Çok modlu verileri entegre eden geliştirilmiş ICEEMDAN–derin melez ağ modeli ile diyabetik periferik nöropatinin taranması

Şeker Hastalığında Sinir Hasarının Daha Nazik Bir Teste İhtiyacı Neden Var

Diyabetli birçok kişide ayak ve bacaklardaki sinir hasarı sessizce ilerler, ağrı, hissizlik veya hatta ülser ve ampütasyonlar ortaya çıkana kadar fark edilmez. Diyabetik periferik nöropati adı verilen bu durum için bugünkü testler invazif, pahalı veya gündelik kliniklerde tekrarı zor olabilir. Bu çalışma, sadece deriye yerleştirilen zararsız optik ve elektrik sensörleri ile akıllı sinyal işleme ve özel bir derin öğrenme modeli kullanarak erken sinir hasarını taramanın yeni bir yolunu araştırıyor.

Kalbi ve Kan Akışını Dinlemenin Yeni Bir Yolu

Araştırmacılar hastanelerde ve giyilebilir cihazlarda zaten yaygın olan iki sinyale odaklanıyor. Biri kalbin elektriksel aktivitesini kaydeden elektrokardiyogram yani EKG. Diğeri, her kalp atışıyla kan akışını izleyen bir parmak sensöründen gelen optik sinyal olan fotopletismogram yani PPG. Her sinyal diyabetin damarlar ve sinirler üzerindeki etkisinin bir parçasını anlatır; birlikte, tek bir sinyalin sağlayabileceğinden daha zengin bir erken hasar tablosu sunabilirler. Araştırma ekibi sağlıklı gönüllüler, diyabetli ancak tanımlanmış sinir hasarı olmayan kişiler ve doğrulanmış nöropatili bireyler dahil olmak üzere 120 kişi topladı. Her katılımcı için EKG ve PPG dinlenme durumunda, hareket ve sıcaklık değişimleri gibi günlük gürültü kaynaklarını azaltacak kontrollü koşullarda kaydedildi.

Dağınık Biyolojik Sinyalleri Temizlemek

Gerçek dünya kalp ve nabız kayıtları, kas aktivitesi, solunum ve elektriksel girişimlerden kaynaklanan istenmeyen dalgalanmalarla doludur. Bu bozulmalar dikkatlice giderilmezse erken sinir sorunlarına işaret eden ince değişiklikleri gizleyebilirler. Çalışma, her bir sinyali birçok daha basit “yapı taşına” ayıran, hangi parçaların büyük ölçüde gürültü hangilerinin gerçek fizyolojiyi taşıdığını belirleyen ve sonra daha temiz bir sürümünü yeniden inşa eden geliştirilmiş bir gürültü giderme yöntemi sunuyor. Bunu yapmak için yazarlar esnek bir ayrıştırma tekniğini, temel parametreleri otomatik olarak ayarlayan sürü tabanlı bir arama stratejisiyle birleştiriyor ve ardından yalnızca fayda sağladığı yerlerde dalgacık tabanlı filtreleme uyguluyor. Bir dizi yerleşik yöntemle yapılan testler, bu yaklaşımın hem EKG hem de PPG sinyallerinin faydalı bileşenini daha iyi güçlendirirken bozulmayı asgari düzeyde tuttuğunu gösteriyor.

Bilgisayarın Görebileceği Resimlere Dalgaları Dönüştürmek

Ham tek boyutlu dalgaları doğrudan bir sinir ağına vermek yerine araştırmacılar EKG ve PPG'nin kısa segmentlerini küçük renkli görüntülere dönüştürüyor. Her renk kanalı, sinyalin zaman içinde nasıl evrildiğine dair farklı bir yönü kodluyor: kalp döngüsündeki noktalar arasındaki genel konum ilişkileri, faz ve ritimdeki değişimler ve karmaşık, doğrusal olmayan yollarda tekrarlayan desenler. Bu üç görünüm üst üste yığıldığında, her çok vuruşlu pencerenin sinir ve damar sağlığıyla ilişkili dinamik özelliklerini vurgulayan kompakt bir “portresini” oluşturuyor. Yalnızca tek bir vuruş yerine birkaç ardışık döngüyü birleştirerek yöntem, kalbin elektriksel aktivitesi ile damarlarda ilerleyen nabız dalgası arasındaki daha kararlı desenleri ve uzun menzilli etkileşimleri yakalıyor.

Önemli Olan Şeye Odaklanan Hafif Ağı

Bu birleştirilmiş görüntüleri sağlıklı, risk altında veya nöropati vakaları olarak sınıflandırmak için ekip, modern ve verimli bir omurga üzerine kurulu özel bir derin öğrenme mimarisi tasarlıyor. Standart konvolüsyon bloklarını farklı şekil ve boyutlarda çekirdeklerle her görüntü yamasına bakan çok kollu bir tasarımla değiştiriyorlar; böylece hem ince ayrıntıları hem de daha geniş eğilimleri hesaplama yükünü büyük ölçüde artırmadan yakalıyorlar. Bunun üzerine, ağın bilgi taşıyan bölgeleri ve desenleri vurgulamasına, gereksiz arka planı ise geri plana atmasına olanak veren bir uzaysal dikkat mekanizması ekliyorlar. Model dikkatli çapraz doğrulama ile eğitilip ayarlanıyor ve performansı, popüler birkaç konvolüsyonel ve dönüştürücü tabanlı tasarım da dahil olmak üzere iyi bilinen görüntü sınıflandırma ağlarıyla karşılaştırılıyor.

Sonuçların Diyabetli İnsanlar İçin Anlamı

Çoklu kalp döngülerinden oluşturulan verilerde önerilen sistem vakaların neredeyse %94'ünde nöropati durumunu doğru sınıflandırıyor; duyarlılık ve kesinlik de benzer biçimde yüksek. Daha akıllı gürültü giderme, zengin sinyalden-görüntüye kodlama ve özel ağ tasarımının birleşiminin gerçek bir değer kattığını göstererek geleneksel sinyal işleme yaklaşımlarını ve güçlü modern derin öğrenme temel modellerini açıkça geride bırakıyor. Çalışma tek merkezli veriye dayandığından daha geniş testlere ihtiyaç duysa da, basit klipsler ve elektrotlardan elde edilecek rutin, ağrısız ölçümlerin—muhtemelen birinci basamak kliniklerde veya evde bile—diyabetli kişilerde ciddi komplikasyonlar ortaya çıkmadan çok önce erken sinir hasarını işaretleyebileceği yönünde bir geleceğe işaret ediyor.

Atıf: Xiao, M., Wang, F., Fang, S. et al. An improved ICEEMDAN–depth hybrid network model integrating multimodal data for the screening of diabetic peripheral neuropathy. Sci Rep 16, 10954 (2026). https://doi.org/10.1038/s41598-026-45862-x

Anahtar kelimeler: diyabetik periferik nöropati, invazif olmayan tarama, EKG, PPG, derin öğrenme