Yapay Zekâ, EEG’de Görünmeyen Epilepsi İzlerini Yakalamada Yeni Bir Yol Açtı

Epilepsi tanısında en büyük zorluklardan biri, nöbetlerin her zaman kısa rutin elektroensefalogram (EEG) kayıtları sırasında ortaya çıkmaması. Klinik açıdan bakıldığında bu durum, hekimlerin beynin elektriksel etkinliğinde epilepsiye işaret edebilecek ince izleri fark etmesini güçleştiriyor. Delaware Üniversitesi’nden araştırmacıların yürüttüğü yeni çalışma ise bu görünmez sinyalleri çözmek için yapay zekâ ve makine öğrenmesini devreye sokarak alandaki tanısal yaklaşımı yeniden düşünmeye davet ediyor.

Journal of Neural Engineering’de yayımlanan çalışma, EEG verilerindeki karmaşık örüntüleri insan gözünün kolayca ayırt edemeyeceği bir düzeyde analiz eden yorumlanabilir bir algoritma yaklaşımına odaklanıyor. Araştırmanın temel iddiası, epileptik beyinlerde yalnızca nöbet anında değil, nöbet görünmeyen “normal” dönemlerde de ayırt edilebilir elektriksel farklılıklar bulunabileceği yönünde. Bu farklar, klasik incelemede çoğu zaman arka planda kalırken, makine öğrenmesi tabanlı sistemler için anlamlı ipuçlarına dönüşebiliyor.

Çalışmada kullanılan yöntem, EEG dalga biçimlerini tek tek izole etmek yerine bunları bir tür “sözlük” mantığıyla sınıflandırıyor. Araştırmacıların benzetmesiyle, bu yaklaşım yeni bir dili öğrenen bir dilbilimcinin sözcükleri ve bağlamı birlikte çözmesine benziyor. Algoritma, sık görülen dalga desenlerini bir araya getirerek bunların hangi koşullarda belirli bir nörolojik yapıya işaret ettiğini saptamaya çalışıyor. Böylece yalnızca ham sinyal değil, sinyalin içindeki düzen ve tekrar kalıpları da analizin parçası oluyor.

Bu yaklaşımın özellikle önemli olduğu nokta, epilepsi tanısında hâlâ EEG’nin temel araçlardan biri olmasına karşın, kısa kayıtların her zaman yeterli bilgi vermemesi. Birçok hastada nöbetler seyrek gerçekleşiyor ya da kayıt anına denk gelmiyor. Bu nedenle klinisyenler bazen mevcut verilerle epilepsiyi doğrulamakta zorlanıyor. Yeni çalışma, nöbet dışı dönemlerde bile beyin etkinliğinin taşıdığı ince işaretleri yakalayarak bu boşluğu kısmen kapatabilecek bir yöntem öneriyor. Elbette bu, tek başına klinik tanının yerini alacak bir sonuç değil; ancak tanısal hassasiyeti artırabilecek bir araştırma hattı olarak dikkat çekiyor.

Deneysel kısımda, epileptik özellikler göstermesiyle bilinen TSC1 gen varyasyonlarına sahip fare modelleri kullanıldı. Bu modeller, genetik düzeyde epilepsiye yatkınlık taşımaları nedeniyle nörolojik hastalık araştırmalarında değerli kabul ediliyor. Araştırma, doğrudan nöbet anlarını izlemekten çok, belirgin bir nöbet gözlenmeyen EEG parçalarına odaklandı. Bu tercih, yöntemin klinikteki en zor senaryolardan biri olan “sessiz” kayıtlar üzerinde de çalışıp çalışamayacağını sınamak açısından anlamlıydı.

Sonuçlar, algoritmanın farklı fare soylarında ince EEG ayrışmaları saptayabildiğini gösterdi. Başka bir deyişle sistem, dışarıdan benzer görünen kayıtların altında yatan özgül sinyal farklılıklarını ayırt etmeyi başardı. Araştırmacılar bu bulguyu, epilepsinin yalnızca dramatik nöbet anlarıyla değil, beynin dinlenme ya da nöbet dışı faaliyetlerinde de iz bırakabileceğini düşündüren bir kanıt olarak değerlendiriyor. Bu tür bulgular, özellikle pediatrik epilepsi ve genetik yatkınlık içeren durumlarda erken tanı stratejileri açısından önem taşıyabilir.

Yine de çalışma erken aşamada ve öncelikle bir kavram kanıtlama niteliğinde. Hayvan modellerinde elde edilen bulguların doğrudan insan hastalara uygulanması mümkün değil; bunun için daha büyük, farklı klinik gruplarda doğrulama çalışmaları gerekiyor. EEG sinyalleri yaş, ilaç kullanımı, kayıt koşulları ve altta yatan diğer nörolojik durumlar nedeniyle insanlarda çok daha değişken olabilir. Bu nedenle araştırmanın en güçlü yönü, kesin bir tanı aracı sunmaktan ziyade, karmaşık sinyal verisini daha açıklanabilir biçimde yorumlayabilen bir çerçeve geliştirmesi.

Yorumlanabilir yapay zekâ modellerinin nörolojiye katkısı da burada öne çıkıyor. Klinik kullanım için yalnızca yüksek doğruluk değil, aynı zamanda sonucun nasıl üretildiğinin anlaşılması gerekiyor. Özellikle epilepsi gibi tedavi kararlarını etkileyen bir alanda, algoritmanın neden belirli bir örüntüyü riskli gördüğünün açıklanabilir olması önem taşıyor. Delaware Üniversitesi ekibinin çalışması, bu ihtiyaca yanıt vermeyi amaçlayan ve EEG verisini bir “kara kutu” olmaktan çıkarma potansiyeli taşıyan bir yaklaşım sunuyor.

Uzmanlar açısından bu tür çalışmaların bir diğer değeri, yalnızca epilepsiyi değil, başka nörolojik hastalık modellerini de sınıflandırma olasılığı yaratması. EEG, invaziv olmayan yapısı nedeniyle geniş bir kullanım alanına sahip; ancak verinin anlamlandırılması her zaman kolay olmuyor. Makine öğrenmesi destekli çözümler, sinyal analiziyle biyobelirteç arayışını birleştirerek daha hassas ve kişiselleştirilmiş bir nöroloji pratiğine kapı aralayabilir. Bununla birlikte, bu hedefe ulaşmak için algoritmaların farklı veri setlerinde sınanması, klinik ortamda tekrarlanabilirliğinin gösterilmesi ve insan EEG’sinde de benzer sonuçların elde edilmesi gerekecek.

Sonuç olarak çalışma, epilepsi tanısında nöbet anına bağımlı kalmayan bir analiz dönemine geçiş fikrini güçlendiriyor. Beynin elektriksel dilini çözmeye yönelik bu yaklaşım, gelecekte EEG yorumunu daha duyarlı, daha açıklanabilir ve muhtemelen daha erken tanı odaklı hale getirebilir. Şimdilik bu, klinik uygulamadan çok araştırma aşamasında bir umut olarak görülmeli; ancak nörolojik hastalıkların karmaşık sinyallerini çözmede yapay zekânın rolü giderek daha belirgin hale geliyor.