Parçacıklar Arasındaki Gizemli Bağlantı: Kuantum Dolanıklığı için yorumlar kapalıBİLİM
Kuantum dolanıklığı, atom altı parçacıklar arasında yani kuantum aleminde görülen ilginç olaylardan biridir. İki veya daha fazla parçacık belirli bir şekilde bağlandığında, uzayda birbirlerinden ne kadar uzakta olurlarsa olsunlar durumları bağlı kalır. Bu parçacıkların aynı kuantum durumunu paylaştıkları anlamına gelir. Yani parçacıklardan birinin gözlemlenmesi, aralarındaki mesafeye bakılmaksızın diğer dolaşık parçacıklar hakkında bilgi edinmeyi sağlar. Bu parçacıklardan birine yapılacak herhangi bir eylem, dolanık sistemdeki diğerlerini her zaman etkileyecektir.
Kuantum dolanıklığı konusu pek çok fizikçi tarafından araştırma konusu olmuştur. 2022 yılında Alain Aspect, John F. Clauser ve Anton Zeilinger; dolanık parçacıklarla yaptıkları çalışmalarla Nobel Fizik Ödülünü’nün sahibi olmuştur. Kuantum dolanıklığı, kuantum mekaniği içinde önemli bir kavramdır ve parçacıklar arasında kurulan özel bir ilişkiyi incelemeyi sağlar. Bu ilişki öyle ilginçtir ki iki elektron parçası birbirinden ışık yılı uzaklıkta olsa bile birbirini etkileyebilir.
Kuantum dolanıklığını anlamak için öncelikle Kuantum Teorisinin ne olduğuna bir bakalım.
Kuantum Teorisi Nedir?
Kuantum etimolojik olarak, “ne kadar büyük” anlamına gelen Latince “kuantus” kelimesinden türetilmiştir. Mikro seviyede, atom altı parçacıkların hareketleri Kuantum mekaniği ile açıklanır.
Kuantum teorisine göre bir foton tek bir kuantum ışığıdır yani herhangi bir elektromanyetik radyasyon formudur. Atomlar ve madde genel olarak belli bir denge durumundadır, yani üzerlerindeki net kuvvet sıfırdır. Ancak elektronlar sadece bir atom içindeki ayrık enerji seviyelerinde bulunabilir. Fakat elektronlar sürekli yer değiştirirler. Elektronlar kimi zaman parçacık, kimi zaman ise dalga gibi hareket ederler, pozisyonları asla tahmin edilemez.
Kuantum dünyasında hiçbir şey kesin olarak bilinemez; örneğin, bir atomdaki bir elektronun tam olarak nerede bulunduğunu asla bilemezsiniz; yalnızca nerede olabileceğini bilemezsiniz. Kuantum durumu, bir parçacığın konumu veya açısal momentumu gibi belirli bir özelliğini ölçme olasılığını özetler. Yani, örneğin bir elektronun kuantum durumu, onu bulabileceğiniz tüm yerleri ve bu yerlerde elektronu bulma olasılıklarını tanımlar.
Kuantum Dolanıklığı Nedir?
Kuantum dolanıklığı kavramı 1935’te Erwin Schrödinger tarafından ortaya atılmıştır. Kuantum dolanıklığı, bir çift parçacık veya grup parçacığının; çifti veya grubun diğer parçacığı ile zaman ve mesafenin önemi olmaksızın, fiziksel bir etkileşim içinde olması durumunu ifade etmektedir.
Bir başka ifadeyle kuantum dolanıklığı, bir parçacığın, diğer bir parçacık veya parçacıklarla, aralarında büyük mesafeler hatta ışık yılları bile olabilen parçacıkları inceler. Bu parçacıklar, kuantum durumunun bir sonucu olarak ortaya çıkan bir fiziksel etkileşimde kalmaya devam edebilir.
Kuantum dolanıklığı konusu, klasik ve kuantum fiziği arasındaki eşitsizliğin merkezinde yer alır: dolanıklık, klasik mekanikte bulunmayan kuantum mekaniğinin temel bir özelliğidir. Kuantum dolanıklık ilkesi bir sistemin, tüm bileşenlerinin bir bütün olarak dikkate alınmadan tanımlanamayacağını açıklar. Dolayısıyla her sistem, bileşenlerinin bir toplamıdır.
Ne var ki, sistemin bileşenleri çevre ile etkileşime geçtiğinde farklı özellikler gösterebilirler. Sistemdeki bir bileşende değişiklik yapıldığında diğer bileşenlerde de değişiklikler görülür.
Kuantum dolanıklığının fizikçiler tarafından son derece şaşırtıcı bulunmasının sebebi dolanık parçacıkların durumunun açıklanamaz ve öngörülemez olmasıdır. Einstein bunu “uzaktan ürkütücü eylem” veya “hayaletli eylem” olarak ifade eder.
Kendimiz Kuantum Dolanıklığı Oluşturabilir Miyiz?
Parçacıkları dolaştırmanın birçok yolu vardır. Bu alanda çalışma yapan fizikçilerin kullandığı yöntemlerden biri, parçacıkları soğutmak ve kuantum durumları (konumdaki belirsizliği temsil eden) örtüşecek ve bir parçacığı diğerinden ayırt etmeyi imkansız hale getirecek şekilde birbirine yeterince yakın yerleştirmektir.
Diğer bir yol ise nükleer bozunma gibi otomatik olarak dolaşık parçacıklar üreten bazı atom altı süreçlere güvenmektir. NASA’ya göre, tek bir fotonu bölüp bir çift foton üreterek veya foton çiftlerini bir fiber optik kabloda karıştırarak dolaşmış foton çiftleri veya ışık parçacıkları oluşturmak da mümkündür.
Kuantum Dolanıklık Ne İşe Yarar?
Kuantum dolanıklık günümüzde uzun mesafelerde fiber optik iletişim sağlar. Bu yöntem sayesinde veriler, 3. bir kişinin eline geçmeden güvenli bir şekilde yerine ulaşır. Kuantum dolanıklık günümüzde gizli bilgilerin sadece iletilmesi istenen yerlere iletilmesinde kullanılmaktadır. Bu yapılırken gönderici ve alıcı arasında sadece kendilerinin bildiği özel anahtar kodlar oluşturulur.
