Yürüme Bozukluğu Olan Hastalarda Etkilenen Anatomik Sistemin Yapay Zeka ile Tespiti
DOI:
https://doi.org/10.5281/zenodo.18213880Anahtar Kelimeler:
Yürüme bozuklukları- 3D-CNN- Yapay zeka- Video tabanlı analiz- Nörolojik sınıflandırmaÖzet
Yürüme bozuklukları, santral ve periferik sinir sisteminden ekstrapiramidal yapılara, kas-iskelet sistemine ve eklem-kemik patolojilerine uzanan geniş bir anatomik spektrumun etkilenmesi sonucu ortaya çıkan multidisipliner bir klinik sorundur. Bu çalışma, yüksek çözünürlüklü klinik yürüme videolarının 3B Evrişimsel Sinir Ağı (3D-CNN) mimarisi ile analiz edilerek etkilenen anatomik sistemin otomatik olarak sınıflandırılmasını amaçlamaktadır. Ondokuz Mayıs Üniversitesi Nöroloji Kliniği’nde toplanan video tabanlı veri seti, santral sinir sistemi, periferik sinir sistemi, ekstrapiramidal sistem ve kas-kemik-eklem patolojileri olmak üzere dört kategori altında etiketlenmiştir. Videolar OpenCV tabanlı bir ön-işleme hattından geçirilmiş, mekansal ve zamansal standardizasyon uygulanmış ve model %80 eğitim – %20 test ayrımı ile optimize edilmiştir. 3D-CNN modeli 50 epoch sonunda %96,20 doğruluk düzeyine ulaşarak klinik genelleme açısından yüksek performans göstermiştir. Bulgular, video-temelli derin öğrenme yaklaşımlarının nörolojik ve hareket sistemi hastalıklarına ilişkin karar destek mekanizmalarında erken tanı, risk azaltma ve kişiselleştirilmiş tedavi planlamasını güçlendirebileceğini göstermektedir. Literatürde çoğunlukla tek hastalık odaklı modellere kıyasla, bu çalışma çoklu sınıf ayrımıyla kapsamlı bir klinik sınıflandırma sunmakta ve yapay zeka temelli gait analitiğinin gerçek yaşam uygulamalarına entegrasyonuna stratejik bir temel oluşturmaktadır.
Referanslar
Ali, F., Padilla, H., Blazek, A. M., Barnard, L., & Kaufman, K. R. (2025). Gait analysis in neurologic disorders: Methodology, applications, and clinical considerations. Neurology, 105(8), Article e214154. https://doi.org/10.1212/WNL.0000000000214154
Ben Chaabane, N., Conze, P. H., Lempereur, M., Quellec, G., Rémy-Néris, O., Brochard, S., Cochener, B., & Lamard, M. (2023). Quantitative gait analysis and prediction using artificial intelligence for patients with gait disorders. Scientific Reports, 13, Article 23099. https://doi.org/10.1038/s41598-023-49883-8
Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. O'Reilly Media.
Edison, E., Awaiz, A. D., Sehr, S., Afzal, A., Tahir, H., Aslam, M., & Khan, M. W. (2025). Impact of artificial intelligence on clinical decision-making and support systems in hospital environments. Insights in Health and Rehabilitation, 3(6), 622–628.
Erdaş, Ç. B., & Sümer, E. (2020, 19–20 Kasım). Nörodejeneratif hastalıkların tespiti için derin öğrenme tabanlı bir yaklaşım [Konferans bildirisi]. Tıp Teknolojileri Kongresi (TIPTEKNO), Online.
Erdaş, Ç. B., Sümer, E., & Kibaroğlu, S. (2023). Neurodegenerative diseases detection and grading using gait dynamics. Multimedia Tools and Applications, 82(15), 22925–22942. https://doi.org/10.1007/s11042-023-14461-7
Faiem, N., Asuroglu, T., Acici, K., Kallonen, A., & van Gils, M. (2024). Assessment of Parkinson’s disease severity using gait data: A deep learning-based multimodal approach. In M. Särestöniemi et al. (Eds.), Digital Health and Wireless Solutions (ss. 31–45). Springer. https://doi.org/10.1007/978-3-031-59091-7_3
Iseki, C., Hayasaka, T., Yanagawa, H., Komoriya, Y., Kondo, T., Hoshi, M., Fukami, T., Kobayashi, Y., Ueda, S., Kawamae, K., Ishikawa, M., Yamada, S., Aoyagi, Y., & Ohta, Y. (2023). Artificial intelligence distinguishes pathological gait: The analysis of markerless motion capture gait data acquired by an iOS application (TDPT-GT). Sensors, 23(13), Article 6217. https://doi.org/10.3390/s23136217
Liang, A. (2024). Assessing gait dysfunction severity in Parkinson’s disease using 2-stream spatial-temporal neural network. Journal of Biomedical Informatics, 157, Article 104679. https://doi.org/10.1016/j.jbi.2024.104679
Pham, T. D. (2022, 6–8 Aralık). Visual concurrent analysis of gait patterns among healthy young, old adults, and patients with Parkinson’s disease [Konferans bildirisi]. 2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), Las Vegas, NV, ABD. https://doi.org/10.1109/BIBM55620.2022.9995627
Vun, D. S. Y., Bowers, R., & McGarry, A. (2024). Vision-based motion capture for the gait analysis of neurodegenerative diseases: A review. Gait & Posture, 112, 95–107. https://doi.org/10.1016/j.gaitpost.2024.04.029
Yoon, H., Jo, E., Ryu, S., Yoo, J. I., Kim, M., & Kim, J. H. (2025). Noise-robust markerless video gait anomaly detection via two-stage acquisition and LSTM autoencoders. Scientific Reports, 15, Article 42074. https://doi.org/10.1038/s41598-025-26169-9
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 Black Sea Journal of Artificial Intelligence
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
