Parkinson hastalığının sınıflandırılması için hibrit derin öğrenme yeni bir çerçeve

Hastalar ve aileleri için neden önemli

Parkinson hastalığı genellikle daha yavaş hareketler, daha hafif bir ses veya belli belirsiz bir titreme gibi ince değişikliklerle başlar ve bunlar kolayca normal yaşlanma ile karıştırılabilir. Teşhis kesinleştiğinde ise beynin büyük bir kısmında hasar çoktan oluşmuş olabilir. Bu çalışma, beyin taramalarını okuyan ve belirtiler hâlâ hafifken bile Parkinson hastalığını çok yüksek doğrulukla işaretleyebilen bilgisayar tabanlı bir yaklaşım sunuyor. Böyle araçlara güvenilip yaygın biçimde benimsenebilirse, doktorların daha erken teşhis koymasına, daha erken tedaviye ve hastalar ile ailelerine planlama yapmaları için daha fazla zaman sağlanmasına yardımcı olabilirler.

Akıllı taramalarla beynin içini görmek

Araştırmacılar, hastanelerde zaten yaygın olan ve radyasyon içermeyen manyetik rezonans görüntüleme (MRG) taramalarına odaklandı. Parkinson’s Progression Markers Initiative adlı büyük, açık bir beyin görüntü koleksiyonundan, Parkinson hastaları ve sağlıklı gönüllülerden alınmış taramaları kullandılar. Tüm 3B taramayı bir kerede analiz etmek yerine ekip, özellikle dopamin üreten hücrelerin bulunduğu orta beyin bölgesini içeren dilim dilim görünümle çalıştı. Bu hücreler düzgün hareket için kritik olup kaybı Parkinson hastalığının ayırt edici özelliğidir. Bilgisayarın hafif yapıları ‘‘görmesini’’ kolaylaştırmak için görüntüler önce parlaklığı standartlaştıran ve önemli alanlardaki kontrastı artıran dikkatli ayarlamalardan geçirildi.

Desenleri tespit etmeyi öğreten hibrit model

Çalışmanın merkezinde modern hesaplamadan iki güçlü fikri birleştiren bir hibrit sistem var. Birincisi, başlangıçta genel görüntü tanıma görevleri için tasarlanmış EfficientNetB0 adlı bir derin öğrenme ağı. Burada, her beyin dilimini tarayarak sağlıklı beyinleri Parkinson’dan etkilenenlerden ayırabilecek ince biçim ve doku desenlerini çıkartan son derece eğitilmiş bir göz gibi iş görüyor. İkincisi ise, bilgilendirici özellikler verildiğinde kategoriler arasında keskin sınırlar çizmeyi başaran XGBoost adı verilen bir karar verme yöntemi. Basitçe söylemek gerekirse, EfficientNetB0 her MRG dilimini kompakt bir imzaya dönüştürüyor ve XGBoost bu imzalara dayanarak taramanın sağlıklı bir kişiye mi yoksa Parkinson’lu birine mi ait olduğunu ve görüntülerin belirli bir MRG türüne mi ait olduğunu kararlaştırıyor.

Sınırlı ve dengesiz veriyi dengelemek

Tıbbi yapay zekâdaki en büyük pratik sorunlardan biri verilerin genellikle hem kıt hem de dengesiz olmasıdır: hasta taramalarından çok daha fazla veya çok daha az sağlıklı gönüllü taraması olabilir. Bu çalışmada ekip, derin öğrenme için mütevazı sayılar olan 77 sağlıklı ve 223 Parkinson vakasıyla başladı. Sisteme tek taraflı dersler öğretmemek için görüntü setini kontrollü bir şekilde genişlettiler. Her orijinal beyin dilimi, gerçek taramalarda ortaya çıkan küçük baş pozisyonu farklılıklarını taklit etmek üzere döndürüldü veya çevrildi. Ayrıca ince ayrıntıları parlatarak gürültüyü abartmadan iyileştiren CLAHE adı verilen bir kontrast artırma tekniği uyguladılar. Bu dikkatli veri ‘‘uzatma’’ işlemi 26.000’den fazla görüntü üreterek modele sağlam desenleri öğrenmesi için yeterli çeşitlilik sağladı ve orijinal taramalardaki tuhaflıklara fazla uymayı azaltmaya yardımcı oldu.

Sistem ne kadar iyi performans gösteriyor?

Güvenilirliği ölçmek için araştırmacılar yaklaşımlarının birkaç versiyonunu karşılaştırdı. Üç popüler görüntü ağını—VGG16, ResNet50 ve EfficientNetB0—üç modda test ettiler: olduğu gibi kullanma, ince ayar yapma ve XGBoost karar aşamasıyla birleştirme. Bu seçenekler arasında hibrit düzenekler sürekli olarak en iyi performansı gösterdi. En başarılı yapılandırma olan EfficientNetB0 artı XGBoost, test setinde taramaları %99,02 doğrulukla sınıflandırdı. Dört kategorinin tümünü iyi yönetti: sağlıklı ve Parkinson’lu, her biri FLAIR olarak bilinen belirli bir MRG ayarı ile ve ayarsız. Kaçan vakalar ve yanlış alarmlar gibi hatalara odaklanan recall ve F1-skoru gibi ölçümler de çok yüksekti; bu da aracın bir hata türünü diğerine feda etmediğini gösteriyor. Önemli olarak, model hesaplama süresi açısından da verimli kaldı ve bu da yoğun klinik ortamlarda kullanılmasını daha gerçekçi kılıyor.

Bu klinikte ne anlama gelebilir

Hiçbir bilgisayar sistemi yetenekli bir nörologun yerini tam anlamıyla alamazken, bu çalışma dikkatle tasarlanmış bir hibrit modelin güçlü bir yardımcı olarak iş görebileceğini gösteriyor. Rutin MRG görüntülerini Parkinson hastalığının ince işaretleri için hızla tarayarak, bu tür araçlar belirtiler belirginleşmeden çok önce riskli hastaları daha yakın izleme için işaretleyebilir. Yazarlar çalışmalarının daha büyük ve daha çeşitli hasta gruplarında test edilmesi gerektiğini ve nihayetinde hareket testleri veya kan biyobelirteçleri gibi diğer bilgilerle birleştirilmesi gerektiğini belirtiyor. Yine de elde edilen sonuçlar, mevcut hastane taramaları üzerine kurulmuş akıllı yazılımların Parkinson’un erken tespitinde hızlı, düşük maliyetli ve yaygın şekilde devreye alınabilir bir yardımcı haline gelebileceğini öne sürüyor.

Atıf: Desai, S., Vora, M., Shah, S. et al. Hybrid deep learning novel framework for classification of parkinson’s disease. Sci Rep 16, 9143 (2026). https://doi.org/10.1038/s41598-026-37553-4

Anahtar kelimeler: Parkinson hastalığı, beyin MRG, derin öğrenme, tıbbi görüntüleme, erken tanı