Alzheimer hastalığı, dünya genelinde milyonlarca insanı etkileyen ve erken teşhisin tedavi sürecine büyük katkı sağladığı nörodejeneratif bir rahatsızlık. Ne var ki gerçek klinik ortamlarda toplanan veriler çoğunlukla eksik, tutarsız ve farklı merkezlerden geldiği için birbiriyle uyumsuz oluyor. Bu tablo, makine öğrenmesi modellerinin güvenilir şekilde eğitilmesini zorlaştırıyor.
Geleneksel yaklaşımlarda eksik veriler istatistiksel yöntemlerle tahmin edilerek doldurulur. Ancak bu süreç kaçınılmaz olarak sistematik yanlılıklar ve özellikler arasındaki gerçek ilişkilerin bozulmasına yol açıyor. Üstelik bu modeller, tahminlerine gereğinden fazla güven atfedebiliyor; bu da klinik karar destek sistemleri için ciddi bir risk oluşturuyor.
NITROGEN adıyla sunulan yeni model, bu kısıtlamaların tamamını aşmayı hedefliyor. Transformatör mimarisine dayanan sistem, iki farklı dikkat mekanizması kullanıyor: Biri aynı hastanın farklı ölçüm ve biyobelirteçleri arasındaki örüntüleri yakalarken, diğeri farklı hastalar arasındaki ilişkisel yapıyı modelliyor. Böylece sistem, verinin nerede 'delik' olduğunu öğrenerek o boşlukları doldurmak yerine mevcut bilgiden en verimli şekilde yararlanabiliyor.
Araştırma ekibi modeli, Alzheimer's Disease Neuroimaging Initiative (ADNI) kapsamında elde edilen yaklaşık 7.858 beyin taramasıyla eğitti. Ardından OASIS-3 (2.675 tarama) ve AIBL (1.286 tarama) olmak üzere iki bağımsız veri setiyle modelin genellenebilirliğini test etti. Sonuçlar, NITROGEN'in farklı klinik kohortlarda tutarlı bir performans sergilediğini gösteriyor.
Sistemin bir diğer önemli özelliği ise belirsizlik kalibrasyonu. Model, yalnızca bir tanı veya bilişsel skor tahmini üretmekle kalmıyor; bu tahminin ne kadar güvenilir olduğunu da nicel biçimde ifade edebiliyor. Klinik ortamlarda bir yapay zeka sisteminin 'ne kadar emin olduğunu' doğru aktarabilmesi, hekimlerin karar süreçleri için kritik bir özellik.
NITROGEN, Alzheimer araştırmalarında veri kalitesi sorununu bertaraf etmeye yönelik umut verici bir adım olmakla birlikte, gerçek klinik kullanıma geçiş için bağımsız doğrulama çalışmalarına ihtiyaç duyduğu belirtiliyor. Yine de eksik veriyle başa çıkmanın yeni bir yolunu göstermesi bakımından nörobilim ve klinik yapay zeka alanları için dikkat çekici bir katkı sunuyor.