Beyin Mikroyapısını Okuyan Yapay Zeka, Subkortikal Damar Kökenli Bilişsel Bozulmada Yeni Sınıflandırma Olanakları Sunuyor

Hafif ama ilerleyici bilişsel sorunların ardındaki beyin değişimlerini ayırt etmek, nöroloji alanında uzun süredir en zorlayıcı başlıklardan biri olmaya devam ediyor. Özellikle subkortikal vasküler bilişsel bozukluk (SVCI) gibi küçük damar hastalıklarına bağlı tablolar, görüntülemede birbirine benzeyen bulgular nedeniyle çoğu zaman net biçimde ayrıştırılamıyor. Bu durum, hem erken tanıyı hem de hastaya özgü değerlendirmeyi zorlaştırıyor. Capital Medical University’den Prof. Yi Tang liderliğindeki disiplinler arası ekip, bu soruna difüzyon tensör görüntüleme (DTI) ve derin öğrenmeyi birleştiren yeni bir yaklaşım önererek dikkat çekti.

Çalışmanın merkezinde, geleneksel manyetik rezonans görüntülemenin çoğu zaman ayırt etmekte yetersiz kaldığı beyaz madde değişikliklerini daha ayrıntılı biçimde okuma hedefi yer alıyor. SVCI, derin beyaz madde yollarını etkileyen küçük damar hastalığına bağlı bilişsel bozulmalarla ilişkili. Bu tablo, subkortikal iskemik damar hastalığı (SIVD) ile klinik ve görüntüleme açısından önemli ölçüde örtüşebiliyor. Her iki durumda da beyaz cevher hiperintensiteleri (WMH) görülebiliyor; ancak bu işaretler yaşlanma sürecinde bilişsel kayıp yaşamayan kişilerde de sık rastlandığı için tek başına tanısal ayırt edicilik sağlamıyor.

İşte bu noktada DTI öne çıkıyor. Klasik MRI daha çok makroskopik yapısal değişimleri gösterirken, DTI beyaz maddenin mikroyapısal bütünlüğünü ölçebiliyor. Araştırmacılar özellikle iki sayısal parametreye odaklanıyor: fraksiyonel anizotropi (FA) ve ortalama difüzivite (MD). FA, su moleküllerinin dokuda yönlü hareketini; MD ise difüzyonun genel düzeyini yansıtıyor. Küçük damar hastalığına bağlı ince hasarlar bu değerlerde değişim yaratabiliyor ve böylece geleneksel görüntülemede gözden kaçabilecek patolojik süreçler ortaya çıkarılabiliyor.

Ekip, bu mikroyapısal bilgiyi sınıflandırma gücüne dönüştürmek için DenseNet mimarisini kullandı. Yoğun bağlantılı bu evrişimsel sinir ağı, derin görüntü verilerinden hiyerarşik örüntüleri öğrenme kapasitesiyle biliniyor. Modelin amacı yalnızca görüntüleri “hasta” ve “sağlıklı” gibi kaba kategorilere ayırmak değil; SVCI ile SIVD arasındaki farkları da daha hassas biçimde yakalamak. Bu yaklaşım, nörolojik bozuklukların yalnızca varlığını değil, altta yatan olası mekanizmayı da sınıflandırmaya yaklaşan bir çerçeve sunuyor.

Çalışmada iç kohort olarak 134 katılımcıdan oluşan bir veri seti kullanıldığı belirtiliyor. Araştırmacılar modeli bu veriler üzerinde eğitip doğrularken, görüntüleme örüntülerinin öğrenilmesinde ham DTI verilerinden yararlandı. Böylece sistem, el ile belirlenmiş tekil işaretlere bağımlı kalmadan, beyaz madde boyunca dağılmış daha karmaşık örüntüleri değerlendirebildi. Bu tür derin öğrenme yaklaşımları, klasik istatistiksel yöntemlerin fark etmekte zorlandığı çok boyutlu ilişkileri ortaya çıkarma potansiyeli taşıyor.

Yalnızca sınıflandırma değil, bilişsel alanlara özgü risk profillemesi de çalışmanın önemli taraflarından biri olarak öne çıkıyor. SVCI’de farklı bilişsel alanlar aynı ölçüde etkilenmeyebilir; yürütücü işlevler, dikkat, işlem hızı ve bellek gibi alanlar değişen derecelerde bozulabilir. Araştırmanın temel hedeflerinden biri, DTI temelli yapay zeka modelinin hangi görüntüleme özelliklerinin hangi bilişsel etkilenme örüntüleriyle ilişkili olabileceğini göstermekti. Bu tür bir ayrım, klinisyenlerin yalnızca tanı koymasına değil, hangi bilişsel alanların daha fazla risk altında olabileceğini anlamasına da yardımcı olabilir.

Modelin yorumlanabilirliğini artırmak için dikkat çekici bir başka unsur da “salient map” yaklaşımı oldu. Yapay zekâ modelleri çoğu zaman güçlü performans gösterse de kararlarının hangi beyin bölgelerine dayandığını açıklamak kritik önem taşıyor. Bu nedenle araştırmacılar, modelin hangi alanlara odaklandığını görünür kılmak için dikkat haritalarından yararlandı. Ayrıca farklı görüntüleme ölçümleri arasındaki benzerlik ve uyumu değerlendirmek amacıyla mutual information ve structural similarity index measure gibi yöntemlerin de kullanıldığı aktarılıyor. Bu sayede modelin yalnızca doğru tahmin yapması değil, bunu biyolojik olarak anlamlı örüntüler üzerinden gerçekleştirmesi hedeflendi.

Yapay zekâ ile DTI’nin birleşimi, özellikle yaşa bağlı değişiklikler ile hastalığa özgü mikroyapısal hasar arasındaki ayrımı daha görünür hale getirebilir. Klinik pratikte beyaz madde hiperintensitelerinin yorumlanması çoğu zaman bağlama bağlıdır ve karar verme süreci farklı uzmanlar arasında değişkenlik gösterebilir. Bu nedenle daha nesnel, veri temelli ve tekrarlanabilir araçlara ihtiyaç var. Ancak uzmanlar, bu tür modellerin henüz rutin tanının yerine geçmediğini, daha çok destekleyici karar araçları olarak değerlendirilmeleri gerektiğini vurguluyor.

Çalışmanın önemi, tek bir hastalık etiketinden ziyade beynin küçük damar hastalıkları spektrumunu daha rafine biçimde ele alması yatıyor. SVCI ve SIVD gibi tabloların erken dönemde daha iyi ayrıştırılması, ilerleyen bilişsel bozulma riskinin anlaşılmasına katkı sağlayabilir. Bununla birlikte, bulguların geniş ve bağımsız hasta gruplarında doğrulanması gerekiyor. Farklı merkezlerden gelen verilerde modelin performansının korunup korunmadığı, klinik uygulanabilirlik açısından belirleyici olacak.

Yine de bu yaklaşım, nörodejeneratif ve vasküler bilişsel bozuklukların tanısında yeni bir yönü işaret ediyor: insan gözünün seçmekte zorlandığı mikroyapısal ipuçlarını, yapay zekâ destekli analizle görünür kılmak. Prof. Tang’ın ekibinin çalışması, ileri görüntüleme ile hesaplamalı zekânın birleştiğinde, beyaz madde hasarının yalnızca tespit edilmesine değil, daha ayrıntılı bir bilişsel risk haritasına dönüştürülebileceğini gösteriyor. Bu da gelecekte daha erken, daha hassas ve daha kişiselleştirilmiş nörolojik değerlendirmelerin kapısını aralayabilir.