Derin öğrenme yoluyla doğrusal olmayan özelliklerden türetilen EEG topografik haritaları kullanarak bilinç bozukluklarının teşhisi

Farkındalık İşaretlerini Dinlemek

Ağır bir beyin yaralanmasının ardından yakınları tepkisiz yatan bir kişi olduğunda, aileler ve doktorlar yürek parçalayan bir soruyla karşılaşır: içeride hâlâ herhangi bir farkındalık var mı ve varsa ne kadar? Geleneksel yatak başı muayeneler, bilinç belirtilerinin ince işaretlerini kaçırabilir ve bu da bakım, rehabilitasyon ve hatta yaşam sonu kararlarını etkileyen yanlış tanılara yol açabilir. Bu çalışma, EEG kayıtlarını, sinyal karmaşıklığının matematiksel bir ölçüsünü ve derin öğrenme algoritmalarını kullanarak yaralı beyni “dinlemenin” yeni bir yolunu araştırıyor; amaç iki ana durumu — vejetatif durum ile minimum bilinç düzeyi — daha iyi ayırt edebilmek.

İki Çok Farklı Tepkisiz Durum

Ciddi beyin hasarının ardından bazı hastalar gözlerini açar ancak belirgin farkındalık belirtileri göstermezler; bunlar vejetatif durum ya da diğer adıyla tepkisiz uyanıklık sendromu (VS/UWS) olarak tanımlanır. Diğerleri zaman zaman basit komutları izleyebilir, nesneleri takip edebilir ya da seslere ve dokunuşa anlamlı tepkiler verebilir; bu hastalar minimum bilinç düzeyinde (MCS) olarak adlandırılır. Davranışlar ilk bakışta benzer görünse de iyileşme şansı ve gereken rehabilitasyon türü çok farklı olabilir. Buna karşın, uzman klinik ekipler bile çoğunlukla yatak başı gözlemine dayandıklarında bu hastaların yüzde 40'a kadarını yanlış sınıflandırabilmektedir. Yazarlar, hastanın hareket etme veya konuşma yeteneğine bağlı olmayan, yatak başında uygulanabilecek nesnel bir beyin-temelli araçla klinisyenleri desteklemeyi amaçladı.

Ses ve Sessizlikle Beyin Karmaşıklığını Ölçmek

Araştırmacılar, standartlaştırılmış bir koma iyileşme ölçeği ile dikkatle değerlendirilmiş 104 yetişkin bilinç bozukluğu hastasını inceledi. Her hastanın beyin aktivitesi, 19 kanallı bir EEG sistemiyle sessiz dinlenme sırasında ve aile görüşmelerine dayanarak seçilen favori hareketli müzikleri dinlerken kaydedildi. Araştırma ekibi klasik beyin dalgalarına odaklanmak yerine, EEG sinyalinin zaman içindeki karmaşıklığını ve öngörülemezliğini yakalayan yaklaşık entropi adı verilen doğrusal olmayan bir ölçüm hesapladı. Basitçe söylemek gerekirse, daha yüksek entropi daha zengin, daha çeşitli beyin aktivitesini yansıtır; bu da bilinçli işlemeye bağlı bulunmuştur. Her bir kafa derisi elektrodunun entropi değerleri renkli topografik haritalara dönüştürülerek hem dinlenme hem de müzik koşullarında beynin bir tür “karmaşıklık portresi” oluşturuldu.

Ağı Haritaları Okuması İçin Bir Sinir Ağı Eğitmek

Bu haritaları tanısal bir yardımcıya dönüştürmek için ekip, görüntü tanımada sıklıkla kullanılan bir derin öğrenme sistemi türü olan konvolüsyonel sinir ağı (CNN) eğitti ve VS/UWS ile MCS'yi ayırt etmesini sağladı. Her hasta için birden fazla 1 saniyelik EEG segmenti entropi haritalarına dönüştürüldü ve CNN'e girdi olarak hizmet eden görüntüler halinde birleştirildi. Paralel olarak yazarlar, EEG'den seçilen sayısal özellikleri kullanarak iki daha geleneksel makine öğrenimi modeli — destek vektör makinesi ve genelleştirilmiş regresyon sinir ağı — kurdular. Ardından her yaklaşımla, gerçek tanısı dikkatli klinik değerlendirmeyle bilinen bağımsız bir test grubundaki hastaların ne kadar iyi sınıflandırıldığını karşılaştırdılar.

Beyin Sinyallerinde Belirgin Farklar ve Daha İyi Doğruluk

Çalışma, minimum bilinç düzeyindeki hastaların, vejetatif durumdakilere göre birkaç beyin bölgesinde, özellikle kafanın sol tarafında ve tercih edilen müzik sırasında daha yüksek entropi gösterdiğini buldu. MCS hastalarında daha yüksek entropi değerleri koma iyileşme ölçeğindeki daha yüksek puanlarla anlamlı şekilde ilişkiliydi, bu da ölçütün farkındalıkta gerçek farklılıkları izlediğini düşündürüyor. Otomatik sınıflandırmaya gelince, CNN en iyi performansı gösterdi: iki grubu yaklaşık olarak yüzde 90 oranında doğru ayırt etti ve yüksek bir özet doğruluk ölçüsü elde etti (AUC 0.90). Destek vektör makinesi makul bir performans gösterirken, genelleştirilmiş regresyon ağı geride kaldı. Bu sonuçlar bir arada, görüntü benzeri beyin haritalarını derin öğrenme modeline beslemenin daha basit yöntemlerin kaçırdığı ince mekânsal desenleri yakalayabildiğini gösteriyor.

Bu Hastalar ve Aileleri İçin Ne Anlama Gelebilir

Uzman olmayanlar için ana sonuç şudur: dinlenme sırasında ve anlamlı müzik dinlerken beynin “sinyal karmaşıklığı” gizli farkındalık hakkında değerli ipuçları taşır. Bu ipuçlarını kolay yorumlanabilir haritalara çevirip bir sinir ağının bunlardan öğrenmesine izin vererek araştırmacılar, gerçekten habersiz olan hastalarla kırılgan ama gerçek bir bilinç formunu koruyanları ayırt etmeye yardımcı olabilecek bir araç geliştirdiler. Çalışmanın daha büyük ve daha çeşitli hasta gruplarında doğrulanması gerekse de, rutin EEG kayıtlarının düşünülerek seçilmiş seslerle ve modern yapay zeka ile birleştirilmesinin, konuşamayanlar için daha güvenilir bir ses sunabileceği bir geleceğe işaret ediyor.

Atıf: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Anahtar kelimeler: bilinç bozuklukları, EEG, derin öğrenme, vejetatif durum, minimum bilinç düzeyi