Optik koherens tomografi anjiyografisi kullanılarak Parkinson hastalığı tanısı için bir topluluk makine öğrenimi sınıflandırıcısı

Gözlerin Gizli Beyin Hastalığını Neden Açığa Çıkarması Muhtemel

Parkinson hastalığı genellikle titreme, sertlik veya hareketlerin yavaşlaması gibi belirtiler ortaya çıktıktan sonra teşhis edilir—bu belirtiler beynin yıllardır değişmekte olduğunun işaretleridir. Bu çalışma beklenmedik bir kestirme yol araştırıyor: ağrısız bir görüntüleme taramasıyla gözün arkasındaki küçük kan damarlarına bakmak ve ardından yapay zekâyı, bugün yapılan muayenelerin izin verdiğinden daha erken ve daha nesnel biçimde Parkinson olabilecek kişileri işaretlemesi için kullanmak.

Göze Bakarak Beyni Görmek

Gözün arkasındaki ışığa duyarlı doku olan retina, esasen erişilebilir bir beyin parçasıdır. Benzer sinirler ve kan damarlarını paylaşır ancak klinikte non-invaziv olarak incelenebilir. Araştırmacılar, retina dolaşımının ayrıntılı, boya gerektirmeyen haritalarını üreten optik koherens tomografi anjiyografisi (OCTA) adlı bir teknoloji kullandılar. Parkinson’un vücudun diğer bölgelerindeki küçük damarlarla ilişkili sorunlarla bağlantılı olduğu düşünüldüğünden, ekip bu retinal ağlardaki ince değişikliklerin erken hastalığa bir “pencere” işlevi görüp göremeyeceğini sordu.

Göz Taramalarını Sayılara Dönüştürmek

Retrospektif bir çalışmada ekip, 53 Parkinson hastası ve 39 sağlıklı, yaş eşleştirilmiş gönüllüden OCTA taramaları topladı. Yüzeye yakın bir yüzeysel katman ve altında daha derin bir katman olmak üzere iki retinal damar tabakasına odaklandılar. Her katmandan otomatik olarak merkezi foveal avasküler zonu—keskin görüş için gerekli olan küçük damar içermeyen çukuru—ve çevresindeki kılcal damarları segmentlediler. Ardından her görüntüyü 22 sayısal ölçüme dönüştürdüler. Bazıları foveal zonun kenarının ne kadar yuvarlak, düzgün veya düzensiz olduğu gibi şekil özelliklerini tanımlıyordu. Diğerleri genel damar yoğunluğunu ve fovea çevresindeki bir halkadaki yoğunluğu yakalıyordu. Bu ölçümler birlikte, insan gözünün yargılayabileceğinden çok daha fazla nüansla mikro-vasküler sağlığı nicelendiriyordu.

Parkinson Desenlerini Tespit Etmesi İçin Bir Yapay Zekâ Eğitmek

Bu ölçümlerle araştırmacılar, Parkinson taramalarını sağlıklı olanlardan ayıracak bilgisayar modelleri oluşturdular. Veri kümeleri sınırlı olduğundan önce 22 ölçümü en bilgilendirici alt kümeye indirmek için özellik seçimi teknikleri kullandılar; bu, gürültüyü ve aşırı uyumu azaltmaya yardımcı oldu. Ardından karar ağacı tabanlı yöntemler ve k-en yakın komşu sınıflandırıcısı dahil olmak üzere birkaç yaygın makine öğrenimi algoritmasını eğittiler. Son olarak, en güçlü üç performans göstereni—XGBoost, Random Forest ve K-Nearest Neighbors—her modelin oyunun eğilimine göre ağırlıklandırıldığı bir "ansambl" içinde birleştirdiler.

Modeller Retinada Ne Buldu

Sağlıklı gönüllülerle karşılaştırıldığında Parkinson’lular, retinal mikro dolaşımda belirgin değişiklik belirtileri gösterdi. Damar yoğunluğu ölçümleri daha düşüktü ve merkezi foveal bölge her iki yüzeysel ve derin damar katmanında da şekil olarak daha düzensiz olma eğilimindeydi—daha az yuvarlak, daha az düzgün ve daha az kompakt. Daha önce görülmemiş veriler üzerinde test edildiğinde ansambl model genel olarak yaklaşık dört gözden üçünü doğru sınıflandırdı. En dikkat çekeni, %90 duyarlılığa ulaşmasıydı: Parkinson vakalarının onda dokuzunu doğru tanımladı. Özgüllük daha ılımandı, biraz yüzde ellinin üzerindeydi; bu da bazı sağlıklı bireylerin yanlışlıkla hasta olarak işaretlendiği anlamına geliyor. Tanısal performansın yaygın bir özeti olan alıcı işletim karakteristik eğrisi altındaki alan (AUC) 0.75 olarak bulundu; bu, faydalı ama kesin olmayan bir ayırt ediciliğe işaret ediyor.

Algoritmadan Klinğe

Teorinin ötesine geçmek için ekip yöntemlerini Parkinson Hastalığı Yapay Zekâsı (PDAI) adlı bir prototip yazılım aracına sardı. Basit bir grafik arayüz aracılığıyla klinisyenler OCTA taramalarını yükleyebilir, otomatik olarak izlenen kan damarlarını ve merkezi foveal bölgeyi inceleyebilir, temel sayısal özellikleri görebilir ve bir taramanın Parkinson hastalarınınkine ne kadar benzediğine dair anında bir öngörü alabilir. Sistem, şeffaf olmayan bir “kara kutu” yerine elle tanımlanmış, açıkça tanımlanmış ölçümlere dayandığı için her karara katkıda bulunan etmenler klinisyenler tarafından yorumlanması ve muhtemelen altta yatan biyoloji ile ilişkilendirilmesi daha kolaydır.

Bu Hastalar İçin Ne Anlama Geliyor

Bu çalışma henüz Parkinson için tek başına bir test sunmuyor, ancak hızlı, non-invaziv bir göz taramasının özenle tasarlanmış makine öğrenimi yöntemleriyle analiz edildiğinde hastalıkla ilişkili değişiklikleri yüksek duyarlılıkla yakalayabildiğini gösteriyor. Pratikte böyle bir araç bir gün tarama yardımcısı olarak kullanılabilir—göz doktorlarının ve nörologların kimlerin daha yakından izleneceğine veya daha ileri değerlendirme için yönlendirileceğine karar vermesine yardımcı olabilir, sakatlık oluşturan belirtiler ortaya çıkmadan çok önce. Daha büyük, çok merkezli çalışmalara hâlâ ihtiyaç var, ancak çalışma gözlerin gerçekten Parkinson hastalığı için pratik bir erken uyarı sinyali sağlayabileceğini öne sürüyor.

Atıf: Hasanshahi, M., Mehdizadeh, A., Mahmoudi, T. et al. An ensemble machine learning classifier for Parkinson’s disease diagnosis using optical coherence tomography angiography. Sci Rep 16, 7297 (2026). https://doi.org/10.1038/s41598-026-38407-9

Anahtar kelimeler: Parkinson hastalığı, retinal görüntüleme, OCTA, makine öğrenimi, erken tanı