Yapay Zeka Epilepsi Tanısında Yeni Bir Umut

Nörolojik hastalıkların teşhis süreci klinik tıbbın en zorlu alanlarından biri. Biyolojik sinyallerin karmaşıklığı, hastadan hastaya değişen veriler ve araya giren elektriksel gürültüler, net bir teşhis koymayı çoğu zaman zorlaştırıyor. Dünya çapında 50 milyondan fazla insanı etkileyen epilepsi de bu tablonun en belirgin örneklerinden. Son dönemde sağlık teknolojilerinde yaşanan gelişmeler ise özellikle yapay zeka epilepsi araştırmalarını klasik yöntemlerin çok daha ötesine taşıyor.

Geleneksel elektroensefalografi (EEG analizi) süreçlerinde insan gözünün ya da standart filtrelerin yakalamakta zorlandığı mikro düzeydeki elektriksel dalgalanmalar, yeni nesil derin öğrenme mimarileri sayesinde çok daha hızlı ve tutarlı şekilde ayrıştırılabiliyor. Bu dönüşümün en somut kanıtlarından biri de doğrudan PLOS ONE dergisinde yayımlanan güncel çalışma. Araştırmacılar, çocukluk çağında ağır nörogelişimsel sorunlara yol açabilen nadir bir epilepsi türü olan Dravet sendromu üzerinde geliştirdikleri hibrit bir yapay zeka modeliyle dikkat çekici sonuçlara ulaştı.

Dravet Sendromu Teşhisinde Neden Zamanla Yarışıyoruz?

Eski adıyla Sütçocukluğunun Ağır Miyoklonik Epilepsisi (SMEI) olarak bilinen Dravet sendromu, genelde bebeklerin ilk 4 ila 9. aylarında ateşli ya da ateşsiz nöbetlerle kendini gösteren, ilaca dirençli ve oldukça agresif bir epileptik ensefalopati. Vakaların yaklaşık %80–85’inde sodyum kanallarını kodlayan SCN1A geninde mutasyon görülüyor; kalan küçük bir grupta ise genetik test negatif çıksa bile klinik tablo aynı kalıyor.

İşin en can alıcı noktası ise şu: Hastalığın ilk aylarında çekilen rutin EEG kayıtları çoğu zaman tamamen normal veya belirgin olmayan sonuçlar veriyor. Karakteristik diken-dalga deşarjları genelde çocuk 1–2 yaşını geçtikten sonra belirginleşiyor. Bu durum, çocuk nörolojisinde ciddi bir tanı gecikmesine yol açıyor. Belirtildiği gibi nadir görülen bu tür tablolarda erken teşhis koyabilmek tedavi sürecinin seyrini tamamen değiştiriyor.

Klinik tablonun erken safhada netleşmesi ve yapay zeka sağlıkta erken teşhisin yeni yüzü olarak sahaya inmesi özellikle iki temel riskin yönetilmesinde kritik rol oynuyor:

• Yanlış İlaç Kullanımını Önlemek: Normal epilepsilerde sıkça başvurulan sodyum kanal blokörleri (karbamazepin, fenitoin veya lamotrijin gibi ilaçlar), Dravet sendromlu bir çocuğa verildiğinde nöbetleri azaltmak yerine çok daha tehlikeli hale getirebiliyor ve durdurulamayan nöbet krizlerini (status epileptikus) tetikleyebiliyor.

• Doğru Tedaviye Zamanında Başlamak: Klobazam, valproat, stiripentol, fenfluramin veya kanabidiol gibi uygun rejimlere erken geçmek, çocuğun zihinsel ve motor gelişimindeki gerilemeyi en aza indirmek açısından büyük önem taşıyor.

Kapsamlı genetik test sonuçlarının haftalarca, hatta aylarca sürebildiği bir ortamda; çekilen ilk EEG'den itibaren gizli sinyalleri yakalayabilen bir yapay zeka aracına sahip olmak klinik açıdan devasa bir avantaj yaratıyor.

Araştırmanın Arka Planı: Hibrit CNN-LSTM Modeli Nasıl Çalışıyor?

Suudi Arabistan'daki King Fahad Specialist Hospital Dammam (KFSHD) ve Pakistan NUST Üniversitesi iş birliğiyle yapılan bu çalışmada; genetik veya klinik olarak doğrulanmış Dravet sendromlu çocuklar, sendrom dışı epilepsi tanısı olan pediyatrik anormal grup ve yaş uyumlu sağlıklı kontrol grubu detaylı şekilde incelendi.

Araştırmacılar, veriyi yapay olarak dönüştürmek yerine sinyalin orijinal fizyolojisini koruyan bir ön işleme tercih etti ve geliştirdikleri hibrit modele aktardı:

1. Neden 8 Kanallı Cz Referansı Seçildi?

Rutin EEG çekimlerinde temporal kasların kasılması yüksek frekanslı parazitler (gamma artefaktları) yaratır ve modelleri yanıltabilir. Ekip bu durumu engellemek için kafatasının üst-orta noktasını (Cz elektrodunu) referans alan 8 kanallı bir montaj kurguladı. Böylece beynin ön, orta ve tepe bölgeleri taranırken hesaplama yükü de gereksiz yere şişirilmedi.

