MRG hipokampus segmentasyonunu ve NIA-AA-2024 çerçevesine uygun alzheimer hastalığı sınıflandırmasını entegre eden çok modlu derin öğrenme çerçevesi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: İngilizce

Öğrenci: TUĞBA GÜNAYDIN

Danışman: UZMAN SİNEM AYDOĞMUŞ, Songül VARLI

Özet:

Bu tez çalışması, Alzheimer hastalığı (AH) teşhisinde klinik yapay zekâ alanındaki tekrarlanabilirlik krizine ve semptomatik yaklaşımlardan biyolojik temelli bir çerçeveye geçiş ihtiyacına yanıt olarak geliştirilen ATN-SynergyNet adlı çok modlu bir karar destek sistemini sunmaktadır. Sistem, AH'yi semptomatik bir sendrom yerine biyolojik bir süreç olarak tanımlayan NIA-AA 2024 kriterlerini operasyonel hale getirmeyi amaçlamaktadır. Bu doğrultuda, yapısal MRG (hipokampal hacim ve 6 ROI tabanlı yama) ile beyin omurilik sıvısı (BOS) biyobelirteçlerini (amiloid-β, tau, p-tau) dinamik bir dikkat mekanizmasıyla sinerjistik olarak bütünleştirmektedir. Metodolojik sağlamlığın temelini, test verisinden bilgi sızıntısını önlemek için normalizasyon ve eşik değerlerinin yalnızca eğitim setinden türetildiği "fit/transform" paradigması ve özne düzeyinde veri ayrımı stratejisi oluşturmaktadır. Ayrıca, kronik sınıf dengesizliği ve ara evrelerin heterojen yapıda olması sorununu çözmek için geliştirilen "ROI-Expert cGAN" modelleri, dış veri setinde (OASIS) dengelenmiş doğruluğu %37.37'den %52.19'a çıkararak (+14.82 puan) literatürdeki güçlü performans artışı aralığını aşmıştır. Klinik verimlilik açısından, sistemin N (Nörodejenerasyon) bileşenini ölçen (Component 1) 7 katmanlı 3D U-Net mimarisi, geleneksel atlas tabanlı FreeSurfer yönteminin 10-12 saatlik işlem yükünü vaka başına 3-5 saniyeye indirerek gerçek zamanlı entegrasyonu mümkün kılmakla birlikte klinik algıyla uyumlu, yüksek hacim örtüşmesi (Dice %74.6) ve sınır netliği sağlamaktadır. En kritik bulgu ise, modelin geleneksel klinik etiketlerden ziyade altta yatan biyolojiye olan sadakatidir; Grad-CAM analizleri modelin nöropatolojik olarak tutarlı bölgelere odaklandığını doğrulamış ve NIA-AA 2024 biyolojik profilleriyle %81.25'lik bir uyum sergileyerek, klinik-biyolojik uyuşmazlık durumlarında dahi doğru evreleme potansiyelini kanıtlamıştır. Bu özellikler, ATN-SynergyNet'i sağlam, hızlı ve biyolojik olarak geçerli bir klinik araç olarak konumlandırmaktadır.