Derin öğrenme yöntemi ile diskalkuli sınıflaması ve ilgili anatomik bölgelerin tespit edilmesi


Sözer B., Çiçek M., Nernekli K., Sırmatel Bakrıyanık B.

20. Ulusal Sinirbilim Kongresi, İstanbul, Türkiye, 19 - 23 Ekim 2022

  • Yayın Türü: Bildiri / Yayınlanmadı
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Ankara Üniversitesi Adresli: Evet

Özet

Amaç

Gelişimsel diskalkuli, aritmetik becerilerin normal kazanımını etkileyen özel bir öğrenme güçlüğüdür. Bu çalışmanın amacı gelişimsel diskalkuli teşhisine yardımcı olacak bir yapay zekâ modeli oluşturmaktır. Ayrıca çalışma kapsamında eğitilmiş derin öğrenme modelinin aktivasyon haritalarının incelenmesiyle diskalkuli tarafından etkilenmiş anatomik yapıların tespiti  planlanmıştır.

 

Gereç ve Yöntem:

Çalışmada kullanılan veri seti 12 diskalkuli hastası ve 13 sağlıklı kontrole ait difüzyon tensor görüntüleme (DTG) verisinden oluşmaktadır. Sekiz hasta modelin doğruluk oranını test etmek için ayrıldı. Ön işleme aşamasında ham DTG verisindekafa kemiklerinin ayrılması (BET brain extraction) ve bazı artefaktların giderilmesi (eddy current correction) yöntemleri uygulandı. Ön işlemeden sonra veri setinden fraksiyonel anizotropi (FA) görüntüleri, özdeğerler ve özvektörler çıkartıldı. FA görüntüleri daha sonrasında derin öğrenme modelini eğitmek için kullanıldı. Daha sonrasında diskalkuli hastalarını sınıflamak için yapay zekâ tarafından kullanılan anatomik bölgeleri tespit etmek amacıyla “Gradcam Algoritması” entegre edildi. Bu şekilde diskalkulik hastaların etkilenmiş olan anatomik yapıları görselleştirilmiş ve modelin karar verme mekanizması açıklanmıştır.

 

Bulgular:

Modelin diskalkuli sınıflama performansını ölçmek için beş kat çapraz doğrulama yöntemi kullanıldı (five-fold cross validation). Test seti üzerinde yapılan ölçümler sonrasında %80 ortalama doğruluk oranı, %80.6 ortalama sensitivite ve %86.4 ortalama spesifite hesaplanmıştır. Gradcam algoritması kullanılarak çıkartılan harita sonuçları analiz edildiğinde sağlıklı kontrollerden farklı olarak diskalkuli hastalarında anteriyor korpus kallozumun (genu) sınıflamaya katkıda bulunduğu gözlendi.

 

Sonuç:

Derin öğrenme modelimiz diskalkuli ve sağlıklı kontroller arasında yüksek doğruluk oranı ile (%80) ayrım yapabilmektedir. Gradcam algoritmasının uygulanmasıyla, diskalkulik hastalarda anteriyor korpus kallozumun kontrollere göre farklılık gösterdiği gösterilmiştir. Literatürdeki nörogörüntüleme çalışmaları diskalkuli hastalarında artmış frontal bölge aktivasyonuna işaret etmektedir. Bu bulgu ile uyumlu olarak, çalışmamızda gösterilen anteriyor korpus kallosumdaki hasta-kontrol farkı, diskalkulide sol-sağ prefrontal korteks arasındaki interhemisferik bağlantıda bir sorunu işaret edebilir.