Bu süreç geleneksel iletişimin kuantum versiyonu olarak düşünülebilir. İlk olarak gönderici iletmek istediği mesaj için bir anahtar oluşturulur. Bu anahtardaki bilgiler XOR işlemi adı verilen bir işlemle şifrelenir. Parçacıklar arasındaki dolanıklık sayesinde mesaj, diğer parçacığa iletilir. Alıcı, aynı anahtarı kullanarak bu işlemi tersine çevirerek orijinal mesajı elde eder. Bu yöntemin temel avantajı kesinlikle güvenliktir, çünkü her anahtar yalnızca bir kez kullanılır ve tekrar kullanılamaz. Eğer üçüncü bir kişi bu işleme dahil olmaya çalışırsa dolanıklık bozulur ve mesaj iletilemez. Bu işlem uzun süren bir işlemdir ancak büyük oranda güvenlik sağlar. Günümüzde bu işlemler Nasa da kullanılmaktadır.
Gastroduodenal Hastalıkları Olan Hastalardan İzole Edilen Helicobacter pylori Suşlarında cagA ve vacA Virülans Genlerinin Moleküler Karakterizasyonu: Kesitsel Bir Çalışma için yorumlar kapalısağlık
Soyut
Arka plan
Helicobacter pylori, gastrit, peptik ülser hastalığı ve mide kanserleri de dahil olmak üzere çeşitli üst gastrointestinal (ÜGİ) rahatsızlıklarla ilişkili önemli bir mide patojenidir. Hastalığa neden olma yeteneği büyük ölçüde sitotoksinle ilişkili gen A (cagA) ve vakuolize edici sitotoksin geni (vacA) gibi önemli virülans faktörlerinden kaynaklanmaktadır. Bu çalışma, hem fenotipik hem de moleküler yöntemler kullanarak ÜGİ semptomları gösteren hastalarda H. pylori prevalansını belirlemeyi ve izolatlarda cagA ve vacA genlerinin varlığını tespit etmeyi amaçlamıştır.
Malzemeler ve yöntemler
Semptomatik gastrointestinal (GI) şikayetleri olan ve üst GI endoskopisi geçiren hastalar çalışmaya dahil edildi. Her hastadan beyin-kalp infüzyon ortamında dört mide biyopsi örneği alındı ve mikrobiyolojik ve moleküler testler için tıbbi gastroenteroloji bölümünden gönderildi. H. pylori tanımlaması , Skirrow Campylobacter ortamı ve büyüme takviyeleri ile standart kültür teknikleri kullanılarak gerçekleştirildi. Moleküler tespit, polimeraz zincir reaksiyonu (PCR) kullanılarak yapıldı. DNA, Amp Ready reaktifi kullanılarak ekstrakte edildi ve analiz edilene kadar -20°C’de saklandı. Veriler yapılandırılmış bir form kullanılarak toplandı ve Epi Info sürüm 7.3.2 (Hastalık Kontrol ve Önleme Merkezleri (CDC), Atlanta, GA, ABD) ile analiz edildi. Kategorik değişkenler, %95 güven aralığı (CI) ile yüzdeler olarak özetlendi. İlişkiler, ki-kare testi veya Fisher’ın kesin testi kullanılarak değerlendirildi ve p ≤ 0,05 istatistiksel olarak anlamlı kabul edildi.
Sonuçlar
İşlem gören 250 mide biyopsi örneğinden 38’inde (%15,2) H. pylori kültürde üredi. ureB genini hedefleyen PCR, 36 örnekte (%14,4) H. pylori DNA’sını tespit etti. Bu PCR pozitif izolatların 30’unda (%83,3) hem cagA hem de vacA virülans genleri bulunuyordu. Genotipleme, vacA s1 ve m1 alellerinin sıklıkla bir arada bulunduğunu, s1m1 genotipinin en yaygın olduğunu ve daha yüksek virülansla ilişkili olduğunu gösterdi.
Çözüm
PCR tabanlı testlerin, H. pylori ve temel virülans belirteçlerini tespit etmede geleneksel kültür yöntemlerine kıyasla daha hassas ve etkili olduğu kanıtlanmıştır. Moleküler tekniklerin rutin tanı iş akışlarına entegre edilmesi, yüksek riskli suşların daha erken ve daha doğru bir şekilde belirlenmesini kolaylaştırabilir.
giriiş
Helicobacter pylori, mikroaerofilik koşullar altında büyüyen ve dünya nüfusunun neredeyse yarısının mide mukozasını kolonize ettiği bilinen, spiral şeklinde, gram negatif bir bakteridir. Kronik gastrit, asit peptik hastalık ve mide ülserleri de dahil olmak üzere çeşitli gastrointestinal (GI) bozukluklarla ilişkilidir ve ayrıca çeşitli mide lenfomaları türleri için bir tetikleyici olarak kabul edilmektedir [1] . Peptik ülser hastalığı ve mide kanseri ile güçlü bağlantısı nedeniyle, Dünya Sağlık Örgütü’nün (WHO) bir kolu olan Uluslararası Kanser Araştırma Ajansı (IARC), H. pylori’yi Grup I kanserojen olarak belirlemiştir [2] . Enfekte bireyler arasındaki klinik sonuçlardaki farklılıklar büyük ölçüde bakteriyel virülans faktörlerinden, özellikle de vakuolize edici sitotoksin geni (vacA), sitotoksinle ilişkili gen (cagA) ve üreaz (ure) geninden kaynaklanmaktadır [3] . Üreaz enzimi, üreyi amonyağa dönüştürerek H. pylori’yi asidik mide ortamından korumaya yardımcı olur. vacA geni tarafından kodlanan 95 kDa’lık oldukça immünojenik bir toksin olan VacA proteini, gastroduodenal hastalık şiddetinde önemli bir rol oynar. Çoğu H. pylori suşunda bulunan bu gözenek oluşturan toksin, vakuol oluşumunu indükleyerek, membran kanalları oluşturarak, sitoskelete bağlı fonksiyonları bozarak ve apoptozu teşvik ederek mide epitel hücrelerine zarar verir. Ayrıca konakçı bağışıklık tepkilerini de etkiler [3,4] . vacA geni iki değişken bölge içerir: s1a, s1b ve s2 alt tiplerine sahip sinyal (s) bölgesi ve m1 ve m2 alellerine sahip orta (m) bölge. s1/m1 ve s1/m2 kombinasyonlarını taşıyan suşlar orta ila yüksek düzeyde sitotoksik aktivite üretme eğilimindeyken, s2/m2 suşları çok az veya hiç sitotoksik aktivite üretmez [3,4] .
