NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan/objektifler: Parkinson hastalığı (PD), erken ve doğru tanı gerektiren progresif bir nörodejeneratif bozukluktur. Bu çalışma, PD'li ve PD'siz bireylerin hacimsel beyin MRG verilerini kullanarak sınıflandırılmasını ve açıklanabilir yapay zeka (XAI) teknikleri kullanılarak model yorumlanabilirliğini geliştirmeyi amaçlamıştır. Yöntemler: Bu retrospektif çalışmada, 2013-2025 yılları arasında İnönü Üniversitesi Turgut Özal Tıp Merkezi'nde işe alınan 79 katılımcı (39 PD hasta, 40 kontrol) yer aldı. Derin bir sinir ağı (DNN), altı gizli katman ve ReLU aktivasyon fonksiyonlarına sahip çok katmanlı bir algılayıcı mimarisi kullanılarak geliştirilmiştir. Giriş olarak on yedi hacimsel beyin özelliği kullanıldı. Sağlam bir değerlendirme sağlamak ve aşırı uyumu önlemek için, her bir kattaki sınıf dengesini koruyarak, katmanlı bir beş kat çapraz doğrulama uygulandı. Model şeffaflığı iki tamamlayıcı XAI tekniği kullanılarak araştırıldı: Kontrast Açıklama Yöntemi (CEM) ve Yerel Yorumlanabilir Model-Agnostik Açıklamalar (LIME). CEM, mevcut sınıflandırmayı destekleyen veya değiştirebilen özellikleri vurgularken, LIME örnek tabanlı özellik özellikleri sağlar. Bulgular: DNN modeli, %94,1 doğruluk, %98,3 özgüllük, %90,2 hassasiyet ve %0,97'lik bir AUC ile yüksek tanı performansı elde etti. CEM analizi, azalmış hipokampal hacmin PD sınıflandırmasına (-0.156 PP) önemli bir katkıda bulunduğunu, beyin sapı ve hipokampustaki daha yüksek hacimlerin ise kontrol sınıfı (+0.035 ve +0.150 PP) ile ilişkili olduğunu öne sürdü. Bu bulgularla uyumlu olarak LIME sonuçları tutarlı özellik önemini (ortalama = 0.1945) ve sadakati (0.0269) ortaya koymaktadır. Karşılaştırmalı analizler gruplar arasında farklı hacimsel desenler gösterdi ve DNN'nin SVM, lojistik regresyon, KNN ve AdaBoost gibi geleneksel makine öğrenme modellerine üstünlüğünü doğruladı. Sonuç: Bu çalışma, CEM ve LIME ile geliştirilmiş derin bir öğrenme modelinin, klinik nörogörüntülemede açıklanabilir yapay zekanın entegrasyonunu destekleyen PD sınıflandırması için hem yüksek tanı doğruluğu hem de yorumlanabilir içgörüler sağlayabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Background/Objectives: Parkinson's disease (PD) is a progressive neurodegenerative disorder that requires early and accurate diagnosis. This study aimed to classify individuals with and without PD using volumetric brain MRI data and to improve model interpretability using explainable artificial intelligence (XAI) techniques. Methods: This retrospective study included 79 participants (39 PD patients, 40 controls) recruited at Inonu University Turgut Ozal Medical Center between 2013 and 2025. A deep neural network (DNN) was developed using a multilayer perceptron architecture with six hidden layers and ReLU activation functions. Seventeen volumetric brain features were used as the input. To ensure robust evaluation and prevent overfitting, a stratified five-fold cross-validation was applied, maintaining class balance in each fold. Model transparency was explored using two complementary XAI techniques: the Contrastive Explanation Method (CEM) and Local Interpretable Model-Agnostic Explanations (LIME). CEM highlights features that support or could alter the current classification, while LIME provides instance-based feature attributions. Results: The DNN model achieved high diagnostic performance with 94.1% accuracy, 98.3% specificity, 90.2% sensitivity, and an AUC of 0.97. The CEM analysis suggested that reduced hippocampal volume was a key contributor to PD classification (-0.156 PP), whereas higher volumes in the brainstem and hippocampus were associated with the control class (+0.035 and +0.150 PP, respectively). The LIME results aligned with these findings, revealing consistent feature importance (mean = 0.1945) and faithfulness (0.0269). Comparative analyses showed different volumetric patterns between groups and confirmed the DNN's superiority over conventional machine learning models such as SVM, logistic regression, KNN, and AdaBoost. Conclusions: This study demonstrates that a deep learning model, enhanced with CEM and LIME, can provide both high diagnostic accuracy and interpretable insights for PD classification, supporting the integration of explainable AI in clinical neuroimaging.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.