DEVELOPING AI MODELS TO DIAGNOSIS PARKINSON’S DISEASE (PD) USING MULTINATIONAL MRI

Abstract

Parkinson Hastalığı (PH), dünya genelinde nüfusun önemli bir bölümünü etkileyen bir nörodejeneratif bozukluktur. PH'nin erken ve doğru teşhisi, etkili tedavi ve hastalık yönetimi için hayati öneme sahiptir. Bu çalışmada, Manyetik Rezonans Görüntüleme (MRI) verilerini kullanarak PH'nin erken aşamada tespit edilmesini amaçlayan bir yapay zeka (YZ) modeli öneriyoruz ve derin öğrenme tekniklerini kullanıyoruz. Bu araştırmada kullanılan veri Parkinson Hastalığının İlerleme İzleme Girişimi'nden (PPMI) elde edilmiştir ve 1.207 görüntüyü içerir; bunların içinde 919 MRG taraması PH tanısı konmuş bireylerden ve 288 MRG taraması sağlıklı bireylerden elde edilmiştir. Veri önceden işlenir ve modellerin sağlamlığını ve genelleme yeteneklerini artırmak için artırılır. İki önde gelen aktarım öğrenme modeli olan DenseNet121 ve ResNet, önceden işlenmiş veri üzerinde uygulanır ve eğitilir. Bu modeller, tıbbi görüntülerden yüksek seviye özellikler çıkarma yetenekleri ile bilinir ve çeşitli görüntü sınıflandırma görevlerinde umut vadeden sonuçlar göstermiştir. Bu modellerin önceden eğitilmiş ağırlıklarını kullanarak, belirli PH veri kümemiz üzerinde ince ayar yaparız. Modellerin performans değerlendirmesi, doğruluk ve F1 skoru gibi standart metrikler kullanılarak yapılır. Sonuçlarımız, hem DenseNet121 hem de ResNet'in PH etkilenen bireyler ile sağlıklı bireyler arasındaki farkı ayırt etme konusundaki etkililiğini gösteren yüksek doğruluklar elde ettiğini göstermektedir. DenseNet121 %88,50 doğruluk ve 0,8847 F1 skoru elde ederken, ResNet %92,50 doğruluk ve 0,9247 F1 skoru elde eder. Bu çalışmanın bulguları, özellikle DenseNet121 ve ResNet gibi YZ modellerinin MRI taramalarını kullanarak PH'nin erken teşhisinde klinisyenlere yardımcı olma potansiyeline sahip olduğunu göstermektedir. Bu modellerin elde ettiği viii yüksek doğruluklar, görüntüleme özelliklerine dayanarak PH- etkilenen ve sağlıklı bireyler arasındaki farklılığı ayırt etme yeteneklerini göstermektedir. Aktarım öğrenme ve önceden eğitilmiş modellerin kullanılması, büyük miktarlarda etiketli veriye olan ihtiyacı azaltır ve modellerin genelleme yeteneklerini artırır. Sonuç olarak, bu araştırma MRG verilerini kullanarak PH'nin erken teşhisi için etkili bir yaklaşım sunarak tıbbi görüntüleme ve YZ alanına katkıda bulunur. Önerilen DenseNet121 ve ResNet modelleri umut vadeden sonuçlar sunmakta ve sağlık profesyonellerine doğru PH teşhisinde YZ'nin potansiyelini göstermektedir. Daha büyük ve çeşitli veri kümeleri üzerinde yapılan daha fazla araştırma ve doğrulama, önerilen modellerin gerçek dünya klinik uygulamaları için güvenilirlik ve genelleme yeteneklerini artırabilir.