Cag patojenite adası (cagPAI) içinde yer alan cagA geni, CagA onkoproteinini kodlar. Tip IV salgı sistemi yoluyla mide epitel hücrelerine iletildikten sonra CagA, özellikle tirozin fosfataz SHP-2 olmak üzere konak sinyal proteinleriyle etkileşime girer. Bu etkileşim, mide karsinogenezine katkıda bulunan sitoskeletal değişikliklere ve morfolojik anormalliklere yol açar [5] .
Bu çalışmanın amacı, dispepsi şikayetiyle başvuran hastalarda H. pylori prevalansını belirlemek ve izolatların patojenik potansiyelini cagA ve vacA gibi temel virülans genlerini tespit ederek değerlendirmektir.
Malzemeler ve Yöntemler
Bu çalışma, Kalinga Tıp Bilimleri Enstitüsü (KIMS), Bhubaneswar Mikrobiyoloji Bölümü’nde, Ulusal Kolera ve Bağırsak Hastalıkları Enstitüsü (NICED), Kalküta ile işbirliği içinde yürütülmüştür. Araştırma yaklaşık iki yıl süreyle (Kasım 2013-Ağustos 2015) gerçekleştirilmiştir. Kurumsal Etik Kurulu’ndan etik onay alınmıştır (IEC onay numarası: KIMS/ETHICS/513/2013). Tüm katılımcılardan, belirlenmiş etik kurallara uygun olarak yazılı bilgilendirilmiş onam alınmıştır.
Çalışmaya katılanlar
Dahil Edilme Kriterleri
Çalışma dönemi boyunca KIMS’de gastroenteroloji polikliniğine başvuran, 18-75 yaş arası, her iki cinsiyetten yetişkinler, dispeptik semptomlar gösteren hastalar ve bireyler çalışmaya dahil edildi.
Hariç Tutma Kriterleri
Çalışmaya dispeptik semptomları olmayan hastalar, 18 yaşından küçük veya 75 yaşından büyük bireyler, son iki hafta içinde proton pompa inhibitörü (PPI) veya antibiyotik kullanımı öyküsü olanlar ve bilinen bir karsinom tanısı olan hastalar dahil edilmedi.
Örnek toplama
Endoskopi sırasında midenin antral ve gövde bölgelerinden dört adet gastrik biyopsi örneği alındı. Her örnek, hızlı üreaz testi, bakteri kültürü ve histopatolojik inceleme için ayrı ayrı işlendi. Histopatoloji için, biyopsi örnekleri %10 tamponlu formalinde sabitlendi, rutin olarak işlendi ve hematoksilin ve eozin (H&E) ve Giemsa boyalarıyla boyandı. Kültürde H. pylori’nin başarılı bir şekilde izole edildiği durumlarda, üreB, cagA ve vacA virülans genleri polimeraz zincir reaksiyonu (PCR) kullanılarak daha ayrıntılı olarak tanımlandı.
Numunenin taşınması
Alınan biyopsi örnekleri, %15 gliserol içeren 0,6 mL Brucella besiyerine (Difco Laboratories) konuldu ve toplandıktan hemen sonra buz üzerinde taşındı. Örnekler, bakteri kültürü için daha ileri işlemler yapılana kadar -70°C’de saklandı.
Mikrobiyolojik işleme
Her biyopsi örneği, Christensen’in üre suyu kullanılarak üreaz aktivitesi açısından test edildi ve uygun pozitif ve negatif kontrollerle birlikte 37°C’de bir saat inkübe edildi. Kültür için, biyopsi örnekleri iki steril cam slayt arasında ezildi ve kıyılmış doku, defibrine edilmiş at serumu (Himedia RM1239) içeren brucella agar bazı (Himedia MO74) ve Campylobacter büyüme takviyeleri (Himedia FD009 ve FD008) ile taze hazırlanmış Skirrow’un Campylobacter seçici ortamına ve ayrıca seçici olmayan bir ortam olarak çikolata agar’a aşılandı [6] .
Aşılanmış plaklar, mikroaerofilik koşullar altında 37°C’de inkübe edildi ve bakteri üremesi açısından 3-7 gün boyunca gözlemlendi. H. pylori’yi düşündüren koloniler küçük (<2 mm), dairesel, saydam ve grimsi görünümdeydi. Şüpheli izolatlar, histopatolojik bulgularla korelasyon halinde, Gram boyama (Gram negatif kavisli basiller gösteren), hareketlilik testi ve pozitif katalaz, oksidaz ve üreaz reaksiyonları ile daha da doğrulandı.
H. pylori’nin izolasyonu ve tanımlanması
Genomik DNA, setiltrimetilamonyum bromür (CTAB) yöntemi kullanılarak kültürlenmiş H. pylori izolatlarından ekstrakte edildi . Bu işlemde, bakteri hücreleri önce lizize edildi ve DNA, fenol-kloroform ekstraksiyonu ve ardından etanol çöktürmesi ile saflaştırıldı. Son DNA peletleri nükleaz içermeyen suda çözüldü ve PCR için kullanılana kadar -20°C’de saklandı.
