Alzheimer hastalığı öngörüsü için denetimli ve topluluk modellerinin karşılaştırmalı analizi ile denetimsiz keşif

Erken uyarının önemi

Alzheimer hastalığı, çoğu zaman kesin bir tanı konulmadan çok önce belleği ve bağımsızlığı yavaşça elinden alır. Uyarı işaretleri erken tespit edildiğinde aileler, doktorlar ve sağlık sistemleri bundan fayda sağlar; çünkü tedavi, planlama ve destek en çok bu dönemde fark yaratabilir. Bu çalışma pratik bir soruyu gündeme getiriyor: rutin klinik ve beyin görüntüleme verileriyle eğitilmiş, dikkatle tasarlanmış bilgisayar programları, demansı günümüzün standart araçlarından daha güvenilir şekilde tespit edebilir mi — ve aynı zamanda hastalığın gelişiminde gizli kalmış desenleri ortaya çıkarabilir mi?

Hasta kayıtlarını kullanılabilir sinyallere dönüştürmek

Araştırmacılar, birkaç yıl boyunca 60–96 yaşları arasındaki 150 yetişkini izleyen tanınmış bir veri seti olan OASIS-2’den yararlandı. Her ziyarette veri seti; yaş, eğitim yılı ve sosyoekonomik durum gibi temel bilgilerin yanı sıra bilişsel test skorları ve toplam beyin hacmi gibi MRI beyin taramalarından türetilen ölçümleri içeriyordu. Herhangi bir öngörü yapılmadan önce ekip veriyi temizledi, tanımlayıcı bilgileri ve belirsiz vakaları çıkardı, az sayıda eksik değeri tamamladı ve tüm sayısal ölçümleri ortak bir ölçeğe aldı. Ayrıca gerçek dünyada önemli bir sorunu ele aldılar: veri setindeki sağlıklı kişilerin sayısı, demanslılara kıyasla çok daha fazlaydı. Modellerin çoğu zaman sadece “demans yok” diye tahmin etmesini önlemek için araştırmacılar, eğitim sırasında daha küçük olan demanslı grup üzerindeki hataları daha ağır sayan ağırlıklandırma şemaları kullandılar.

Klasik araçları model takımlarıyla karşılaştırmak

Hazırlanan veri setiyle yazarlar tanıdık makine öğrenimi araçlarını, birkaç modeli birleştirerek daha güçlü bir tahmin yapan daha gelişmiş “topluluk”larla karşılaştırdı. Klasik grup lojistik regresyon, karar ağaçları, destek vektör makineleri ve rastgele ormanları içeriyordu. Topluluk grubunda AdaBoost, XGBoost ve üç ayarlanmış sınıflandırıcıyı harmanlayan çoğunluk oylamalı bir model yer aldı. Tüm modeller verinin bir bölümünde eğitildi ve ayrılmış vakalarda test edildi; performans doğruluk, demanslı bireyleri doğru şekilde işaretleme yeteneği (recall) ve modelin sağlıklı ile hastalıklı durumları ne kadar iyi ayırdığını özetleyen ROC eğrisi altındaki alan kullanılarak değerlendirildi.

Birçok zihin birininkinden üstün olduğunda

Karşılaştırmalı sonuçlar açıktı. En iyi geleneksel yöntemler makul derecede iyi performans gösterse de önceki çalışmalarda bildirilen seviyede sabitlendi ve test doğrulukları yüzde 80’lerin düşük-orta aralığında kaldı. Buna karşılık, çoğunluk oylamalı topluluk yaklaşık yüzde 95 doğruluk ve benzer derecede yüksek bir ROC skoruna ulaştı ve sıklıkla belirtilen yüzde 92 eşik değerini aştı. AdaBoost ve diğer topluluk modelleri de tek bir geleneksel modelden daha iyi performans gösterdi. Bu avantaj, farklı algoritmaların verinin farklı yönlerini yakalamasından kaynaklanıyor; onlara “oylama” hakkı verildiğinde topluluk, bireysel tuhaflıkları ve fazla uyumu düzeltip daha stabil tahminler sağlıyor. Bu kazancın bedeli ise şeffaflığın azalması: topluluğun belirli bir kararı neden verdiğini, basit bir regresyon veya tek ağaçla kıyaslandığında bir bakışta görmek daha zor oluyor.

Verideki doğal grupları aramak

Kimde demans olduğunu sormanın ötesinde, araştırmacılar ayrıca hastaların tanı etiketlerinden bağımsız olarak doğal olarak nasıl gruplaştığını inceledi. Bunu yapmak için tüm sürekli değişkenleri yaş veya beyin hacmi aralıkları gibi sıralı kategorilere dönüştürdüler ve bu zengin bilgiyi birkaç temel boyuta sıkıştırmak amacıyla çoklu karşılıklılık analizine (multiple correspondence analysis) başvurdular. Ardından k-ortalamalar kümeleme yöntemiyle bu noktaları az sayıda tutarlı gruba böldüler. Bazı kümeler korunmuş beyin hacmine ve normal bilişsel skorlarına sahip kişilerin hakim olduğu kümelerken, diğerleri düşük beyin hacmi, zayıf test sonuçları ve daha ağır demans derecelendirmelerine sahip bireyleri içeriyordu. Bu denetimsiz kümelerin klinik duruma iyi uyum sağlaması, verinin hastalık riski ve ilerlemesi hakkında güçlü ve tutarlı bir sinyal taşıdığını gösteriyor.

Hastalar ve klinisyenler için anlamı

Halk için çıkarım basit: dikkatle tasarlandığında, makine öğrenimi model takımları yapılandırılmış klinik verilerde Alzheimer ile ilişkili demansı daha eski yöntemlerden daha doğru biçimde tespit edebilir ve çoğu klinikte zaten toplanan bilgilerle bunu gerçekleştirebilir. Aynı zamanda, keşif amaçlı teknikler insanların beyin sağlığı ve bilişsel işlev açısından ayrı profillere düştüğünü ortaya koyuyor; bu da hastalığın izleyebileceği farklı yolları işaret ediyor. Çalışma örneklem büyüklüğünün sınırlı olması ve topluluk modellerinin yorumlanmasının karmaşıklığı gibi sınırlamalara sahip olsa da, güçlü öngörüyü dikkatli keşifsel analizle birleştirmenin hem erken tespiti keskinleştirebileceğini hem de Alzheimer’ın nasıl yerleştiğine dair anlayışımızı derinleştirebileceğini gösteriyor.

Atıf: Amr, Y., Gad, W., Leiva, V. et al. Comparative analysis of supervised and ensemble models with unsupervised exploration for alzheimer’s disease prediction. Sci Rep 16, 7322 (2026). https://doi.org/10.1038/s41598-026-37122-9

Anahtar kelimeler: Alzheimer hastalığı, demans öngörüsü, makine öğrenimi, topluluk modelleri, beyin görüntüleme