EEG ile Alzheimer hastalığının doğru tespiti için yapay zekâ destekli çerçeve

Beyin dalgalarının hafıza kaybı için önemi

Alzheimer hastalığı, belleği ve bağımsızlığı yavaşça aşındırır; ancak belirtiler belirgin hale geldiğinde hasarın büyük bir kısmı çoktan oluşmuştur. Doktorların hastalığı daha erken evrede tespit edebilmeleri için güvenli, uygun maliyetli ve rutin kontrollerde uygulanabilir yöntemlere acil gereksinimi vardır. Bu çalışma, basit beyin dalgası kayıtları—elektroensefalogramlar (EEG)—ile modern yapay zekânın birleşiminin, Alzheimer belirtileri beyin görüntülerinde veya günlük hayatta görünmeden çok önce gizli işaretleri ortaya çıkarıp çıkaramayacağını araştırıyor.

Ameliyatsız olarak beyini dinlemek

EEG, saçlı deriye yerleştirilen küçük elektrotların beynin elektriksel aktivitesini kaydettiği ağrısız bir testtir. MRI veya PET taramalarından çok daha ucuz ve taşınabilir olup sıkça yinelenebilir. Ancak ham EEG sinyalleri karmaşıktır; göz kırpma, kas hareketleri ve çevresel gürültü gibi çok sayıda parazit içerir ve Alzheimer ile ilişkili desenler ince olabilir, birçok beyin bölgesine ve frekans bandına yayılabilir. Geleneksel olarak araştırmacılar bu sinyallerin elle tasarlanmış matematiksel özetlerine odaklanmış veya ham veriden doğrudan desenleri öğrenen derin öğrenme programları kullanmıştır. Her yaklaşımın güçlü yönleri olmakla birlikte ciddi kör noktaları da vardır.

Beyin aktivitesini iki bakış açısıyla harmanlamak

Yazarlar, her iki dünyanın en iyilerini birleştiren hibrit bir strateji öneriyor. Önce EEG kayıtları, istenmeyen gürültüleri filtreleyip sinyaldeki yavaş sürüklenmeleri düzelterek temizleniyor. Ardından beyin elektriğinin farklı frekans bantlarına nasıl dağıldığını tanımlayan “spektral” özellikler çıkarılıyor—örneğin uykuluğa bağlı yavaş dalgalar ile dikkate bağlı daha hızlı ritimler arasındaki farklar. Bu ölçülerin demansta değiştiği uzun zamandır bilinmektedir. Aynı zamanda özel olarak tasarlanmış bir konvolüsyonel sinir ağı (CNN), EEG verisini daha bütünsel bir şekilde inceleyerek insan uzmanların fark etmeyebileceği karmaşık mekânsal desenleri otomatik olarak öğreniyor.

Yapay zekâyı zaman içindeki değişiklikleri okumaya öğretmek

Bu iki özellik kümesini ayrı ayrı ele almak yerine sistem bunları tek, zengin bir betimlemede birleştiriyor. Bu birleşik temsil daha sonra Konvolüsyonel Uzun Kısa Süreli Bellek (Conv-LSTM) adlı daha gelişmiş bir ağa veriliyor. “Konvolüsyonel” kısım aktivitenin saçlı deri üzerindeki düzenini yakalarken, “LSTM” kısmı desenlerin zaman içinde nasıl evrildiğini izlemek üzere tasarlanmıştır; konuşulan dildeki ifadeleri takip etmeye benzer bir işlev görür. Bu sayede model EEG’de Alzheimer ile ilişkili değişikliklerin nerede ve ne zaman ortaya çıktığını öğreniyor; yaklaşık 0,9 milyon eğitilebilir parametre kullanıyor—standart donanımda çalıştırılabilecek kadar kompakt.

Sistem ne kadar iyi çalışıyor?

Araştırmacılar çerçevelerini Alzheimer hastalığı olan ve olmayan yaşlı yetişkinlerin dinlenme halindeki EEG verileri üzerinde test etti. Kayıtları eğitim, doğrulama ve nihai test için ayrı setlere ayırdılar ve doğruluk ile güvenilirlik gibi standart ölçütlerle performansı değerlendirdiler. Füzyon tabanlı Conv-LSTM modeli, Alzheimer vakalarını Alzheimer olmayanlardan %99,8 doğrulukla ayırt etti—tek başına CNN’ler, yalnız LSTM ağları ve geleneksel makine öğrenimi yaklaşımları da dahil olmak üzere birçok karşılaştırma sisteminden önemli ölçüde daha iyi. Spektral özelliklerden veya derin öğrenilen özelliklerden yoksun modeller sürekli olarak daha az doğru çıktı; bu da aynı beyin sinyallerine ilişkin tamamlayıcı bakış açılarını birleştirmenin değerini vurguluyor.

Bu hastalar ve klinikler için ne anlama gelebilir

Uzman olmayan bir kişi için çıkarım nettir: yapay zekânın beyin dalgalarını daha dikkatli dinlemesine izin vererek bu yöntem, yaygın ve düşük riskli bir testi Alzheimer hastalığı için güçlü bir erken uyarı sistemine dönüştürüyor. Çalışma, nispeten hafif, otomatikleştirilmiş bir EEG tabanlı aracın klinik ortamda hastaları taramada yardımcı olabileceğini, daha yakından takip veya ileri görüntüleme gerektirenleri işaretleyebileceğini öne sürüyor. Bu tür sistemler tedavi kararlarına yön verebilmeden önce daha büyük ve daha çeşitli çalışmalara ihtiyaç olsa da bu araştırma, rutin beyin dalgası kayıtlarının akıllı algoritmalar tarafından yorumlanmasıyla demansın daha erken ve daha doğru tespit edilmesine; dolayısıyla hastalara ve ailelerine planlama ve yeni tedavilerden yararlanma açısından daha fazla zaman sağlamaya işaret ediyor.

Atıf: Hemalatha, B., Venkatachalam, K., Siuly, S. et al. AI-driven framework for accurate detection of Alzheimer’s disease in EEG. Sci Rep 16, 5509 (2026). https://doi.org/10.1038/s41598-026-35184-3

Anahtar kelimeler: Alzheimer hastalığı, EEG beyin dalgaları, derin öğrenme, erken tanı, tıbbi yapay zekâ