Daha sonra, H. pylori’nin çeşitli önemli genlerini hedefleyen spesifik primerler kullanılarak PCR gerçekleştirildi . İzolatların kimliğini doğrulamak için ureB geni çoğaltıldı. Daha yüksek virülansla bağlantılı olan sitotoksinle ilişkili gen A’nın varlığını kontrol etmek için cagA geni test edildi. Ayrıca, bu alellerin farklı kombinasyonlarının toksin aktivitesini etkileyebileceğinden, vacA geninin sinyal (s) ve orta (m) bölge alellerini belirlemek için de analiz edildi.
Her PCR reaksiyonunun toplam hacmi 25 µL idi ve standart PCR tamponu (Genei, Bangalore, Hindistan), 1 U Taq DNA polimeraz, 1,5 mM MgCl₂, her bir dNTP’den 0,25 mM, her bir primerden 25 pmol ve yaklaşık 50 ng kalıp DNA içeriyordu. Amplifikasyon, Eppendorf Mastercycler kullanılarak aşağıdaki koşullar altında gerçekleştirildi: 95°C’de 1 dakika süreyle denatürasyon, 55°C’de 1 dakika süreyle bağlanma ve 72°C’de 1 dakika süreyle uzatma olmak üzere 35 döngü. Son uzatma adımı 72°C’de 10 dakika süreyle gerçekleştirildi.
PCR ürünleri, etidyum bromür (veya başka bir güvenli nükleik asit boyası) ile boyanmış %1,5’lik agaroz jel üzerinde ayrıştırıldı. Elektroforezden sonra jeller UV ışığı altında incelendi ve yükseltilmiş parçaların boyutlarını doğrulamak için 100 bp’lik bir DNA merdiveni kullanıldı.
H. pylori referans suşu ATCC 26695’ten elde edilen DNA, her PCR çalışmasında pozitif kontrol olarak kullanıldı. Kontaminasyon olmadığından emin olmak için şablon DNA olmadan kurulan reaksiyonlar negatif kontrol olarak dahil edildi. Primer dizileri [7] ve hedefledikleri genler , bu çalışmada kullanılan tüm yayınlanmış primerleri özetleyen Tablo 1’de listelenmiştir .
Hedef gen
Astar
Sıra (5′-3′)
Amplikon boyutu (bp)
ureB
UreBF
CGTCCGGCAATAGCTGCCATAGT
480
UreBR
GTAGGTCCTGCTACTGAAGCCTTA
cagA
CagA5cF
GTTGATAACGCTGTCGCTTCA
350
CagA3cR
GGGTTGTATGATATTTTCCATAA
vacA (s bölgesi)
vacAs1F
ATGGAAATACAACAAACACAC
s1-259/s2-286
vacAs1R
CTGCTTGAATGCGCCAAAC
vacA (m bölgesi)
vacAmF
CAATCTGTCCAATCAAGCGAG
m1-567/m2-642
vacAmR
GCGTCAAAATAATTCCAAGG
Tablo 1: Bu çalışmada kullanılan yayınlanmış primerler
Veri analizi
Toplanan veriler kodlanarak Microsoft Excel elektronik tablosuna (Microsoft Corp., Redmond, WA, ABD) girildi. İstatistiksel analiz, Epi Info sürüm 7.3.2 (Hastalık Kontrol ve Önleme Merkezleri (CDC), Atlanta, GA, ABD) kullanılarak gerçekleştirildi. Kategorik değişkenler, karşılık gelen %95 güven aralıklarıyla (CI) birlikte yüzdeler olarak özetlendi ve uygunluğa bağlı olarak ki-kare testi veya Fisher’ın kesin testi kullanılarak karşılaştırıldı. p değeri ≤ 0,05 istatistiksel olarak anlamlı kabul edildi.
Sonuçlar
Dispepsi şikayeti olan hastalardan toplam 250 mide biyopsi örneği alınarak gastroenteroloji bölümünde işleme tabi tutuldu. Bu örneklerin 38’inde (%15,2) kültür yöntemiyle H. pylori pozitifliği saptanırken, 36’sında (%14,4) ureB genini hedefleyen PCR yöntemiyle pozitiflik doğrulandı. Enfeksiyon erkeklerde (%71) kadınlara (%28) göre daha yaygındı ve en yüksek prevalans 41-50 yaş grubunda (%44,7) gözlendi (Tablo 2 ).
Demografik değişkenler
Toplam (N = 250)
H. pylori pozitif (n = 38)
H. pylori negatif (n = 212)
Olasılık oranı (%95 güven aralığı)
p-değeri
Erkek
154
27
127
1,64 (0,77-3,40)
0.19
Dişi
96
11
85
<20 yaş
9
1
8
0,69 (0,08-5,67)
0.73
21-30 yaş
30
2
28
0,37 (0,08-1,60)
0.18
31-40 yaş
52
9
43
3.17 (1.75-5.73)
0.0001
41-50 yaş
88
17
71
1.61 (0.79-3.24)
0.18
51-60 yaş
35
5
30
0,91 (0,33-2,54)
0.87
61-70 yaş
19
3
16
1,05 (0,29-3,79)
0,94
>70 yaş
17
1
16
0,33 (0,04-2,57)
0.29
Tablo 2: Çalışma popülasyonunun temel demografik profili (N = 250)
İzole edilen 38 H. pylori suşundan 23’ü duodenum ülseri olan hastalardan, 5’i mide ülseri olan hastalardan, 8’i gastritli hastalardan ve 2’si mide karsinomlu hastalardan elde edilmiştir (Tablo 3 ).
Endoskopik bulgular
Toplam (N = 250)
H. pylori pozitif (n = 38)
H. pylori negatif (n = 212)
Olasılık oranı (%95 güven aralığı)
p-değeri
Mide karsinomu
22
2
20
0,53 (0,12-2,38)
0.41
Onikiparmak bağırsağı ülseri
85
23
62
3.71 (1.82-7.58)
0.0003
Mide ülseri
43
5
38
0,69 (0,25-1,89)
0,48
Gastrit
61
8
53
0,80 (0,35-1,85)
0,60
Tablo 3: Helicobacter pylori pozitifliği olan çalışma katılımcılarındaki endoskopik bulgular (N = 38)
H. pylori pozitif hastalar arasında en sık görülen semptomlar dispepsi (%24,1), ardından asit reflüsü (%23,2), hazımsızlık (%21,4), iştahsızlık (%14,2) ve epigastrik hassasiyet (%10,5) idi (Tablo 4 ).
