Yazar "Soylu, Can" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Kapalı Erişim
    Yayın
    Alzheimer hastalığında ilerlemenin manyetik rezonans görüntülerindeki subkortikal hacimlerle makine öğrenmesi kullanılarak kestirilmesi
    (Başkent Üniversitesi, 2025) Soylu, Can; Harı, Emre; Demiralp, Tamer
    Amaç: Alzheimer hastalığının (AH) erken dönemlerinde başlayan subkortikal yapılardaki ilerleyici dejenerasyonu bilinmektedir. Bu çerçevede, AH’de ilerlemenin ön görülmesi oldukça kritik bir yere sahiptir. Bu çalışmada, makine öğrenmesi (MÖ) kullanılarak subkortikal hacimlerin hastalığın ilerleyici seyrini öngörme potansiyellerinin araştırılması amaçlanmıştır. Gereç ve Yöntem: Çalışmaya Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) veri tabanından elde edilen, klinik tanısı ilerleyici (progresif, n=186) ve ilerleyici olmayan (non-progresif, n=235) olarak iki sınıfa ayrılmış toplam 421 katılımcının T1 ağırlıklı anatomik manyetik rezonans görüntüleme (MRG) verileri dahil edilmiştir. Anatomik MRG verisi FreeSurfer 7.2 programıyla işlenerek standart segmentasyon aşamalarında yer alan tüm subkortikal yapılara ait toplam hacimsel değerler elde edilmiştir. Ayrıca, hippokampal alt alanlar, talamus ve amigdala alt çekirdeklerinin hacimsel değerleri de hesaplanmıştır. Hacimsel değerler, MÖ algoritmalarında kullanılmadan önce intrakraniyal hacimlerle normalize edilmiştir. Normalize edilen tüm hacim değerleri kümesine PyCaret 3.0 kütüphanesi kullanılarak öznitelik seçimi uygulanmış ve subkortikal yapıların önem sıralaması Shapley (SHAP) değerleri ile belirlenmiştir. Bulgular: Subkortikal yapıların toplam hacimlerini içeren veri kümesi kullanılarak gerçekleştirilen MÖ sonucunda, bilateral amigdala, sol hippokampus, sol nucleus accumbens ve sağ lateral ventrikül ön plana çıkarak, progresif ve non-progresif grupları birbirinden %79 oranında doğruluk ile ayırt edebilmiştir. Diğer yandan, subkortikal yapıların küçük ölçekli alt alanlarının ve çekirdeklerinin hacim değerleri kullanıldığında ise bilateral amigdala-aksesuar bazal çekirdekler, sol amigdala-lateral çekirdek, amigdala-santral çekirdek, kortiko-amigdaloid geçiş alanı ve sol hippokampus-presubikulum ön plana çıkmış ve grupları birbirinden %81 oranında doğruluk ile ayırabilmiştir. Sonuç: Otomatik MÖ algoritmaları, AH’nin ilerleyici seyrini öngörebilmek için kritik rol oynayan subkortikal yapıları tutarlı bir şekilde belirleme potansiyeline sahiptir. Ayrıca, farklı ölçekteki segmentasyon kombinasyonlarına rağmen, amigdala ve hippokampus içindeki spesifik alt yapıların tutarlı şekilde ön plana çıkması AH patolojisinin takibinde bu nöroanatomik bölgelerin kritik rolünü vurgulamaktadır. Bulgularımız, AH'nin erken tanı ve takibi için otomatik MÖ algoritmalarının klinik destek aracı olarak potansiyelini vurgulamaktadır.