Makine öğrenmesi ile hafif bilişsel bozukluk ve alzheimer demansı sınıflandırmasında F-18 FDG PET/BT ve medial temporal atrofi skorlarının tanısal değeri
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL SULTAN ABDÜLHAMİD HAN SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: AYŞE RANA ÖVÜT
Danışman: Muammer URHAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:AMAÇ: Bu çalışmanın amacı, hafif bilişsel bozukluk (HBB) ile Alzheimer hastalığı (AH) arasındaki klinik ayrımı daha erken ve daha yüksek doğrulukla gerçekleştirebilmek için F-18 FDG PET/BT görüntüleme bulguları, medial temporal atrofi skorları ve mini mental durum testi puanlarını entegre eden bir makine öğrenmesi modeli geliştirmektir. GEREÇ VE YÖNTEM: Bu retrospektif çalışmaya, 2023–2025 yılları arasında demans şüphesi nedeniyle kliniğimizde F-18 FDG PET/BT görüntülemesi yapılan toplam 100 hasta dahil edilmiştir. Katılımcılardan 54'ü Alzheimer hastalığı, 46'sı ise hafif bilişsel bozukluk tanısı almıştır. Geliştirilen sınıflandırma modelinin dış geçerliliğini değerlendirmek amacıyla, 100 hastaya ek olarak AH ve HBB tanılı bireylerden oluşan 24 kişilik bağımsız bir test grubu oluşturulmuştur. Tüm olgular için F-18 FDG PET/BT görüntülerinden CortexID Suite yazılımı ile elde edilen Z skorları, görsel medial temporal atrofi skorları ve mini mental durum testi puanları kaydedilmiştir. AH ve HBB grupları arasındaki bu değişkenler istatistiksel olarak karşılaştırılmıştır. Makine öğrenmesi yöntemlerinden random forest algoritması ile değişken önem sıralaması yapılmış ve bu önceliklendirmeye göre karar ağacı temelli bir sınıflandırma modeli geliştirilmiştir. Modelin tanısal performansı, daha önce analiz sürecine dahil edilmeyen test grubu üzerinde değerlendirilmiştir. BULGULAR: Gruplar arasında F-18 FDG PET/BT Z skorları, medial temporal atrofi skorları ve mini mental durum testi puanları açısından anlamlı farklar saptanmıştır (p < 0.05). Random forest algoritması ile yapılan değişken önem analizine göre, sınıflandırma açısından en yüksek katkı sağlayan ilk beş değişken sırasıyla sağ temporal lateral korteks, sağ posterior singulat korteks, sol posterior singulat korteks, sol precuneus ve sağ inferior parietal lob olmuştur. Bu değişkenler, genel olarak modelin sınıflama başarısına en fazla katkı sağlayan yapılar olarak belirlenmiştir. Bu analiz temel alınarak oluşturulan karar ağacı modelinde, dallanma yapısı en yüksek önem düzeyine sahip değişkenlerle tam olarak örtüşmemekle birlikte, klinik açıdan anlamlı eşik değerler ortaya konmuştur. Oluşturulan model, AH ve HBB ayrımını açıklayıcı ve yüksek doğrulukla yapmıştır. Modelin daha önce analiz sürecine dahil edilmemiş, AH ve HBB tanılı bireylerden oluşan 24 kişilik bağımsız test grubunda uygulanması sonucunda, alan altında kalan eğri (AUC) değeri 0.964 olarak hesaplanmıştır. SONUÇ: Bu çalışmada, F-18 FDG PET/BT ile elde edilen metabolik Z skorları ve mini mental durum testi puanları temel alınarak geliştirilen makine öğrenmesi tabanlı sınıflandırma modeli, Alzheimer hastalığı ile hafif bilişsel bozukluk ayrımında yüksek tanısal doğruluk göstermiştir. Random forest algoritmasıyla yapılan önem analizinde sağ lateral temporal, posterior singulat ve precuneus bölgelerindeki metabolik değişiklikler ön plana çıkarken, karar ağacı modelinde de benzer şekilde bu bölgeler ve MMT puanı sınıflandırma sürecinde belirleyici olmuştur. Modelin bağımsız test grubundaki performansı yüksek bulunmuş (AUC = 0.964) olup, bu değer hem modelin tanısal ayırt ediciliğinin güçlü olduğunu hem de dış geçerliliğinin yüksek olduğunu göstermektedir. İlginç bir şekilde, Alzheimer hastalığının yapısal göstergelerinden biri olan medial temporal atrofi skoru, sınıflandırma modelinin ana dallanma yapısında yer almamıştır. Bu durum, çalışmamızda metabolik değişikliklerin yapısal atrofiden daha erken ve ayırt edici olabileceğini düşündürmektedir. Elde edilen veriler, F-18 FDG PET/BT tabanlı ölçümlerin bilişsel testlerle birlikte değerlendirilmesinin tanısal sürece katkısını ortaya koymakta; gözlemciye bağımlılığı yüksek yöntemlerin yerine daha objektif ve standardize edilebilir karar destek sistemlerinin geliştirilmesine olanak sağlamaktadır. Gelecekte, bu yaklaşımların daha büyük örneklemlerle ve otomatik volumetrik analizlerle desteklenmesi, tanısal güvenilirliği daha da artırabilir. ANAHTAR KELİMELER: Alzheimer hastalığı, Hafif bilişsel bozukluk, F-18 FDG PET/BT, MTA skoru, Mini mental durum testi, Makine öğrenmesi