Belirti
Toplam vaka sayısı (n)
H. pylori pozitif (n = 38)
H. pylori negatif (n = 212)
Test istatistiği
df
p-değeri
Epigastrik ağrı
38
4 (10.53%)
34 (89.47%)
0.39
1
0,53*
Dispepsi
29
7 (24.14%)
22 (75.86%)
0.17
1
0,15**
asit reflüsü
86
20 (23.26%)
66 (76.74%)
5.68
1
0,01*
İştah kaybı
14
2 (14.29%)
12 (85.71%)
1.00
1
0,92**
Hazımsızlık
14
3 (21.43%)
11 (78.57%)
0,45
1
0,50**
Tablo 4: Hastalar arasında yaygın semptomların dağılımı (N = 250)
*Ki-kare testi. **Fisher’ın kesin testi.
Alkol tüketimi, sigara içme ve diyabetin H. pylori enfeksiyonu ile ilişkisi değerlendirildi. Alkol tüketimi enfeksiyonla anlamlı derecede ilişkiliydi ve H. pylori enfeksiyonuna yakalanma olasılığını 2,87 kat artırıyordu (p = 0,02). Sigara içme (p = 0,42) ve diyabet (p = 0,26) anlamlı bir ilişki göstermedi. Çeşitli risk faktörleri Tablo 5’te özetlenmiştir .
Test edilen 250 mide biyopsi örneğinden 177’si (%70,8) hızlı üreaz testi (RUT) ile pozitif, 38’i (%15,2) kültür ile pozitif ve 66’sı (%26,4) histopatoloji ile pozitif bulunmuştur. Kültürü altın standart olarak kullanarak, %100’lük bir pozitiflik oranı kaydedilmiştir (Tablo 6 ).
Laboratuvar testleri
Pozitif örnekler, N (%)
Hassasiyet
Özgüllük
PPV
Net Bugünkü Değer (NPV)
Hızlı üreaz testi
177/250 (70.80)
%100,00
%34,43
%21,47
%100,00
Histoloji
66/177 (37.30)
%100,00
%86,79
%57,58
%100,00
PCR (ureB geni)
36/38 (94.70)
%94,74
%100,00
%94,74
%99,07
Tablo 6: Helicobacter pylori’yi tespit etmede çeşitli tanı testlerinin özgüllüğü ve duyarlılığı
PCR: polimeraz zincir reaksiyonu, ureB geni: üreaz B geni, PPV: pozitif tahmin değeri, NPV: negatif tahmin değeri.
Test edilen 250 örneğin 36’sında (%14,4) ureB genini hedefleyen PCR ile H. pylori pozitifliği saptandı (Tablo 6 , Şekil 1 ). Bu 36 PCR pozitif izolatın 30’unda (%83,3) hem cagA hem de vacA genleri pozitif bulundu (Tablo 7 , Şekil 2 ).
Endoskopik bulgu
Toplam vaka sayısı (n)
cagA/vacA-pozitif (n = 30)
cagA/vacA-negatif (n = 6)
Test istatistiği
df
p-değeri
Mide karsinomu
2
2 (100.00%)
0 (0.00%)
1.00
1
1,00**
Onikiparmak bağırsağı ülseri
22
19 (86.36%)
3 (13.64%)
0,02
1
0,89*
Mide ülseri
5
4 (80.00%)
1 (20.00%)
1.00
1
1,00**
Gastrit
7
2 (28.57%)
5 (71.43%)
0.0003
1
0,07**
Tablo 7: 36 Helicobacter pylori pozitif hastada sitotoksinle ilişkili gen A (cagA) ve vakuolize edici sitotoksin geni (vacA) ile endoskopik bulgular arasındaki ilişki
Şekil 1: Helicobacter pylori’nin ureB geninin PCR ile çoğaltılması
Şerit 1: pozitif kontrol. Şeritler 2-7: klinik izolatlar. Şerit 8: Escherichia coli DNA’sı (negatif kontrol). Şerit 9: 100 bp DNA merdiveni (moleküler ağırlık belirteci). Beklenen amplikon boyutu 480 bp idi. Kültür pozitif 38 H. pylori izolatından 36’sı (%94,7) ureB pozitif iken, 2 negatif örnek daha ileri analizlerden çıkarıldı.
Şekil 2: Virülans genlerinin (cagA ve vacA) moleküler karakterizasyonu
(A) cagA geninin amplifikasyonu, cagA pozitif izolatlar için 350 bp’lik ve cagA negatif izolatlar için 550 bp’lik bir ürün göstermektedir. (B) vacA geninin amplifikasyonu, s bölgesi için 259 bp’lik ve m bölgesi için 567 bp’lik bir ürün göstermektedir. 36 ureB pozitif izolatın 30’u (%83,3) hem cagA hem de vacA genleri için pozitifti. vacA’nın toksik alleli s1m1, tüm vacA pozitif suşlarda mevcuttu.
cagA: sitotoksinle ilişkili gen A, vacA: vakuol oluşturan sitotoksin geni.
cagA ve vacA virülans genleri, mide karsinomu vakalarının %100’ünde, duodenum ülseri vakalarının %86,3’ünde, mide ülseri vakalarının %80’inde ve gastrit vakalarının %71,4’ünde tespit edildi (Tablo 8 ).
