Diz osteoartritinin (OA) radyografik değerlendirilmesi yaygın olarak Kellgren–Lawrence (KL) derecelendirme sistemi ile yapılmaktadır; ancak bu sistemin öznel niteliği, özellikle hastalığın erken evrelerinde gözlemciler arası ve gözlemci içi önemli değişkenliğe yol açmaktadır. Bu çalışma, düz radyografilerden otomatik KL derecelendirmesi için önceden eğitilmiş derin öğrenme modellerini, sıralı (ordinal) farkındalığa sahip öğrenme ve değerlendirme çerçevesi kullanarak karşılaştırmalı olarak değerlendirmeyi amaçlamıştır
Bu retrospektif deneysel çalışmada, 0 ile 4 arasında uzman tarafından atanan KL dereceleri ile kamuya açık Osteoarthritis Initiative (OAI) veri setinden elde edilen 8.260 diz radyografisi kullanılmıştır. Beş önceden eğitilmiş konvolüsyonel sinir ağı mimarisi (VGG-16, ResNet-50, DenseNet-121, EfficientNetB0 ve InceptionV3), transfer öğrenimi kullanılarak uygulanmıştır. Adil bir karşılaştırma sağlamak için tüm modeller özdeş ön işleme, artırma, sınıf dengesi ve hiperparametre ayarları altında eğitilmiştir. KL derecelerinin sıralı doğasını modellemek için sıralı (ordinal) CORAL tabanlı bir kayıp fonksiyonu kullanılmıştır. Model performansı öncelikle kare ağırlıklı kappa (QWK) ile değerlendirilmiş; ayrıca doğruluk, dengeli doğruluk, makro-F1 skoru, ROC–AUC ve hassasiyet–duyarlılık analizleri de gerçekleştirilmiştir. Klinik olarak anlamlı eşiklerde (KL ≥ 2 ve KL ≥ 3) potansiyel klinik faydayı değerlendirmek üzere karar eğrisi analizi (DCA) yapılmıştır
Değerlendirilen mimariler arasında, VGG-16 bağımsız test setinde en yüksek sıralı uyumu (QWK = 0.830) göstermiş; makro-F1 skoru 0.676 ve dengeli doğruluk 0.684 olarak bulunmuştur. Genel olarak, modeller orta ve ileri OA evrelerinde (KL 3 ve 4) daha yüksek performans sergilerken, özellikle erken evre hastalıkta (KL 1) ayrım performansı daha düşük olmuştur. Karışıklık matrisi analizleri, çoğu yanlış sınıflandırmanın bitişik KL dereceleri arasında gerçekleştiğini göstermiş olup bu durum klinik olarak beklenen sıralı davranışı yansıtmaktadır. Karar eğrisi analizi, önerilen sıralı derin öğrenme modelinin, hem KL ≥ 2 hem de KL ≥ 3 senaryolarında tüm hastaları tedavi etme ve hiç tedavi etmeme stratejilerine kıyasla geniş bir olasılık aralığında daha yüksek net fayda sağladığını ortaya koymuştur
Sıralı farkındalığa sahip derin öğrenme modelleri, düz radyografilerden otomatik KL derecelendirmesi yaparak klinik açıdan anlamlı ve yorumlanabilir sonuçlar verebilmektedir. Önerilen çerçeve, gözlemciye bağlı değişkenliği azaltmakta ve diz OA’nın erken ve ileri evrelerinde bir karar destek aracı olarak potansiyel göstermektedir. Klinik genellenebilirliği artırmak için çok merkezli veri setleri ile ileri doğrulamaya ihtiyaç vardır.