Yapay zeka destekli video-eeg analizi ile beyin MRG pozitif pediatrik epilepside fokalite tespiti ve nörogörüntüleme bulgularıyla korelasyonu
Artificial intelligence–assisted video-eeg analysis for localization of epileptogenic foci in MRI-positive pediatric epilepsy and its correlation with neuroimaging findings
- Tez No: 989873
- Danışmanlar: PROF. DR. ŞENAY HASPOLAT
- Tez Türü: Tıpta Uzmanlık
- Konular: Çocuk Sağlığı ve Hastalıkları, Child Health and Diseases
- Anahtar Kelimeler: Pediatrik epilepsi, Video-EEG, Yapay zekâ, Makine öğrenmesi, Hjorth parametreleri, Pediatric epilepsy, Video-EEG, Artificial intelligence, Machine learning, Hjorth parameters
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Beyin MRG'de yapısal lezyonu bulunan pediatrik epilepsi hastalarında, 24 saatlik video-EEG monitörizasyon kayıtlarından elde edilen zaman ve frekans alanı özelliklerinin makine öğrenmesi algoritmaları ile analiz edilerek epileptojenik zonun non-invaziv ve otomatik olarak tahmin edilmesi temel amaçtır. Yapay zekâ destekli EEG analizinin, görsel yorumda bulunan epileptolog/gözlemci farklılıklarını azaltarak epileptik odak belirleme sürecine katkı sağlayabileceği öngörülmüştür. Gereç ve Yöntem: Beyin MRG ile yapısal lezyon doğrulanmış 22 pediatrik epilepsi hastası ve normal EEG/MRG bulgularına sahip 10 sağlıklı kontrol olmak üzere toplam 32 çocuk çalışmaya dahil edilmiştir. Welch yöntemi ile güç spektral yoğunluğu, mutlak bant güçleri, Hjorth hareketlilik ve karmaşıklık parametreleri ile zaman çarpıklığı ortalaması gibi zaman-serisi özellikleri hesaplanmıştır. Bu özellikler Decision Tree, Random Forest ve XGBoost sınıflandırıcılarına uygulanmış ve modeller performans açısından karşılaştırılmıştır. Bulgular: Modeller arasında en yüksek tanısal performans XGBoost ile elde edilmiş olup doğruluk %75, duyarlılık %80 ve özgüllük %66 olarak bulunmuştur. Özellikle Hjorth parametreleri ile zaman serisi asimetri ölçütlerinin, lezyon tarafı ile uyumlu şekilde anlamlı ayırt edici özellikler olduğu görülmüştür. Kaynak dağılım analizlerinde de lezyonla aynı hemisferde belirgin topografik aktivite artışı saptanmış ve beyin MRG bulgularıyla tutarlılık göstermiştir. Bazı hastalarda V-EEG'de epileptik aktivite görülmezken yapay zekâ ile lezyon bölgesinde elektrofizyolojik bozukluklar gösterilmiştir. Sonuç: Pediatrik epilepside uzun süreli EEG kayıtlarının yapay zekâ destekli analiziyle epileptojenik zonun non-invaziv olarak belirlenebileceğini göstermektedir. Ayrıca subklinik aktivitenin ve lezyon lokalizasyonuyla uyumsuz ikincil odakların tespitine olanak sağlayarak klinik yönetimi desteklemektedir. Multimodal ve derin öğrenme yaklaşımlarının yer aldığı daha geniş çaplı çalışmalar, yöntemin klinik uygulanabilirliğini artıracaktır.
Özet (Çeviri)
Objective: The primary objective of this study is to non-invasively and automatically predict the epileptogenic zone by analyzing time- and frequency-domain features extracted from 24-hour video-EEG monitoring data of pediatric epilepsy patients with structural lesions confirmed on brain MRI. It is hypothesized that AI-assisted EEG analysis may reduce inter-observer variability in visual interpretation and contribute to the localization of epileptic foci. Materials and Methods: A total of 32 children were included in the study, consisting of 22 pediatric epilepsy patients with brain MRI-confirmed structural lesions and 10 healthy controls with normal EEG/MRI findings. Time- and frequency-domain features such as power spectral density calculated using the Welch method, absolute band powers, Hjorth mobility and complexity parameters, and mean time-domain skewness were extracted from the EEG signals. These features were then used to train Decision Tree, Random Forest, and XGBoost classifiers, and the models were compared in terms of performance metrics. Results: Among the tested models, XGBoost achieved the highest diagnostic performance with an accuracy of 75%, sensitivity of 80%, and specificity of 66%. Hjorth parameters and time-domain asymmetry measures demonstrated significant discriminative value, consistent with the lesion side. Source distribution analyses also revealed increased topographic activity in the hemisphere ipsilateral to the lesion, showing concordance with brain MRI findings. Notably, in some patients with no evident epileptic activity on V-EEG, AI-based analysis detected electrophysiological abnormalities in the lesional region. Conclusion: This study demonstrates that AI-assisted analysis of long-term EEG recordings can non-invasively identify the epileptogenic zone in pediatric epilepsy. In addition, detecting subclinical activity and secondary foci discordant with lesion localization may support clinical decision-making. Larger-scale studies incorporating multimodal data and deep learning approaches are expected to further enhance the clinical applicability of this method.
Benzer Tezler
- Emotion aware artificial intelligence for cognitive systems
Bilişsel sistemler için duygu farkındalıklı yapay zeka
DEĞER AYATA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Video game-enhanced deep learning framework for EEG-based brain-computer interfaces in rehabilitation applications
Rehabilitasyon uygulamaları için EEG tabanlı beyin-bilgisayar arayüzlerinde video oyun destekli derin öğrenme modeli
ABDULLAH YİĞİT SAĞLAM
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EBRU SAYILGAN
- Epileptik nöbet anında göz bulgularının görüntü ve sinyal işleme teknikleri kullanarak tespiti
Detection of eye movements during epileptic seizures by using image and signal processing techniques
ESRA ZEKİYE GÜZEY ŞANAL
Tıpta Uzmanlık
Türkçe
2020
Çocuk Sağlığı ve HastalıklarıAkdeniz ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. ÖZGÜR DUMAN
- Yapay zeka destekli görsel ve video içerik analizi: Toplumsal değerlerin korunması için öğrenen bir sistem
Ai powered visual and video content analysis: A learning application for social values
ERSİN ARIKAN
Yüksek Lisans
Türkçe
2026
Yönetim Bilişim Sistemleriİstanbul Okan ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENDER ŞAHİNASLAN
- Üretken yapay zekâ destekli etkileşimli öğretimsel video oluşturma sisteminin tasarlanması, geliştirilmesi, uygulanması ve değerlendirilmesi
Design, development, implementation and evaluation of a generative AI-supported interactive instructional video creation system
İSA BİNGÖL
Doktora
Türkçe
2025
Eğitim ve ÖğretimAtatürk ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. ENGİN KURŞUN