Endoskopik bulgu
Toplam vaka sayısı (n)
cagA/vacA-pozitif (n = 30)
cagA/vacA-negatif (n = 6)
Test İstatistiği
df
p-değeri
Mide karsinomu
2
2 (100.00%)
0 (0.00%)
1.00
1
1,00**
Onikiparmak bağırsağı ülseri
22
19 (86.36%)
3 (13.64%)
0,02
1
0,89*
Mide ülseri
5
4 (80.00%)
1 (20.00%)
1.00
1
1,00**
Gastrit
7
2 (28.57%)
5 (71.43%)
0.0003
1
0,07**
Tablo 8: Helicobacter pylori suşlarında (n = 36) cagA ve vacA virülans genlerinin endoskopik bulgularla ilişkisi
*Ki-kare testi. **Fisher’ın kesin testi.
cagA: sitotoksinle ilişkili gen A, vacA: vakuol oluşturan sitotoksin geni.
vacA s1: vakuol oluşturan sitotoksin A geni, sinyal bölgesi tipi s1, vacA s2: vakuol oluşturan sitotoksin A geni, sinyal bölgesi tipi s2, vacA m1: vakuol oluşturan sitotoksin A geni, orta bölge tipi m1, vacA m2: vakuol oluşturan sitotoksin A geni, orta bölge tipi m2.
Kültür testi pozitif çıkan 38 H. pylori izolatından 36’sı (%94,7) ureB pozitifti. Negatif çıkan iki örnek çalışmadan çıkarıldı.
Tartışma
H. pylori gastrit, peptik ülser hastalığı ve mide kanserlerinden sorumlu önemli bir patojendir. Enfeksiyonun yaygınlığı yaş, cinsiyet, beslenme alışkanlıkları ve genetik yatkınlık gibi faktörlere göre değişmektedir [8] .
Bu çalışma , semptomatik hastalarda üst gastrointestinal endoskopi sırasında H. pylori enfeksiyonunun yaygınlığını belirlemeyi ve beslenme alışkanlıkları, sigara ve alkol tüketimi gibi ilişkili risk faktörlerini araştırmayı amaçlamıştır . Ek olarak, izole edilen H. pylori suşlarının patojenik potansiyeli, cagA ve vacA virülans genlerinin varlığının saptanmasıyla değerlendirilmiştir.
H. pylori enfeksiyonunun yaygınlığı , yoksulluk, aşırı kalabalık, yetersiz sanitasyon ve kötü hijyen gibi sosyoekonomik faktörler nedeniyle ülkeler arasında ve hatta aynı ülkenin bölgeleri içinde bile büyük farklılıklar göstermektedir. Aynı nüfus içindeki çeşitli etnik gruplar arasında da farklılıklar gözlemlenmektedir [9] .
Namyalo ve diğerleri, H. pylori’nin yaygınlığının gelişmekte olan ülkelerde, özellikle Afrika gibi kaynak kısıtlı ortamlarda %70 civarında olduğunu, gelişmiş ülkelerde ise %25 ile %40 arasında değiştiğini bildirmiştir [10] .
Hindistan’da yapılan çalışmalar sırasıyla %62,7, %72,8, %83,5 ve %35,6 oranlarında yaygınlık oranları bildirmiştir [11-14] . Buna karşılık, bizim çalışmamızda genel yaygınlık oranı %15,2 olarak bulunmuştur. Bölgemizdeki nispeten düşük yaygınlık oranı, sosyoekonomik durum, sanitasyon ve su temini gibi çevresel faktörlerin yanı sıra etnik köken, yaş ve ırk gibi konakçı faktörlerinin bir kombinasyonunu yansıtıyor olabilir.
Çalışmamızda en yüksek yaygınlık (%19,3) 41-50 yaş grubunda gözlemlenmiştir. Vadivel ve ark. [11] , Hindistan’ın güneyindeki Chennai’de, en yüksek yaygınlığı (%58,1) 21-39 yaş grubunda bildirmiş olup, bu da H. pylori yaygınlığının topografik, kültürel ve davranışsal faktörlerden etkilendiğini göstermektedir. Çalışmamızda 41-50 yaş grubundaki daha yüksek yaygınlık, iş, mali yükümlülükler ve kişisel veya ailevi sorumluluklarla ilişkili stres ve kaygı ile ilgili olabilir. Adlekha ve ark. [8] tarafından bildirildiği üzere, stres, kaygı ve depresyon gibi psikolojik faktörlerin H. pylori enfeksiyonunu önemli ölçüde etkilediği gösterilmiştir .
Çalışmamızda, H. pylori enfeksiyonunun yaygınlığı erkeklerde (%59,9) kadınlara (%40,1) göre daha yüksekti; bu, Bharati ve diğerlerinin [9] bulgularıyla tutarlıdır .
Ek olarak, çalışmamızdaki duodenal ülser vakalarının %25,8’inde kültürde H. pylori pozitifliği saptandı; bu istatistiksel olarak anlamlı bir ilişkidir (P < 0,05). Bu, Cekin ve ark. tarafından yapılan çalışmayla örtüşmektedir; bu çalışmada H. pylori, hastaların %84,9’unda duodenal ülser hastalığının patogenezinde rol oynamış ve vakaların %44,1’inde tek nedensel faktör olarak belirlenmiştir [15] .
Bu çalışmada analiz edilen çeşitli risk faktörleri arasında, yalnızca alkol tüketimi H. pylori enfeksiyonu ile istatistiksel olarak anlamlı bir ilişki göstermiştir (p = 0.0001). Hem sigara içmenin hem de alkol alımının mide mukozasının bütünlüğünü bozduğu, böylece H. pylori’nin kolonizasyonunu kolaylaştırdığı ve peptik ülser hastalığı ve mide kanseri de dahil olmak üzere ilgili durumlara katkıda bulunduğu bilinmektedir. Bu bulgu, yaşam tarzı risk faktörlerine sahip bireyler arasında H. pylori enfeksiyonunun yüksek prevalansını bildiren Bharati ve ark. ile tutarlıdır ; sigara içenlerin %62,5’i ve alkol tüketenlerin %60,7’si bakteri için pozitif test sonucu vermiştir [9] .
H. pylori enfeksiyonu tipik olarak mide iltihabına neden olur ve semptomların varlığı ve şiddeti genellikle enfeksiyon durumunu yansıtır. Ali ve ark. tarafından yapılan bir çalışma, epigastrik ağrı, yanma hissi ve H. pylori pozitifliği arasında anlamlı bir ilişki olduğunu göstermiştir [16] . Mevcut çalışmada, enfekte hastalarda en sık bildirilen semptom dispepsi (%24,1) olup bunu asit reflüsü (%23,2), hazımsızlık (%21,4), iştahsızlık (%14,2) ve epigastrik hassasiyet (%10,5) izlemiştir.
