Konvolüsyonel blok dikkat modülü ve GAN tarzı gürültü enjeksiyonu kullanan derin sinir ağı ile MRI nörogörüntülemeye dayalı Alzheimer hastalığı evre sınıflandırması

Neden erken beyin taramaları önemlidir

Alzheimer hastalığı, belirtiler belirginleşmeden çok önce hafızayı ve bağımsızlığı yavaşça çalar. Aileler, hekimler ve hastalar, tedavilerin ve yaşam tarzı değişikliklerinin en etkili olduğu erken dönemde hastalığı tespit etmenin bir yolunu ister. Bu çalışma, rutin beyin taramalarını okuyan ve insanları Alzheimer ilişkili hafıza kaybının dört evresine çarpıcı bir doğrulukla ayırabilen yeni bir bilgisayar sistemini tanımlıyor; bu, klinisyenlere daha hızlı, daha ucuz ve daha tutarlı bir ikinci görüş sağlayabilir.

Beynin içini daha yakından incelemek

Araştırmacılar, cerrahi veya radyasyon gerektirmeden beyin yapısının ayrıntılı görüntülerini veren MRI taramalarına odaklanıyor. Büyük uluslararası bir proje olan Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) verilerini kullanıyorlar; burada 55 ile 90 yaş arasındaki gönüllüler düzenli olarak hafıza testleri ve beyin görüntülemelerine tabi tutuluyor. Bu taramalardan ekip, beynin 2B dilimlerini çıkarıyor ve bunları demansı olmayanlar ile çok hafif, hafif veya orta düzey demansı olanlar olmak üzere dört gruba ayırıyor. Bu, Alzheimer’ın genellikle gerçek dünyada nasıl ilerlediğini yansıtıyor; hafıza ve düşünmedeki küçük değişiklikler zamanla kademeli olarak kötüleşiyor.

Bilgisayara ince değişiklikleri görmeyi öğretmek

Yazarlar, insan uzmanlardan beyin bölgelerini ve özellikleri elle seçmelerini istemek yerine görüntülerden doğrudan öğrenen bir derin öğrenme sistemi eğitiyor—yüz tanıma veya otonom araçlarda kullanılanlara benzer bir yaklaşımla. Neuro_CBAM-ADNet adlı modelleri, resimlerdeki desenleri tanımada güçlü olan bir konvolüsyonel sinir ağı türü. MRI görüntüsü ağdan geçerken kenarları, dokuları ve daha karmaşık şekilleri tespit eden yığılı katmanlar tarafından işleniyor; sistem, çıplak gözle çok ince olan ancak farklı demans evreleriyle ilişkili desenleri ayırt edebilecek hale geliyor.

Bilgisayarın önemli olanlara odaklanmasına yardımcı olmak

Öne çıkan yenilik, ağı taramanın en bilgilendirici kısımlarına nazikçe yönlendiren bir “dikkat” mekanizmasıdır. Pratikte model, Alzheimer ilerledikçe değişme eğiliminde olan beyin bölgelerinin ve içsel özelliklerin—örneğin hafıza ve düşünmeyle ilişkili alanların—hangileri olduğunu öğrenirken daha az ilgili arka planı görmezden geliyor. Araştırmacılar ayrıca tıbbi verilerde yaygın bir sorunu ele alıyor: hastalığın bazı evreleri diğerlerine göre çok daha nadirdir ve bu da modelin çoğunluk sınıfına kaymasına neden olabilir. Bunu önlemek için, mevcut taramalara dikkatle kontrol edilen gürültü ekleyerek temsil oranı düşük gruplar için ek eğitim görüntüleri üretiyorlar; bu, altta yatan anatomi bozulmadan gerçek hastalarda bulunan doğal değişkenliği taklit ediyor.

Sistemi teste sokmak

Sistemin ne kadar güvenilir çalıştığını kontrol etmek için ekip, verinin farklı alt kümeleri üzerinde sistemi tekrar tekrar eğitip test ediyor; buna çapraz doğrulama deniyor. Beş bağımsız tur boyunca Neuro_CBAM-ADNet, demans evresini yaklaşık yüzde 98 doğrulukla doğru sınıflandırıyor ve etkilenmiş vakaları yakalamada duyarlılık, yanlış alarmlardan kaçınmada kesinlik ve F1-skoru adlı birleşik ölçüde benzer şekilde yüksek puanlar elde ediyor. Sistem, orta düzey demans ile demans olmayan gibi açıkça farklı grupları ayırmada özellikle güçlü ve en fazla hata, uzmanların bile sıklıkla aynı fikir olmadığı demans yok ile çok hafif demans gibi bitişik evreler arasında ortaya çıkıyor. Grad-CAM ısı haritaları gibi ek araçlar, model her kararı verdiğinde beyinde nerelere “baktığını” göstererek bilinen hastalık belirteçleriyle karşılaştırılabilecek görsel ipuçları sunuyor.

Bu hastalar ve hekimler için ne anlama geliyor

Düz bir ifadeyle, bu çalışma iyi tasarlanmış bir yapay zekâ sisteminin beyin taramalarını okuyup insanları Alzheimer ilişkili gerilemenin dört evresine, önceki yaklaşımlarla yarışan ve bazı durumlarda onları aşan bir tutarlılıkla ayırabileceğini gösteriyor. Sistem kararlarını yönlendiren beyin bölgelerini işaret ederek klinisyenler arasında güven oluşturabilir. Araç hâlâ farklı hastaneler ve tarayıcılar arasında daha geniş testlere ihtiyaç duysa da, şeffaf AI ile birleşen rutin MRI muayenelerinin erken beyin değişikliklerini işaretlemeye, daha güvenli tanıları desteklemeye ve hastalık çok ilerlemeden önce tedavi kararlarını yönlendirmeye yardımcı olabileceği bir geleceği işaret ediyor.

Atıf: Kumar, S., Shastri, S., Mansotra, V. et al. MRI neuroimaging-based Alzheimer’s disease stage classification using deep neural network with convolutional block attention module and GAN-style noise injection. Sci Rep 16, 6946 (2026). https://doi.org/10.1038/s41598-026-37226-2

Anahtar kelimeler: Alzheimer hastalığı, beyin MRI, derin öğrenme, erken teşhis, tıbbi görüntüleme AI