Rey Kompleks Figür Testini kullanarak hafif bilişsel bozukluğu tahmin etmek için görüntüleri ve özellik temsilini entegre eden çoklu akış derin öğrenme çerçevesi

Çizim neden gizli hafıza sorunlarını ortaya çıkarabilir

İnsanlar daha uzun yaşadıkça, birçok kişi küçük hafıza aksaklıklarından ve bunların demansın erken evrelerine işaret edip etmediğinden endişe ediyor. Doktorlar, düşünme ve hafızayı kontrol etmek için uzun zamandır kağıt-kalem çizim testlerini kullanıyor; çünkü bu testler hızlı, düşük maliyetli ve her klinikte kolay uygulanabilir. Bu çalışma, modern yapay zekânın tek bir klasik çizim testinden çok daha fazla bilgi çıkarabileceğini gösteriyor; böylece bu test, sıklıkla demanstan önce gelen hafif bilişsel bozukluk için güçlü bir erken uyarı aracına dönüşüyor.

Yeni dijital gözlerle klasik bir resim

Sık kullanılan çizim görevlerinden biri Rey Kompleks Figür Testi’dir. Kişiden önce ayrıntılı, soyut bir çizimi kopyalaması ve daha sonra hafızasından tekrar çizmesi istenir. Geleneksel olarak uzmanlar, her çizimi 36 puanlık bir ölçekte puanlayarak farklı parçaların yerleşimi ve şekline göre doğruluğunu değerlendirir. Bu puanlar görsel-uzamsal beceriler ve görsel hafıza hakkında yararlı bir anlık görüntü verir, ancak kaçınılmaz olarak çizimin birçok ince ayrıntısını göz ardı ederler. Bu makalenin yazarları, tüm görüntüyü inceleyebilen, geleneksel puanları ve yaş, cinsiyet, eğitim yılı gibi temel arka plan bilgilerini birleştirip bir kişinin muhtemelen hafif bilişsel bozukluğa sahip olup olmadığını belirleyebilecek otomatik bir sistem kurmayı amaçladı.

Bir çizimi okumak için iki yol

Araştırmacılar, her bireyin çizimlerini aynı anda iki farklı biçimde işleyen “iki akışlı” bir derin öğrenme modeli tasarladı. Birinci yol, uzamsal akış olarak adlandırılan kolda, üç çizimin (kopya, anlık hatırlama ve gecikmeli hatırlama) ham taranmış görüntüleri bir görüntü tanıma ağına veriliyor. EfficientNet olarak bilinen bir mimariye dayanan bu ağ, şekiller, çizgi kalınlığı ve çizim stili gibi görsel özellikleri otomatik olarak öğreniyor. Özel bir dikkat modülü ise sistemin çizimin en bilgilendirici bölgelerine daha fazla odaklanmasına yardımcı oluyor. İkinci yol, puanlama akışı olarak adlandırılan kolda ise model, daha önce eğitilmiş bir puanlama ağı tarafından otomatik olarak üretilen geleneksel Rey test puanlarını ve kişinin yaşını, cinsiyetini ve eğitimini alıyor. Bu yapılandırılmış sayılar daha basit bir tahmin ağıyla birleştiriliyor. Son olarak, iki akışın çıktıları ortalanarak kişinin normal biliş yerine hafif bilişsel bozukluğa sahip olma olasılığını veren tek bir olasılık üretiliyor.

Birçok yaşlı yetişkinden öğrenmek

Sistemlerini eğitmek ve test etmek için ekip, büyük bir Kore araştırma kohortundaki 1.740 yaşlı yetişkinin çizimlerini kullandı; bunların yaklaşık yarısı normal bilişe, yarısı ise hafif bilişsel bozukluğa sahipti. Modeli ince ayarlamak ve aşırı uyumu önlemek için bu veri setini tekrarlayan şekilde eğitim, doğrulama ve test kümelerine böldüler. Kritik olarak, farklı bir hastaneden gelen 222 hastalık bağımsız bir grupta da performansı değerlendirdiler. Bu dış veri setinde tahmin modelleri kurmadan önce, otomatik puanlama araçlarını makine ve insan puanları arasındaki büyük uyumsuzlukları kontrol etmek için kullandılar; büyük anlaşmazlık olan durumlarda uzmanlar puanları yeniden gözden geçirip düzeltti. Bu kalite kontrol adımı insan ve yapay zekâ puanları arasındaki uyumu artırdı ve manuel ile otomatik değerlendirmeler arasındaki bağı güçlendirdi.

Sistemin erken bozulmayı ne kadar iyi tespit ettiği

Araştırmacılar iki akışlı modellerini birkaç alternatifle karşılaştırdı: genel bilişin yaygın kısa bir testi kullanan basit istatistiksel modeller, yalnızca insan Rey puanlarını kullanan modeller, yalnızca yapay zekâ tarafından üretilen Rey puanlarını kullanan modeller ve yalnızca görüntülere bakan puanlama akışı olmayan bir derin öğrenme modeli. Ana kohort içinde yapılan pek çok tekrarda ve dış hastane grubunda birleşik iki akışlı sistem tutarlı şekilde en iyi performansı gösterdi. Dış testte, alıcı işletim karakteristiği eğrisi altında kalan alan 0,872’ye ulaştı ve genel doğruluk yaklaşık %78 oldu; bu sonuçlar hem geleneksel puanlama tabanlı modelleri hem de sadece görüntüye dayanan derin ağı geride bıraktı. Bu kazanımlar, zengin görsel ayrıntı ile yapılandırılmış puanlama bilgisinin karışımının erken bilişsel değişiklikleri daha istikrarlı ve güvenilir şekilde yansıttığını öne sürüyor.

Günlük klinikler için bunun anlamı ne olabilir

Hastanın bakış açısından teste dair hiçbir şeyin değişmesine gerek yok: hâlâ kalem ve kağıtla oturup karmaşık bir figürü kopyalıyorlar. Ancak perde arkasında, bir tarayıcı ve yapay zekâ sistemi artık çizimleri saniyeler içinde değerlendirebilir, standart puanlar üretebilir ve kişinin hafif bilişsel bozukluk riskini birçok mevcut hızlı tarama aracından daha doğru tahmin edebilir. Yalnızca tek bir tanıdık test ve rutin arka plan bilgileri gerektiğinden, yöntem yoğun muayene merkezlerine büyük kesintiler olmadan dahil edilebilir. Çalışma Koreli katılımcılar üzerinde yoğunlaştı ve yalnızca statik görüntüler kullandıysa da, yaklaşım basit çizimlerin akıllı yazılımla yorumlanarak anlamlı müdahaleler için yeterince erken dönemde ince bilişsel sorunları işaretlemesine olanak tanıyan bir geleceğe işaret ediyor.

Atıf: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Anahtar kelimeler: hafif bilişsel bozukluk, Rey kompleks figür testi, derin öğrenme tarama, kognitif değerlendirme, dementi önleme