Derin öğrenme modelleri Alzheimer hastalığının ilerlemesi sırasında beyin değişikliklerini tespit ediyor

Zamana yayılan beyin değişimini izlemek neden önemli

Alzheimer hastalığı hafıza ve düşünme yetilerini yavaşça aşındırır, ancak beyindeki hasar günlük belirtiler belirginleşmeden yıllar önce birikir. Hekimler genellikle bir kişinin Alzheimer olup olmadığını değerlendirmek için tek bir beyin taraması veya test sonucuna dayanır; oysa hastalık zaman içinde gelişir. Bu çalışma, büyük sonuçları olan basit bir soruyu gündeme getiriyor: insanların beyin taramalarını birkaç yıl boyunca izleyip bu değişimlerden gelişmiş bir bilgisayar modelinin öğrenmesine izin verirsek, sadece Alzheimer’ı daha kesin tespit etmekle kalmayıp hangi beyin bölgelerinin önce ve daha ağır etkilendiğini de görebilir miyiz?

Sadece bir anlık görüntü değil, beynin hikâyesini izlemek

Araştırmacılar, Alzheimer hastaları ve bilişsel olarak normal eşleri de dahil olmak üzere 280’den fazla yaşlı yetişkinden alınan yapısal MRI taramalarını kullandılar; bu taramalar beynin ayrıntılı anatomisini gösterir. Kritik olarak, her bireyde yaklaşık bir yıl arayla alınmış üç tarama vardı ve ekip böylece beyin dokusunun iki yıl içindeki değişimini izleyebildi. Her taramayı ayrı bir görüntü gibi ele almak yerine, tüm zaman noktalarını birlikte alan bir derin öğrenme modeli kurdular. Model gri madde—sinir hücresi gövdeleriyle dolu beyin dokusu—ile birlikte beyaz madde ve beyin-omurilik sıvısına dikkat edecek ve bu dokulardaki desenlerin hastalık ilerledikçe nasıl evrildiğini öğrenebilecek şekilde tasarlandı.

Beyin ritmine ayarlanmış bir derin öğrenme modeli

Bu ince kaymaları yakalamak için ekip, Çok Dallı Birleştirme Kanal Dikkat Ağı (Multi-Branch Fusion Channel Attention Network) adında, MRI hacimlerini düz görüntüler yerine işleyen 3B konvolüsyonel sinir ağı oluşturdu. Ayrı dallar farklı dokuları veya zaman noktalarını işler ve sonra bilgilerini birleştirir; “dikkat” mekanizması ise modelin üç boyutlu alanda en bilgilendirici bölgelere odaklanmasına yardımcı olur. Ağırlıklı olarak gri madde verileriyle eğitilen ağ, bir veri kümesinde Alzheimer beyinlerini normal yaşlanan beyinlerden yaklaşık %93 doğruluk ve kusursuz özgüllükle ayırt etmeyi öğrendi ve birçok mevcut yapay zeka yöntemini geride bıraktı. Ayrıca bağımsız bir Avustralya veri kümesine de iyi genelleşti; bu, modelin tek bir çalışmanın tuhaflıklarını ezberlemediğini, daha geniş hastalık sinyallerini yakaladığını gösteriyor.

Hangi beyin bölgelerinin tartıyı değiştirdiğini görmek

Tıp için yüksek doğruluk tek başına yeterli değildir; klinisyenlerin bir modelin kararlarını neyin yönlendirdiğini anlaması gerekir. Bu yüzden araştırmacılar, MRI’deki her küçük üç boyutlu piksele—yani voksele—önem puanı atayan SHAP adlı yorumlanabilirlik tekniğini kullandılar. Bu vokselleri anatomik bölgelere gruplayınca hastalığın dinamik bir tablosu ortaya çıktı. Erken dönemde duygu ve hafızayla ilişkili bir bölge olan amigdala, hastaları sağlıklı eşlerden ayırt etmede özellikle önemliydi. Zamanla hipokampus, parahipokampal girus ve özellikle temporal lobun arka kısımları daha etkili hale gelirken, amigdalanın göreli rolü azaldı. İki yıl sonunda hasta ve kontrol grupları arasındaki farklılıklar çok daha belirgin ve kümelenmiş hâle geldi; özellikle beynin sol tarafında yoğunlaştı.

Semptomlar ve klinik skorlarla uyuşan desenler

Modelin odağının biyolojiyle örtüşüp örtüşmediğini kontrol etmek için ekip geleneksel beyin hacmi analizleri ve istatistiksel testler yaptı. Vurgulanan bölgelerdeki gri maddenin Alzheimer’lı kişilerde normal yaşlanan yetişkinlere göre daha hızlı küçüldüğünü ve bu alanlardaki daha düşük hacmin Mini-Mental State Examination ve Clinical Dementia Rating gibi standart bilişsel testlerde daha kötü skorlarla yakın şekilde ilişkili olduğunu buldular. Hasarın iç temporal yapılardan dışarıya, posterior dil ve ilişki alanlarına doğru ilerlemesi, Alzheimer için klasik patolojik evreleme şemalarını yansıttı. Ayrıca sol tarafta bir eğilim belirdi; bu, beynin dil ve belirli bellek fonksiyonlarında sol tarafın baskın olmasıyla uyumlu. Voksel tabanlı morfometri, erken değişikliklerin dağınık ve küçük olduğunu, ardından hastalık ilerledikçe posterior temporal ve frontal bölgelerde daha büyük ve daha yoğun hâle geldiğini gösterdi.

Hastalar ve hekimler için bunun anlamı

Uzman olmayanlar için temel çıkarım şudur: Alzheimer beyninde basit bir açık-kapalı anahtar gibi davranmaz; düzenli ama hızlanan bir yol izler ve zaman içinde belirgin izler bırakır. Bir derin öğrenme modeline sadece beynin nerede farklı göründüğünü değil, bu farklılıkların birkaç yıl boyunca nasıl büyüdüğünü öğretmek bu çalışmanın Alzheimer’ı daha erken ve daha doğru şekilde işaretlemenin bir yolunu sunmasını sağlıyor. Ayrıca amigdala, hipokampus, parahipokampal girus ve posterior temporal korteks dahil olmak üzere değişen boyut ve yapısı bilişsel gerilemeyle yakından ilişkili küçük bir beyin bölgesi setini de belirliyor. Daha fazla çalışmaya, özellikle ek görüntüleme yöntemleri ve daha büyük veri kümelerine ihtiyaç olmakla birlikte, bu yaklaşım zaman çözünürlüklü beyin taramaları ve yorumlanabilir yapay zekayı Alzheimer hastalığının erken tanısı, takibi ve nihai olarak müdahalelerin yönlendirilmesi için pratik araçlara daha da yaklaştırıyor.

Atıf: Sun, J., Han, JD.J. & Chen, W. Deep learning models identify brain changes during the progression of Alzheimer’s disease. npj Syst Biol Appl 12, 42 (2026). https://doi.org/10.1038/s41540-026-00666-7

Anahtar kelimeler: Alzheimer hastalığı, beyin MRI, derin öğrenme, uzunlamasına görüntüleme, nörodejenerasyon