Makine öğrenimi destekli çok bantlı metamalzeme sensörüyle nörolojik bozuklukların erken tespiti

Belirtiler Ortaya Çıkmadan Beyin Sorunlarını Görmek

Beyin tümörleri, multipl skleroz ve travmatik yaralanmalar gibi nörolojik bozukluklar genellikle bugün kullanılan tarayıcıların gözden kaçırabileceği ince değişimlerle başlar. Bu çalışma, özel desenli malzemelerden yapılmış ve makine öğrenimiyle desteklenen, terahertz ışıkla çalışan küçük bir sensör tanıtıyor; bu sensör beynin sıvı ve dokularındaki erken değişimleri tespit edebiliyor. Gelecekte, böyle bir çip doktorların sorunları daha küçük ve muhtemelen bugünkü büyük MRI veya BT makinelerinden daha ucuz ekipmanla daha erken fark etmesine yardımcı olabilir.

Neden Yeni Bir Beyin Sensörüne İhtiyaç Var

Doktorlar şu anda hasarlı beyin dokusunu tespit etmek için BT ve MRI'ya güveniyor, ancak bu makineler büyük, pahalı ve hastalığın en erken evrelerine her zaman duyarlı değil. Birçok beyin durumu, beynin ve omuriliğin yastıklayan ve kimyasal dengesini korumaya yardımcı olan temiz sıvısı olan santral sinir sıvısının özelliklerini ince değişikliklerle değiştirir. Su içeriği değiştiğinde, ışığı kırma biçimi de değişir; bu nicelik kırılma indisi olarak bilinir. Geleneksel tarayıcılar bu küçük optik değişiklikleri doğrudan ölçmek için tasarlanmamıştır. Yazarlar, kompakt bir sensör bu değişimleri yüksek hassasiyetle okuyabilseydi, yapısal hasar belirgin hale gelmeden çok önce sorunların işaretlerini açığa çıkarabileceğini savunuyor.

Terahertz Işığı ve Tasarımcı Malzemelerin Kullanımı

Önerilen sensör, elektromanyetik spektrumun biyolojik dokuya nüfuz edebilen ve X-ışınlarının zararlı iyonlaştırıcı etkilerine sahip olmayan bir bandı olan terahertz bölgesinde çalışır. Cihazın merkezinde dikkatle desenlenmiş bir “metamalzeme” yüzey bulunur: altın ve poliamid (polyimide) adlı bir plastikten yapılmış, 35 mikrometre genişliğinde bir kare; iç içe geçmiş kare ve sekizgen halkalar şeklinde düzenlenmiştir. Tasarım, malzemelerin ham bileşimine değil, geometriye dayanarak gelen terahertz dalgalarını çok verimli şekilde tuzağa düşürür. Sensör bir numuneye —örneğin santral sinir sıvısı veya beyne benzeyen bir dokuya— maruz kaldığında, emilim spektrumu belirli frekanslarda üç çok keskin tepe gösterir. Her tepede gelen terahertz enerjisinin yüzde 99'dan fazlası emildiği için, bu frekanslardaki küçük kaymaların tespiti kolaylaşır.

Beyne Benzeyen Dokulardaki Küçük Değişiklikleri Okumak

Algılama gücünü test etmek için ekip, metamalzemenin üzerine ince bir “analit” tabakası yerleştirdi ve kırılma indisini biyolojik sıvılarda tipik aralıklarda değiştirerek ölçümler yaptı. Kırılma indisi her değiştiğinde, üç emilim tepesinin tümü biraz farklı frekanslara kayarken emilim seviyeleri güçlü kalarak yaklaşık yüzde 96'nın üzerinde seyretti. Araştırmacılar bu kaymalardan, üç tepe için sırasıyla 1,5, 1,5 ve 1,8 terahertz / kırılma indisi birimi şeklinde hassasiyet değerleri hesapladı—bu değerler pek çok önceki terahertz sensörüyle karşılaştırıldığında uygun veya daha iyi sonuçlar veriyor. Ardından sağlıklı santral sinir sıvısı, gri ve beyaz madde ile çeşitli beyin tümörleri dahil olmak üzere farklı dokulara gerçekçi kırılma indisi değerleri atayarak beyin koşullarını modellediler. Her doku tipi için üç rezonans tepesinin birbirine karışmadan ayrı şekilde yer alması, cihazın prensipte çok kanallı olarak sağlıklı ve hastalıklı durumları ayırt edebileceğini gösterdi.

Tasarımı Hızlandırmak İçin Makine Öğrenimi

Böyle ince ayarlı bir sensörün tasarımı genellikle binlerce zaman alıcı bilgisayar simülasyonu gerektirir. Bunu aşmak için yazarlar, katman kalınlıkları ve boşluk boyutları gibi beş ana tasarım parametresini sistematik olarak değiştirerek büyük bir veri seti üretti ve ortaya çıkan emilimleri kaydetti. Ardından sensörün yanıtını tam simülasyon çalıştırmadan tahmin etmek için birkaç makine öğrenimi modeli eğittiler. Popüler bir topluluk yöntemi olan gradient boosting en iyi performansı göstererek simüle edilmiş emilim eğrilerini son derece yüksek doğrulukla yeniden üretti. Bu öğrenilmiş modellere dayanarak, ekip yeni tasarımları keşfederken simülasyon süresini yüzde 60'a kadar azaltabileceklerini tahmin ediyor. Ayrıca SHAP ve LIME gibi açıklanabilir yapay zeka araçlarını kullanarak hangi parametrelerin en önemli olduğunu belirlediler ve geometrinin algılama performansını nasıl kontrol ettiğine dair içgörü sağladılar.

Erken Tanı İçin Bunun Anlamı Ne Olabilir

Basitçe söylemek gerekirse, çalışma bir posta pulu büyüklüğündeki terahertz çipin beyin sıvıları ve dokularının ışıkla nasıl etkileştiğini çok keskin şekilde “dinleyen” bir araç olarak işlev görebileceğini ve bu etkileşimlerin hastalık ilerledikçe güvenilir biçimde değiştiğini gösteriyor. Sensörün aynı anda üç bağımsız okuma üretmesi, doğruluk ve dayanıklılık kazandırıyor: bir kanal bozulsa bile diğerleri doku durumunu tanımlamaya yardımcı olabilir. Yapılan çalışmaların şu ana dek simülasyonlara dayalı olduğu ve laboratuvar ile klinik ortamlarda doğrulanması gerektiği halde, yüksek hassasiyet, kompakt boyut ve makine öğrenimiyle yönlendirilen tasarımın, nörolojik bozuklukları en erken ve en tedavi edilebilir evrelerinde yakalamaya yönelik daha hızlı, daha erişilebilir araçlara umut verici bir yol sunduğunu işaret ediyor.

Atıf: Miah, A., Al Zafir, S., Das, J. et al. Machine learning-enhanced multi-band metamaterial sensor for early detection of neurological disorders. Sci Rep 16, 7599 (2026). https://doi.org/10.1038/s41598-026-39127-w

Anahtar kelimeler: nörolojik bozukluklar, terahertz algılama, metamalzeme sensörü, santral sinir sıvısı, makine öğrenimi