Fonksiyonel bağlantı kullanılarak EEG tabanlı Alzheimer hastalığı ve frontotemporal demans sınıflandırması

Neden beyin dalgası kalıpları önemli?

Demen, milyonlarca aileyi etkiliyor, ancak doktorlar bile farklı demans türlerini ayırt etmekte zorlanabiliyor. Alzheimer hastalığı ile frontotemporal demans sıklıkla klinikte benzer görünür, oysa farklı bakım planları ve klinik araştırmalar gerektirir. Bu çalışma basit ama etkili bir soruyu soruyor: dinlenme halindeki beyin iletişim örüntülerini okumak ve bu durumları sağlıklı yaşlanmadan ve birbirlerinden ayırt etmek için hızlı, invazif olmayan bir beyin testi olan elektroensefalografiyi (EEG) kullanabilir miyiz?

Sadece beyin aktivitesine değil, beyin içi konuşmalara bakmak

EEG genellikle farklı frekans bantlarındaki beyin dalgalarının güçlerini, örneğin yavaş delta dalgaları veya daha hızlı alfa dalgaları, ölçer. Burada araştırmacılar bir adım daha ileri giderek beynin farklı bölgelerinin birbirleriyle nasıl “konuştuklarını” incelediler. 88 kişinin kayıtlarını kullandılar: 36’sı Alzheimer hastası, 23’ü frontotemporal demanslı ve 29’u sağlıklı yaşlı erişkin. 19 kafa derisi elektrodu ile gözler kapalı dinlenme halinde beyin aktivitesi kayıtları aldılar ve her kaydı birçok kısa zaman segmentine böldüler. Her segment ve birkaç frekans bandı için, farklı EEG kanallarının zaman, frekans ve faz açısından ne kadar sıkı bağlandığını matematiksel olarak tanımlayan bir dizi bağlantı ölçüsü hesapladılar.

Algoritmaları demans kalıplarını tanıması için eğitmek

Bu bağlantı haritalarını tahminlere dönüştürmek için ekip, her biri bir frekans bandı ve bağlantı ölçüsü kombinasyonuna odaklanan çok sayıda temel makine öğrenimi modeli eğitti. Bu temel modeller, bireyler arasındaki bağlantı kalıplarını karşılaştırmak için özel matematiksel araçlar kullandı. Tüm temel modellerin çıktısı, hangi özellik kombinasyonlarının en bilgilendirici olduğunu öğrenmeye çalışan daha üst düzey bir “istiflenmiş” modele beslendi. Kritik olarak, araştırmacılar klinik olarak önemli olan düzeyde performansı değerlendirdiler: kişi başına tek bir tanı. Eğitim verilerinden bir kişinin verisini tamamen ayrı tutan sıkı bir test şeması kullandılar; bu, ince veri sızıntısı nedeniyle fazla iyimser sonuçlar elde etme riskini azalttı.

Beyin dalgalarının ortaya koydukları — ve ortaya koymadıkları

Bağlantı kalıpları, demansı olanları sağlıklı gönüllülerden ayırmada yardımcı oldu. Alzheimer ile sağlıklı kontroller arasında bazı tekil bağlantı özellikleri, hastayı sıralamada oldukça iyi olduklarını gösteren yüzde 85’in üzerinde eğri altı alan (AUC) puanları elde etti. Benzer şekilde, frontotemporal demans ile sağlıklı yaşlanma arasındaki ayrımda da zayıf da olsa aynı eğilim gözlendi. Her iki durumda da en bilgilendirici sinyaller, dinlenik uyanıklıkla ilişkili ve demansta sıkça bozulduğu görülen alfa bandından geldi. Buna karşılık, Alzheimer ile frontotemporal demansı birbirinden ayırt etmek çok daha zordu. Bu görev için en iyi ölçütler yavaş delta bandından geldi ve yalnızca ölçülü doğruluk sağladı; bu da iki hastalığın bu EEG kayıtlarında aynı büyük ölçekli ağ bozukluklarının pek çoğunu paylaştığını düşündürüyor.

Daha fazla karmaşıklık her zaman daha iyi sonuç vermez

Ensemble yöntemlerinden bir beklenti, birçok zayıf tahmin edicinin birleştirilmesinin daha güçlü, daha güvenilir bir model verebilmesidir. Ancak bu çalışmada istiflenmiş ensemble, en iyi tekil bağlantı özelliklerinden daha iyi performans göstermedi. Aslında en iyi tek başına modeller sıklıkla biraz daha iyiydi. Ek analizler, birçok temel modelin benzer türde hatalar yaptığını gösterdi; bu yüzden ensemble’in gerçekten yeni çok fazla bilgiye erişimi sınırlıydı. Yazarlar ayrıca bağlantı matrisleri arasındaki mesafeyi ölçmenin farklı yollarını, gelişmiş “manifold” geometrisi yöntemleri de dahil olmak üzere test ettiler, fakat bu kişi‑arası tanısal problem için daha basit yaklaşımlara göre fazla bir avantaj bulamadılar.

Bu hastalar ve klinisyenler için ne anlama geliyor?

Hafıza veya davranış değişiklikleriyle karşılaşan kişiler için bu bulgular temkinli bir iyimserlik sunuyor. Hızlı, ucuz ve yaygın olarak bulunan bir test olan dinlenme halindeki EEG, beyin bölgelerinin birbirleriyle nasıl bağlandığına dair demansın anlamlı imzalarını yakalıyor. Aynı zamanda bu çalışma, veri sınırlı olduğunda ve beyin değişiklikleri örtüştüğünde yalnızca karmaşık matematiğin yakından ilişkili hastalıkları tamamen ayıramayacağını vurguluyor. Yazarlar, dikkatle seçilmiş, yorumlanabilir EEG özelliklerinin sıkı konu düzeyinde testlerle değerlendirilmesinin, yüksek derecede karmaşık modellerden daha güvenilir olabileceğini savunuyor. Gelecekte ilerlemenin muhtemelen EEG bağlantısını beyin görüntülemeleri, kan testleri ve bilişsel profiller gibi diğer biyobelirteçlerle birleştirmekten geleceğini, böylece farklı demans formlarını teşhis etmek için daha hassas ve güvenilir araçlar oluşturulacağını öne sürüyorlar.

Atıf: Mlinarič, T., Van Den Kerchove, A., Barinaga, Z.I. et al. EEG-based classification of alzheimer’s disease and frontotemporal dementia using functional connectivity. Sci Rep 16, 4903 (2026). https://doi.org/10.1038/s41598-026-35316-9

Anahtar kelimeler: EEG, fonksiyonel bağlantı, Alzheimer hastalığı, frontotemporal demans, makine öğrenimi