Konvolüsyonel sinir ağlarının türevsiz optimizasyonu kullanılarak manyetik rezonans görüntülemeden Alzheimer ilişkili demans şiddeti sınıflandırması

Doktorların Demansı Daha Erken Görmesine Yardımcı Olmak

Toplumlar yaşlandıkça pek çok aile hafıza kaybı ve demans hakkında endişe duyuyor. Beyin taramaları Alzheimer hastalığıyla ilişkili erken değişiklikleri ortaya çıkarabilir, ancak binlerce görüntüyü gözle incelemek uzmanlar için bile yavaş ve zordur. Bu çalışma, MR beyin taramalarına bakıp kişileri demans şiddeti açısından demans yokluğundan orta dereceli bozulmaya kadar dört düzeye ayıran akıllı bir bilgisayar aracı sunuyor. Sistem hem son derece doğru olacak hem de sıradan hastane bilgisayarlarında çalışabilecek kadar hafif olacak şekilde tasarlanmış, böylece gelişmiş görüntü analizini daha geniş ölçekte erişilebilir kılmayı hedefliyor.

Beyin Taramaları için Yeni Bir Akıllı Yardımcı

Araştırmacılar, görüntülerde deseni saptamada başarılı olan konvolüsyonel sinir ağı (CNN) olarak adlandırılan bir yapay zekâ türüne odaklanıyor. Sadece bir kişinin Alzheimer hastalığı olup olmadığına karar vermek yerine, araçları dört evreyi ayırt ediyor: demans yok, çok hafif, hafif ve orta demans. Bunu yapmak için ekip, uzmanlar tarafından önceden etiketlenmiş büyük açık MR taraması koleksiyonları üzerinde modellerini eğitti. Amaç iki yönlüydü: neredeyse kusursuza yakın bir doğruluk elde etmek ve modeli compact ve hızlı tutmak, böylece yalnızca iyi finanse edilmiş araştırma laboratuvarları için değil günlük klinik kullanım için de pratik kılmak.

Veriyi Dengelemek ve Görüntüleri Temizlemek

Tıbbi verideki temel zorluklardan biri, hastalığın tüm evrelerinin eşit temsil edilmemesidir. Bu beyin taraması koleksiyonlarında sağlıklı ve çok hafif vakalar yaygınken, orta demans taramaları çok daha nadirdir. Standart yapay zekâ sistemleri bu durumda yaygın sınıfları aşırı tahmin etme eğiliminde olur ve erken veya orta evre hastalığı kaçırır. Bunu dengelemek için yazarlar iki adımlı bir strateji kullandılar: öncelikle kafa karıştıran sınırdaki görüntüleri çıkardılar, ardından az temsil edilen evrelerin gerçekçi sentetik örneklerini oluşturdular. Buna ek olarak, modelin derin bellek yapılarının küçülmesi ve sıvı dolu alanların genişlemesi gibi tıbbi açıdan anlamlı özelliklere odaklanabilmesi için her MR dilimini filtreleme, beyini çevreleyen dokudan izole etme ve parlaklık ile kontrastı normalize etme işlemleriyle özenle hazırladılar.

Daha Küçük, Daha Akıllı Bir Ağ Tasarlamak

Parametreleri matematiksel türevleri izleyerek ayarlayan geleneksel eğitim yöntemlerine güvenmek yerine, ekip türevsiz optimizasyon teknikleri ailesi kullandı. Daha büyük, geleneksel bir CNN ile başlayıp evrimsel arama ve sinir mimarisi araması kullanarak yalnızca üç konvolüsyon katmanına ve çok daha az filtreye sahip daha basit bir tasarıma doğru evrildiler. Bayesyen optimizasyon ardından ağın nasıl eğitileceğini ince ayarladı, simulasyonlu tavlama ve budama ise eğitim sonrası gereksiz bağlantıları kaldırdı. Sonuç olarak DAPA-CNN adı verilen model, başlangıç modeline göre ayarlanabilir parametre sayısında yaklaşık %85 daha az, bellek kullanımında yaklaşık dörtte bir ve eğitimde daha kısa sürede tamamlanıyor; buna rağmen taramalardaki kritik desenleri yakalamayı sürdürüyor.

Neredeyse Kusursuz Performans ve Açık Görsel Açıklamalar

Daha küçük boyutuna rağmen DAPA-CNN dikkat çekici derecede isabetli olduğunu kanıtladı. Büyük bir Alzheimer veri setinde demans evresini neredeyse her vakada doğru atadı; doğruluk ve diğer performans ölçüleri yaklaşık %99 civarındaydı. Model ayrıca farklı tarayıcılarda toplanmış ayrı çok merkezli bir veri setine de iyi genelleşti; bu da gerçek dünya görüntüleme farklılıklarına karşı dayanıklı olduğunu gösteriyor. Sistemi klinisyenler için daha şeffaf kılmak amacıyla yazarlar sınıf aktivasyon haritaları ürettiler—bir karar üzerinde etkili olan beyin bölgelerini gösteren ısı benzeri bindirmeler. Erken evrelerde bu haritalar Alzheimer'da ilk bozulan hafızayla ilişkili alanları vurgularken; ileri evrelerde daha geniş kortikal bölgelere yayılarak hastalığın ilerlemesiyle ilgili klinik anlayışla uyum gösteriyor.

Hastalar ve Klinikler İçin Anlamı

Uzman olmayanlar için ana mesaj, çalışmanın rutinde çekilen MR taramalarından demans şiddetini derecelendirebilen hızlı, kompakt ve yorumlanabilir bir araç sunduğudur. Eğitim verilerini dengeleyip ağı türevsiz optimizasyonla dikkatle şekillendirerek yazarlar, mütevazı donanımlarda çalışabilecek, neredeyse kusursuza yakın doğruluk sağlayan ve kararlarının arkasındaki beyin bölgelerini vurgulayan bir model yarattılar. İleride yapılacak prospektif klinik çalışmalarda doğrulanırsa, bu tür bir teknoloji daha erken tanıya, hastaneler arasında daha tutarlı evrelemeye ve Alzheimer hastalığının zaman içindeki beyin değişikliklerinin daha iyi izlenmesine destek olabilir.

Atıf: Ganesan, S.K., Velusamy, P., Parthsarathy, P. et al. Alzheimer’s related dementia severity classification from magnetic resonance imaging using derivative-free optimization of convolutional neural network. Sci Rep 16, 10077 (2026). https://doi.org/10.1038/s41598-026-36037-9

Anahtar kelimeler: Alzheimer hastalığı, beyin MR'ı, demans evreleme, derin öğrenme, tıbbi görüntüleme yapay zekâsı