Makine öğrenmesi ile hafif bilişsel bozukluk ve alzheimer demansı sınıflandırmasında F-18 FDG PET/BT ve medial temporal atrofi skorlarının tanısal değeri
Machine learning-based classification of mild cognitive impairment and alzheimer's dementia: Diagnostic value of F-18 FDG PET/CT and medial temporal atrophy scores
- Tez No: 942750
- Danışmanlar: PROF. DR. MUAMMER URHAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Sultan Abdülhamid Eğt. ve Arş. Hast.
- Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 108
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
Özet (Çeviri)
OBJECTIVE: The aim of this study was to develop a machine learning-based classification model that integrates F-18 FDG PET/CT imaging findings, Medial Temporal Atrophy scores, and Mini-Mental State Examination scores to more accurately and earlier differentiate between Mild Cognitive Impairment and Alzheimer's Disease. MATERIALS AND METHODS: This retrospective study included 100 patients who underwent F-18 FDG PET/CT imaging in our clinic between 2023 and 2025 due to suspected dementia. Among them, 54 were diagnosed with Alzheimer's Disease, and 46 with Mild Cognitive Impairment. In addition, an independent test group of 24 patients, composed of both AD and MCI cases, was included to evaluate the external validity of the developed model. For all patients, Z-scores derived from F-18 FDG PET/CT images (via CortexID Suite), visual Medial Temporal Atrophy scores, and Mini-Mental State Examination scores were recorded. These variables were statistically compared between the AD and MCI groups. Variable importance was assessed using the Random Forest algorithm, and a decision tree model was constructed accordingly. The model's diagnostic performance was then evaluated using the independent test group. RESULTS: Statistically significant differences were observed between AD and MCI groups in terms of F-18 FDG PET/CT Z-scores, MTA scores, and MMSE scores (p < 0.05). According to the Random Forest analysis, the five most important variables contributing to the classification were right lateral temporal cortex, right posterior cingulate cortex, left posterior cingulate cortex, left precuneus and right inferior parietal lobule. While these variables contributed most to the overall model performance, the decision tree model exhibited a branching structure that did not exactly mirror the variable importance order. Nevertheless, the decision tree provided clinically meaningful threshold values and achieved a high classification performance. When applied to the independent test group, the model yielded an area under the curve (AUC) value of 0.964, demonstrating strong diagnostic discrimination and external validity.CONCLUSION: The machine learning-based classification model developed using F-18 FDG PET/CT Z-scores and MMSE scores demonstrated high diagnostic accuracy in differentiating AD from MCI. Metabolic alterations in the lateral temporal, posterior cingulate, and precuneus regions were found to be the most predictive variables, both in importance analysis and in the decision tree model. Although the MTA score—one of the structural markers of Alzheimer's disease—was statistically different between groups, it did not appear as a primary node in the classification model. This may suggest that metabolic changes provide earlier and more discriminative information than structural atrophy in this context. The findings highlight the clinical potential of integrating PET-based metabolic measurements with cognitive tests, offering a more objective and standardized approach over observer-dependent assessments. Future studies supported by larger samples and automated volumetric analyses may further improve diagnostic reliability. KEYWORDS: Alzheimer's disease, Mild Cognitive Impairment, F-18 FDG PET/CT, MTA score, Mini-Mental State Examination, Machine learning
Benzer Tezler
- Hafif bilişsel bozukluk ve erken evre Alzheimer tipi demans hastalarında yönetici işlevler ve ileriye dönük bellek performanslarının incelenmesi
Investigating executive functions and prospective memory performances in patients with mild cognitive impairment and early stage Alzheimer's-type of dementia
SENANUR ŞAT
- Demans hastaları, hafif kognitif bozukluk vakaları ve sağlıklı yaşlılarda uyumsuzluk negativitesi ile ilişkili nöropsikolojik faktörler
Noropsychological factors associated with mismatch negativity in dementia patients, mild cognitive impairment patients and in healthy elderly
DUYGU ÖZBAYRAK KARAPINAR
Tıpta Uzmanlık
Türkçe
2019
PsikiyatriBolu Abant İzzet Baysal ÜniversitesiRuh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ÖZDEN ARISOY
- Yapay öğrenme yöntemleri ile nörokognitif muayenelere bağlı klinik değerlendirmelerden alzheimer risk faktörlerinin belirlenmesi ve buna ilişkin risk sınıflandırması
Determination of alzheimer's disease risk factors and related risk stratification from clinical assessments based on neurocognitive testing with machine learning
CEYDA ÜNAL
Doktora
Türkçe
2024
Yönetim Bilişim SistemleriDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. YILMAZ GÖKŞEN
- Alzheimer tanısı için derin öğrenme tabanlı analiz
Deep learning based analysis for Alzheimer's diagnosis
RAVZA BEGÜM ATAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
DR. ÖĞR. ÜYESİ MUHAMMED ERDEM İSENKUL
- Ayrık dalgacık dönüşüm liderleri, spektral analiz ve derin öğrenme modeli kullanılarak elektroensefalografi (EEG) sinyallerinden hafif bilişsel bozukluğunun tespiti
Detection of mild cognitive impairment from electroencephalography (EEG) signals using discrete wavelet transformation leaders, spectral analysis and deep learning model
AFRAH ISMAIL ABDI SAID
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HANİFE GÖKER