Bu çalışmada, 250 dispeptik hastanın 177’sinde (%70,8) RUT pozitif bulunmuştur. Bu RUT pozitif hastaların 66’sında (%37,3) histolojik inceleme ile pozitiflik doğrulanmıştır. 177 hastanın 38’inde (%21,5) kültür pozitifliği gözlemlenmiş olup, bunların 36’sında (%94,7) ureB genini hedefleyen PCR ile de pozitif sonuç elde edilmiştir. Kültürün nispeten düşük duyarlılığı, olumsuz koşullar altında (örneğin, oksijen maruziyeti) bakteriyel canlılığın azalması, biyopsi örneklerinde düşük bakteri yükü, kokoid formların varlığı ve H. pylori’nin kültürlenmesindeki zorluk gibi birçok faktöre bağlanabilir . Ayrıca, hastanın daha önce PPI veya antibiyotik kullanması da kültür duyarlılığını daha da tehlikeye atabilir [6] .
Buna rağmen, kültür, RUT ve histolojiye kıyasla %100 özgüllük ve %100 pozitif prediktif değer (PPV) göstermiştir. Bu bulgular, H. pylori’nin kültür tabanlı tespiti için %100 özgüllük ve PPV bildiren önceki çalışmalarla tutarlıdır [17-19] . Benzer şekilde, Mutita ve ark. gerçek zamanlı PCR kullanarak %84,8 ve kültür ile %19,5 oranında bir prevalans bildirmiş ve moleküler yöntemlerin geleneksel kültüre göre daha yüksek duyarlılığını vurgulamıştır [20] .
Hindistan’da H. pylori için kültür pozitiflik oranları önemli ölçüde değişkenlik göstermektedir. Sharma ve ark. ile Chyne ve ark. tarafından yapılan çalışmalar sırasıyla %4,2 ve %3,3 gibi düşük izolasyon oranları bildirirken, Parimala ve ark. %52,45 gibi çok daha yüksek bir oran kaydetmiştir [18,21,22] . Bu farklılıklar, biyopsi örneklerinin kalitesi, bakteri yükü, kokoid formların varlığı, örnek işleme ve laboratuvar tekniklerindeki farklılıklar gibi canlı organizmaların geri kazanımını etkileyebilecek faktörlere bağlanabilir.
cagA, patojeniteyi artıran ve enfekte hastalarda mide karsinomu ve tedavi direnci riskinin artmasıyla ilişkili olabilen önemli bir virülans faktörüdür. H. pylori genetik olarak çeşitli bir patojendir ve cagA pozitif suşların yaygınlığı coğrafi olarak değişmektedir. Bu çalışmada, izolatların %83,39’u cagA pozitifti; bu oran Meksika, İran, Irak ve Bangladeş’ten gelen raporlarla karşılaştırılabilir düzeydedir. Bu oran, genellikle %60 civarında olan Filistin, Küba, Avrupa, Venezuela, Kuzey Amerika ve Pakistan’da bildirilen yaygınlık oranlarından daha yüksek, ancak cagA pozitifliğinin %90’ı aştığı Japonya ve Kore’deki oranlardan daha düşüktür [23-24] . Jeyamani ve ark. benzer şekilde, Doğu Asya’da cagPAI yaygınlığının yaklaşık %60 olduğunu, Hindistan’da ise %90’a kadar çıktığını ve Batı popülasyonlarından önemli ölçüde daha yüksek olduğunu bildirmiştir [25] .
Çalışmamızda, hem cagA hem de vacA virülans genlerinin prevalansı %83,3 olup, en yüksek pozitiflik oranı mide karsinomlu hastalarda (%100), ardından duodenum ülserli hastalarda (%86,3), mide ülserli hastalarda (%80) ve gastritli hastalarda (%71,4) gözlemlenmiştir. Bu yüksek cagA prevalansı, Patra ve ark. tarafından bildirilen %92,3’lük prevalans oranı gibi önceki bulgularla tutarlıdır [26] .
Mutita ve ark. cagA- ve vacA-pozitif H. pylori suşlarının sırasıyla %52,6 ve %5,3 oranında olduğunu ve ağırlıklı olarak mide kanseri olan hastalarda tespit edildiğini bildirmiştir. cagA-pozitif suşların, mide epitel hücrelerine daha güçlü yapışma gösterdiği ve cagA-negatif suşlara göre daha belirgin pro-enflamatuar yanıtlar indüklediği bulunmuştur [20] .
Bu çalışmada, cagA pozitif olan H. pylori örneklerinin %83,3’ünde vacA s1m1 alleli tespit edilmiştir. H. pylori vacA genotipleri dört ana kombinasyona ayrılabilir: s1m1, s1m2, s2m1 (nadir) ve s2m2. Bunlar arasında, s1m1 suşları mide epitel hücrelerinde en yüksek vakuolize edici sitotoksin aktivitesiyle, s1m2 suşları orta düzeyde aktiviteyle ve s2m2 suşları minimal veya hiç sitotoksisite göstermemektedir [3,4] . Özellikle, pozitif vakalarımızda, %80’i (72/90) cagA genini taşıyordu. vacA’nın sinyal (s) bölgesi için, izolatların %98,8’i (83/84) s1 iken, %1,2’si (1/84) s2 idi. Orta (m) bölge için %63,6’sı (56/88) m1, %2,3’ü (2/88) m2 ve %34,1’i (30/88) hem m1 hem de m2 alellerini taşıyordu; bu, Brasil-Costa ve ark. [27] tarafından bildirilen bulgularla tutarlıdır . Kishk ve ark. ayrıca vacA+/cagA+ s1m1 genotipinin en sık görülen genotip olduğunu ve peptik ülser hastalığı, gastrit ve gastroözofageal reflü hastalığı ile güçlü bir şekilde ilişkili olduğunu bildirmiştir [28] .
