Parkinson hastalığı (PH), motor semptomların yanı sıra beyin yapısında ve işlevsel organizasyonunda köklü değişikliklere yol açan nörodejeneratif bir bozukluktur. Son yıllarda yapılan araştırmalar, beynin istirahat halindeyken gösterdiği işlevsel bağlantı (functional connectivity) örüntülerinin hastalığı diğer durumlardan ayırt etmede değerli bir biyobelirteç olabileceğini ortaya koymuştur.
Ancak bu alandaki en büyük engellerden biri veri yetersizliğidir. Kamuya açık Parkinson veri setleri oldukça sınırlı sayıda katılımcıdan oluşmakta, üstelik farklı tarayıcılar, klinik kriterler ve araştırma merkezleri arasında parçalı bir yapıda dağılmış durumdadır. Transfer öğrenmesi, büyük veri setleri üzerinde eğitilmiş modellerin bilgisini küçük hedef gruplara aktararak bu sorunu kısmen hafifletse de mevcut yöntemler tüm bireyleri tek ve sabit bir model ağırlık seti üzerinden temsil etmektedir. Bu durum, bireysel farklılıkların göz ardı edilmesine neden olmaktadır.
Yeni geliştirilen Retrieval-Augmented Classification (RAC) çerçevesi, bu kısıtlamayı aşmak için farklı bir yol izliyor. Sistem, büyük dil modellerinde başarıyla uygulanan 'erişim destekli üretim' (retrieval-augmented generation) yaklaşımından esinlenerek her hedef bireyi, dış kaynaklardaki benzer bireylerle bağlamsal olarak ilişkilendiriyor.
Yöntemin temelinde bir graf konvolüsyonel otokodlayıcı (graph convolutional autoencoder - GAE) yer alıyor. Bu model, harici Parkinson ve kontrol gruplarından oluşan kohortlar üzerinde eğitilerek bir 'nöro-bilgi tabanı' oluşturuyor. Sınıflandırılacak hedef bireyin beyin bağlantı verisi bu önceden eğitilmiş model aracılığıyla kodlanıyor; ardından bilgi tabanından en yakın komşular belirleniyor. Bu komşuların gömülü temsilleri hedef bireyin temsiliyle birleştirilerek nihai sınıflandırma kararı veriliyor.
Yaklaşım, hassas nörogörüntüleme (precision neuroimaging) felsefesiyle örtüşüyor: Her bireyi kendi benzerleri bağlamında değerlendirerek daha kişiselleştirilmiş ve doğru bir tanı süreci sunmayı hedefliyor. Klinik açıdan bakıldığında, bu tür sistemlerin ileride Parkinson'ın erken teşhisine ve hastalığın alt tiplerinin daha iyi anlaşılmasına katkı sağlaması bekleniyor.
Çalışma, hem yapay zeka hem de nörobilim alanlarının kesişiminde konumlanarak gelecekte daha geniş nörodejeneratif hastalık gruplarına uygulanabilecek esnek bir metodoloji sunuyor.