, onu daha iyi yapar. Ve literatürde onlarca yıldır belgelenen bir boşluğu kapatır: salt görsel bulgulamanın sınırlı sensitivitesi.

Entegrasyonu düşünen meslektaşlarıma öneririm: Net bir şekilde tanımlanmış bir kullanım senaryosuyla başlayın (örn. bitewing çekimlerinde approksimal çürük taraması), sistematik olarak değerlendirin ve deneyimlerinizi belgeleyin.

Muayenehanemizin açılışından itibaren yapay zekanın diş hekimliği iş akışına entegrasyonu konusunda düzenli eğitim sunmayı planlıyorum. İlgilendiyseniz mesajınıza sevinirim.

İlgili Yazılar

Sıkça Sorulan Sorular

Almanya'da diş hekimi muayenehaneleri için hangi yapay zeka tanı sistemleri onaylanmıştır?

Almanya'da yalnızca AB Tıbbi Cihaz Tüzüğü'ne (MDR 2017/745) göre CE işareti taşıyan yapay zeka sistemleri klinik olarak kullanılabilir. Ticari sistemlerin çoğu SaaS çözümleri olarak mevcuttur, ancak daha yüksek veri koruma gereksinimleri olan muayenehaneler için giderek artan sayıda on-premise alternatif bulunmaktadır. Seçim yapılırken sertifikasyonun yanı sıra eğitim verilerinin kalitesi ve mevcut röntgen sistemiyle DICOM uyumluluğu da kontrol edilmelidir.

Dortmund'daki Puls Zahnmedizin, yapay zeka tanıyı muayenehane günlük yaşantısına nasıl entegre ediyor?

Dortmund-Hörde'deki Wilopark 15 adresinde yer alan Wilo Health Cube içindeki muayenehanemizde yapay zeka analizini her bulgulamanın sabit bir bileşeni olarak planlıyoruz. Değerlendirme, her röntgen çekiminden sonra otomatik olarak gerçekleşir ve hasta görüşmesinden önce hazırdır. Tamamen dijital chairside iş akışımızla birlikte çekimden yapay zeka destekli analize ve tedavi planlamasına kadar kesintisiz bir süreç ortaya çıkar.

Küçük muayenehaneler için yapay zeka tanı yatırımı anlamlı mıdır?

Maliyetler SaaS modellerinde aylık 200 ila 600 Euro arasında veya on-premise lisanslar için bir defaya mahsus 5.000 ila 20.000 Euro arasında değişir. Doğrudan finansal geri dönüş öncelikle kalite güvencesi ve iyileştirilmiş hasta iletişiminde yatmaktadır. Dolaylı olarak, erken tespit yoluyla yatırım karlılık sağlar: Zamanında tespit edilen bir approksimal çürük, daha sonra endodontik tedavi gerektiren gözden kaçmış bir lezyona kıyasla hastaya ve muayenehaneye belirgin ölçüde daha az maliyetlidir.

Yapay zeka yanlış bulgularla nasıl başa çıkar?

Yanlış pozitif bulgular, özellikle yüksek sensitivitede gerçek bir risktir. Çözüm, eşik değerinin kalibrasyonunda ve tutarlı klinik korelasyonda yatmaktadır. Sensitivite ve spesifite arasındaki dengeyi optimize etmek ve Alert Fatigue olarak adlandırılan durumu önlemek için muayenehane ekibinde düzenli kalibrasyon oturumları önerilir.

İleri Okuma

Schwendicke F, Tzschoppe M, Paris S. Radiographic caries detection: A systematic review and meta-analysis. Journal of Dentistry. 2015;43(8):924-933.
Cantu AG et al. Detecting caries lesions of different radiographic extension on bitewings using deep learning. Journal of Dentistry. 2020;100.
Lee JH et al. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. Journal of Dentistry. 2018;77:106-111.
Setzer FC et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. Journal of Endodontics. 2020;46(7):987-993.
Orhan K et al. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. International Endodontic Journal. 2020;53(5):680-689.
Chang HJ et al. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis. Scientific Reports. 2020;10:7531.
KBV. PraxisWissen: Künstliche Intelligenz – Hinweise zum Einsatz in Praxen. 2025.