Artık görsel dönüştürücü ile el yazısı çizim testinden MCI tespiti

Basit çizimlerin gizli hafıza sorunlarını nasıl açığa çıkarabildiği

Bir doktorun bir saate, bir küpe veya birbirine bağlı dairelerden oluşan bir çizgiye nasıl çizdiğinize bakarak demansın erken uyarı işaretlerini fark edebildiğini hayal edin. Bu hızlı eskizler kliniklerde zaten kullanılıyor, ancak elle puanlanıyor ve doktorun değerlendirmesine büyük ölçüde bağlı. Bu makale, ResViT adlı bir yapay zekânın (YZ) bu çizimleri otomatik olarak "okuyabileceğini", kalem darbelerini hafif bilişsel bozukluk (MCI) için erken bir uyarıya dönüştürebileceğini gösteriyor; MCI, normal yaşlanma ile demans arasında yer alan ve tedavi ile planlamanın hâlâ fark yaratabildiği bir evredir.

Kalem-ve-kağıt testlerden akıllı taramaya

Hafif bilişsel bozukluk genellikle planlama, dikkat ve mekânsal algı gerektiren günlük görevlerde ilk belirtilerini verir—tam da çizim testlerinin hedeflediği yetenekler. Doktorlar hastalardan genellikle belirli bir zamanı gösteren bir saat çizmesini, üç boyutlu bir küpün kopyasını yapmasını veya dağınık sayı ve harfleri sırayla bağlamasını ister. Geçmişte her çizimin göze bakılarak puanlanması gerekirdi; bu yavaş ve klinikler arasında değişkenlik gösterebilen bir süreç. Yazarlar, üç çizimi birlikte ele alarak eğitilmiş gözlerin bile kaçırabileceği desenleri bilgisayarın tespit etmesini sağlayacak daha nesnel bir sistem kurmayı amaçladılar. Amaç doktorların yerini almak değil; onlara hızlı ve tutarlı bir ikinci görüş sağlamak.

İki görme biçimini harmanlamak: ayrıntılar ve büyük resim

Çalışmanın merkezinde, iki tamamlayıcı görüntü analiz tarzını birleştirmek üzere tasarlanmış hibrit bir YZ modeli olan ResViT yer alıyor. ResNet olarak bilinen teknik üzerine kurulmuş bir bölüm, bir çizimdeki kenarlar, köşeler ve küçük bozulmalar gibi ince ayrıntıları fark etmede özellikle iyidir. Diğer bölüm, bir Vision Transformer, genel düzeni—saatin, küpün veya iz sürmenin sayfa üzerindeki parçalarının nasıl bir araya geldiğini—anlamada ustadır. Çizimler bu bileşenlerden birinin ardından diğerine verilmek yerine paralel olarak işlenir ve ardından iki bilgi akışı tek, zengin bir bilişsel durum temsilinde birleştirilir.

Sistemin gerçek hasta çizimlerinden nasıl öğrendiği

Fikirlerini test etmek için araştırmacılar, her biri saat, küp ve iz yapma görevlerini tamamlamış 918 kişinin çizimlerini içeren kamuya açık bir koleksiyonu kullandılar. Her kişinin bilişsel durumu standart bir klinik testle önceden değerlendirilmişti ve "sağlıklı" veya "MCI" olarak etiketlenmişti. Ekip, çizimleri gri tonlamalı görüntülere dönüştürdü, yeniden boyutlandırdı ve modeli daha sağlam hale getirmek için döndürme ve parlaklık değişiklikleri gibi basit veri artırma işlemleri uyguladı. Eğitim sırasında ResViT tahminlerini bilinen etiketlerle tekrar tekrar karşılaştırdı ve iç parametrelerini ayarladı; erken durdurma ve dropout gibi önlemler, modeli eğitim verilerini ezberlemekten ziyade genel kuralları öğrenmeye zorladı.

Ne kadar iyi çalışıyor ve neler ortaya koyuyor

Daha önce görmediği kişiler üzerinde değerlendirildiğinde, ResViT sağlıklı bireyleri MCI olanlardan yaklaşık dörtte üç oranında doğru ayırt etti; doğruluk %74,09 ve dengelenmiş F1 skoru yaklaşık 0,67 idi. Bu, yalnızca ResNet kısmını kullanan, yalnızca Vision Transformer kullanan veya EfficientNet adlı başka popüler ağ gibi güçlü alternatiflerin birkaçından daha iyi performans gösterdi. Bağımsız büyük bir dönüştürücüye göre iç parametre sayısı yaklaşık üçte bir kadar olan hibrit yaklaşım, hastalığa duyarlılığı yanlış alarmlardan kaçınma ile iyi dengeledi. Isı haritası görselleştirmeleri kullanılarak, modelin klinik olarak anlamlı bölgelere—saat rakamları, küp kenarları ve izlerdeki dallanma noktaları gibi—odaklanma eğiliminde olduğu gösterildi; bu da modelin insan uzmanların dikkat ettiği ipuçlarına benzer şeylere önem verdiğini düşündürüyor.

Bugünkü sınırlamalar ve yarının olasılıkları

Yazarlar sistemlerinin henüz evrensel bir tarama aracı olmaya hazır olmadığını vurguluyor. Veri seti ölçülü büyüklükte, yaşlı yetişkinlere doğru kaymış ve eğitim düzeyi ile kültürel farklılıklar gibi çizimleri etkileyebilecek önemli arka plan bilgilerini içermiyor. Model düşük güçteki cihazlar için hesaplama açısından zorlu olabilir. Yine de ResViT nispeten az yeni örnekle uyarlanabildiği için, daha fazla veri elde edildikçe diğer bilişsel bozukluklara veya yeni çizim görevlerine genişletilebilir. Daha büyük ve çeşitlendirilmiş veri kümelerinin entegre edilmesi ve modelin daha hafif sürümlerinin geliştirilmesi, günlük kullanım yolunda kritik adımlar olacaktır.

Bu hastalar ve aileleri için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma özenle tasarlanmış bir YZ'nin basit kalem‑ve‑kağıt eskizleri hafıza ve düşünme sorunlarının erken belirtilerini yakalamak için pratik bir araca dönüştürebileceğini gösteriyor. %74 doğruluk mükemmel olmasa da, ucuz, hızlı ve zaman içinde tekrarlanması kolay bir ilk savunma hattı için umut verici. Gelecekte, bir kliniğe taranmış bir çizim ya da evde bir tablette yapılmış bir çizim, günlük hayatta bariz hale gelmeden çok önce ince değişiklikleri sessizce işaretleyebilir ve doktorlara ile ailelere yanıt için daha fazla zaman sağlayabilir. ResViT gibi sistemler insan yargısının yerini almak yerine onu daha tutarlı ve zamanında hale getirerek, demans riski taşıyan kişilere daha erken yardım ulaştırabilir.

Atıf: Sirshar, M., Matloob, I., Tayyabah, A. et al. MCI detection from handwritten drawing test using residual vision transformer. Sci Rep 16, 10334 (2026). https://doi.org/10.1038/s41598-026-40716-y

Anahtar kelimeler: hafif bilişsel bozukluk, çizim testleri, derin öğrenme, görsel dönüştürücü, erken demans tespiti