Geliştirilmiş gri ilişkisel özellikler ve çok modlu veriler kullanılarak erken Alzheimer tanısı için açıklanabilir yapay zeka

Aileler ve yaşlanan toplumlar için bunun önemi

Alzheimer hastalığı hafızayı, bağımsızlığı ve yaşam kalitesini yavaşça aşındırır; ancak hastalık açıkça teşhis edildiğinde çoktan ciddi hasar oluşmuş olur. Bu çalışma, pahalı taramalara başvurmadan günlük tıbbi ve yaşam tarzı bilgilerini kullanarak Alzheimer’ın belirtilerini yıllarca önceden tespit edebilen yeni bir tür şeffaf yapay zekanın nasıl çalışabileceğini araştırıyor. Sadece kimlerin daha yüksek riskte olduğunu göstermekle kalmayıp hangi alışkanlıklar ve sağlık faktörlerinin en çok önem taşıdığını da ortaya koyarak, yaşlanan nüfuslarda bozulmayı geciktirmeye veya önlemeye yönelik pratik, davranış odaklı yaklaşımlara işaret ediyor.

Günlük verilerde gizlenmiş çok sayıda küçük ipucu

Alzheimer tek bir nedene bağlı olarak ortaya çıkmaz. Yaş, genler, damar sağlığı, sigara kullanımı, egzersiz, uyku ve erken hafıza sorunları hep etkili olur. Yazarlar, demografiden kan basıncı, kolesterol, diyabet, kalp hastalığı, yaşam tarzı alışkanlıkları ve basit bilişsel test puanlarına kadar 35 bilgi içeren 2.149 kişilik gerçek dünya veri seti topladılar. Her ölçümü izole şekilde incelemek yerine, iyi-kötü kolesterol oranı, bir kan basıncı oranı, birleşik vasküler risk skoru ve unutkanlıkla yönelim problemlerini harmanlayan bir “bilişsel düşüş” skoru gibi genel desenleri daha iyi yakalayan bileşik puanlar tasarladılar. Bu daha zengin sinyaller, birçok küçük sorunun nasıl anlamlı bir riske dönüştüğünü yansıtmasına yardımcı oluyor.

Bilgisayarlara hem akıllı hem anlaşılır olmalarını öğretmek

Modern yapay zeka insan sezgisinin çok ötesinde ince desenleri bulabilir, ancak genellikle bir “kara kutu” olarak eleştirilir. Araştırmacılar basit lojistik regresyondan gelişmiş ağaç tabanlı yöntemlere ve derin sinir ağlarına kadar geniş bir yaklaşım yelpazesini karşılaştırdılar. Alzheimer vakalarının hasta olmayanlara göre daha az olmasından kaynaklanabilecek yanlılıktan kaçınmak için, az temsil edilen hastaların gerçekçi sentetik örneklerini oluşturmak üzere oversampling adı verilen bir teknik kullandılar ve eğitime başlamadan önce veri setini dengelediler. Aşırı öğrenmeyi önleyici önlemler içeren birkaç katmandan geçen en iyi derin sinir ağları, geliştirme verilerinde yaklaşık %98 doğrulukla, ayrı bir klinik test grubunda ise yaklaşık %95 doğrulukla Alzheimer’lı ve olmayan kişileri ayırt etti.

Riskin gerçekten neyin sürüklediğini sıralamak

Tıp alanında yüksek doğruluk tek başına yeterli değildir; doktorların bir modelin neden bir kişiyi yüksek riskli olarak işaretlediğini de bilmesi gerekir. Ekip bunu iki tamamlayıcı yolla ele aldı. Önce, her faktörün deseninin gerçek teşhis desenine ne kadar yakın izlediğini karşılaştıran Gri İlişkisel Analiz (Grey Relational Analysis) olarak bilinen bir yöntemi uyarladılar. Veriyi dikkatlice normalleştirip puanlama ölçeğini güçlendirerek, daha bilgilendirici özelliklerle daha az bilgilendirici olanlar arasındaki kontrastı keskinleştirdiler. Bu, hafıza şikayetleri, günlük davranış değişiklikleri, yüksek tansiyon, kardiyovasküler hastalık ve diyabetin Alzheimer durumu ile özellikle yakından ilişkili olduğunu ortaya koydu; bu bulgu uzun süredir bilinen klinik deneyimleri yankılayarak daha net, veri odaklı bir sıralama sundu.

Görsel açıklamalarla “kara kutuyu” açmak

İkinci olarak, yazarlar ağaç tabanlı modeller ve derin ağ için önde gelen açıklanabilir-AI tekniği SHAP’i uyguladılar. SHAP, her faktöre bireysel hastalarda bir tahmini daha yüksek veya daha düşük riske iten bir tür “kredi puanı” atar. Görsel özetler günlük aktivitelerdeki zorluklar, fonksiyonel değerlendirmeler, hafıza şikayetleri ve yaşa göre ayarlanmış bilişsel test skorunun en güçlü sinyaller arasında olduğunu gösterdi. Vasküler risk, kan basıncı oranı, egzersiz, beslenme, uyku, sigara ve alkolü birleştiren yaşam tarzı skoru ve aile öyküsü de önemli roller oynadı. Bu desenler klinisyenlerin pratikte zaten gördükleriyle örtüşerek modelin gürültü yerine anlamlı biyolojiyi yakaladığına dair güven inşa ediyor. Yazarlar ayrıca performansı cinsiyet, etnik gruplar ve eğitim düzeyleri arasında da kontrol ederek sistemin nerede dengeli olduğunu ve gelecekteki adillik iyileştirmelerine nerede ihtiyaç olduğunu belirlediler.

Bu, korunma ve bakım için ne anlama gelebilir

Basitçe söylemek gerekirse, bu çalışma özenle tasarlanmış açıklanabilir bir yapay zeka sisteminin yaygın klinik ve yaşam tarzı verilerini kullanarak Alzheimer riski taşıyan kişileri yüksek güvenilirlikle tespit edebileceğini ve hangi etkenlerin—tansiyon kontrolü, sigarayı bırakma, fiziksel aktivite ve erken bilişsel belirtiler gibi—en önemli olduğunu açıkça gösterebileceğini ortaya koyuyor. Doktorların yerine geçmek yerine, bu tür araçlar şiddetli hafıza kaybı başlamadan çok önce hekimlerin ve ailelerin değiştirilebilir risklere odaklanmasına yardımcı olan erken uyarı panoları olabilir. Daha büyük ve daha çeşitli nüfuslarda ek doğrulamalarla, bu çerçeve dünyanın dört bir yanındaki demans tehdidiyle karşı karşıya olan milyonlar için daha kişiselleştirilmiş, önlem odaklı bakım destekleyebilir.

Atıf: Ullah, W., Dai, Q., Zulqarnain, R.M. et al. Explainable artificial intelligence for early Alzheimer’s diagnosis using enhanced grey relational features and multimodal data. Sci Rep 16, 13856 (2026). https://doi.org/10.1038/s41598-026-43707-1

Anahtar kelimeler: Alzheimer hastalığı, açıklanabilir yapay zeka, erken tanı, yaşam tarzı risk faktörleri, makine öğrenimi