2. İki Farklı Ağın Güç Birliği

• CNN (Konvolüsyonel Sinir Ağı): Elektrotların baş üzerindeki konumlarına odaklanarak elektriksel anomalilerin hangi beyin bölgelerinden kaynaklandığını uzamsal olarak haritalandırıyor.

• LSTM (Uzun Kısa Süreli Bellek): EEG bir zaman serisi verisi olduğu için, dalgaların ardışık akışını ve ani deşarjların kronolojik seyrini hafızasında tutarak zaman içindeki örüntüyü çözümlüyor.

3. Önceden Eğitilmiş (Pre-trained) Modelin Yarattığı Fark

Nadir hastalıklarda en büyük sorun yeterli hasta verisine ulaşılamamasıdır. Çalışmada, genel EEG verileriyle ön eğitimden geçirilmiş bir model ile sıfırdan eğitilen model yan yana kıyaslandı:

Sonuçlar, temsil öğrenimi (representation learning) kullanıldığında kısıtlı hasta sayısına rağmen modelin %85 genel doğruluk ve 0.87 ROC-AUC gibi oldukça tutarlı bir performansa ulaştığını gösteriyor.

Neden Güvenilir? Veri Sızıntısına Karşı LOSO Stratejisi

Biyomedikal alandaki makine öğrenimi modellerinde en sık yapılan hata, aynı hastanın farklı saatlerdeki verilerini hem eğitim hem test setine dağıtmaktır (data leakage). Bu durum modelin ezber yapmasına ve yapay olarak yüksek puanlar almasına sebep olur.

Bu çalışmada ise Leave-One-Subject-Out (LOSO) yöntemi kullanıldı. Yani model, bir hastanın tüm EEG kayıtlarını tamamen bir kenara ayırıp kalan hastaların verileriyle eğitildi; ardından hiç görmediği bu bağımsız hastanın verisi üzerinde test edildi. %85'lik başarının bu yöntemle elde edilmiş olması, modelin gerçekten yeni hastalara genellenebilir bir mantık kurabildiğini kanıtlıyor.

Klinik Rutine Geçişte Önümüzdeki Engeller

Bu tür AI sağlık çözümlerinin laboratuvar ortamından çıkıp hastanelerde reçete yazar gibi rutin kullanıma girebilmesi için bazı temel aşamaların tamamlanması gerekiyor. Nitekim sağlık ve yapay zeka sektörünü dönüştüren 5 öncü şirket listesinde yer alan biyoteknoloji ve medikal teknoloji devleri de bu doğrultuda algoritmaların klinik validasyonuna ciddi kaynak ayırıyor:

Farklı Hastane ve Cihazlarda Test Edilmesi:

King Fahad Hastanesi'nin verilerinde çalışan bir sistemin; farklı EEG cihazları, farklı filtre ayarları ve değişken klinik koşullar altında dünya genelindeki çok merkezli kohortlarda da sınanması şart.

Açıklanabilir Yapay Zeka (XAI):

Hekimlerin bir algoritmaya güvenebilmesi için "kara kutu" mantığından uzaklaşılması gerekiyor. Modelin bir hastaya neden "Dravet Sendromu" dediğini, hangi kanaldaki hangi frekansı şüpheli bulduğunu görselleştiren dikkat haritalarına (attention maps) ihtiyaç var.

Canlı Takip Potansiyeli:

Şu anki çalışma kaydedilmiş EEG'ler üzerinden çevrim dışı (offline) analiz yapıyor. Bir sonraki hedef, bu sistemi acil servislerde ve yoğun bakım ünitelerinde anlık sinyal işleyebilen gerçek zamanlı sistemlere dönüştürmek.

Nörolojide Yeni Bir Dönemin Eşiğinde

Dravet sendromu gibi erken tanının hayati olduğu tablolarda yapay zeka, hekimin yerini alacak bağımsız bir karar mekanizması değil; insan gözünün kaçırabileceği mikro sinyalleri filtreleyerek teşhis sürecini hızlandıran güçlü bir klinik asistan olarak konumlanıyor.

Önceden eğitilmiş hibrit derin öğrenme modelleri, nadir hastalıklardaki veri kısıtını aşmak için elimizdeki en işlevsel araçlardan biri haline geldi. Genetik testler, klinik gözlemler ve anlık EEG analizlerinin birlikte işlendiği çok modlu yapay zeka platformları yaygınlaştıkça, epilepsi tanısı için aylarca süren belirsizlikler geride kalacak ve her hasta için en doğru tedaviye ilk nöbet anından itibaren başlanabilecek.