Çalışmanın sınırlılıkları
Bu çalışma H. pylori’nin yaygınlığına ve temel virülans genlerinin (cagA ve vacA) dağılımına odaklanırken , gelecekteki araştırmalar kapsamı antimikrobiyal duyarlılık testini de içerecek şekilde genişletebilir.
Sonuçlar
Bu çalışmada gözlemlenen H. pylori enfeksiyonunun yaygınlığı, daha önceki Hint çalışmalarında bildirilenlerden daha düşüktü ve pozitif vakaların çoğunluğu duodenum ülserleriyle ilişkiliydi. Alkol tüketimi, sigara içme ve diyabet gibi risk faktörleri, enfeksiyon olasılığının artmasıyla önemli ölçüde ilişkiliydi. Özellikle, izolatların yüksek bir oranı, peptik ülser hastalığıyla güçlü bir şekilde bağlantılı olan ve mide kanserine katkıda bulunma potansiyeli taşıyan cagA geni için pozitifti. Bu, incelenen popülasyonun ciddi gastroduodenal komplikasyonlar açısından daha yüksek risk altında olabileceğini göstermektedir. İlgili semptomlar ve ilişkili risk faktörleri gösteren hastalarda hedefli tarama, cagA pozitif suşların erken teşhisini kolaylaştırabilir ve hastalık ilerlemesini, morbiditeyi ve mortaliteyi önlemek için zamanında müdahale sağlayabilir. Bu nedenle, uygun tedaviyi yönlendirmek ve başarılı eradikasyonu doğrulamak için H. pylori enfeksiyonu olan hastalarda rutin cagA taraması yapılmasını öneriyoruz.
Göz dibi görüntülerinde papilledema tespitinde yapay zekanın tanısal doğruluğu: Sistematik bir inceleme ve meta-analiz için yorumlar kapalıteknoloji
Soyut
Göz içi basıncının artması sonucu oluşan ve görmeyi tehdit eden papilledema, kalıcı optik sinir hasarını önlemek için hızla teşhis edilmelidir. Yapay zeka teknikleri ve derin öğrenme modelleri, fundus tabanlı papilledemanın otomatik olarak tespit edilmesi için umut vaat etse de, farklı veri kümeleri, derecelendirme kriterlerindeki farklılıklar ve doğrulama metodolojileri nedeniyle çalışmalar arasında değişken tanısal doğruluk oranları göstermiştir. Ocak 2021 ile Ağustos 2025 tarihleri arasında PubMed, Scopus, Embase, IEEE Xplore ve Google Scholar’da PRISMA-DTA (Tanısal Test Doğruluk Çalışmalarının Sistematik İncelemesi ve Meta-analizi için Tercih Edilen Raporlama Öğeleri) 2020 kılavuzlarına göre sistematik bir inceleme ve meta-analiz yapılmıştır. Fundus fotoğraflarında herhangi bir yapay zeka tabanlı papilledema tespit sistemini insan veya görüntüleme referans standartlarıyla karşılaştıran çalışmalar kabul edilmiştir. Dahil edilen çalışmalardan elde edilen veriler, eğri altındaki alanı (AUC), duyarlılığı ve özgüllüğü tahmin etmek için iki değişkenli rastgele etkiler modeli kullanılarak birleştirilmiştir. Dahil edilen çalışmalardaki yanlılık riski, Tanısal Doğruluk Çalışmalarının Kalite Değerlendirme Aracı (QUADAS-2) ile değerlendirilmiştir. Bu incelemeye toplam 15.000’den fazla fundus görüntüsü içeren 6 çalışma dahil edilmiştir. Birleştirilmiş duyarlılık %94,6 ( %95 CI 91,2-97,1) olarak bulunmuştur. Yaklaşık 14.650 fundus görüntüsü içeren altı çalışmada, papilledema tespiti için yapay zeka tabanlı modellerin birleştirilmiş tanısal doğruluğu, %94,6 ( %95 CI: 91,2-97,1) duyarlılık ve %90,3 ( %95 CI: 86,1-93,5) özgüllük göstermiştir. Birleştirilmiş özet alıcı işletim karakteristik (SROC) eğrisi altındaki alan 0,94 olup, mükemmel ayırt edici performansı göstermektedir. Çalışmalar arası heterojenite orta düzeydeydi (I² = 42%) ve tutarlı bir şekilde veri seti boyutu, görüntüleme yöntemleri ve referans standartlarındaki farklılıklara atfedilmiştir. ResNet, DenseNet ve EfficientNet gibi derin öğrenme tabanlı modeller, geleneksel makine öğrenme algoritmalarından sürekli olarak daha iyi performans gösterdi. Orta düzeyde heterojenlik (I² = 42%) vardı ve yayın yanlılığı önemli değildi.
Göz dibi görüntülerinin yapay zeka analizi, papilledema tespitinde uzman görüşüyle eşdeğer düzeyde, yüksek tanısal ve klinik olarak geçerli bulunmuştur. Çeşitli gruplarda ek doğrulama ve OCT ve ultrason gibi farklı veri modalitelerinin entegrasyonu, yapay zeka sistemlerini acil servis, nöroloji ve teleoftalmoloji bölümlerinde ölçeklenebilir triyaj platformları olarak konumlandırmaya ve böylece nöro-oftalmik hizmetlere erişimi artırmaya yardımcı olabilir.
Giriş ve Arka Plan
Papilledema, artmış intrakraniyal basınç (İKB) nedeniyle optik diskin şişmesidir ve ilk çalışmalar bunun nöro-oftalmik bir acil durum olduğunu göstermektedir. Kitle lezyonlarından (yer kaplayan lezyonlar), serebral venöz sinüs trombozundan veya idiyopatik intrakraniyal hipertansiyondan (İH) kaynaklanabilir. Papilledemanın zamanında tanınması, geri dönüşümsüz görme alanı kaybını önlemek için çok önemlidir, çünkü papilledemanın nedeninin teşhisinde veya tedavisinde gecikme olursa, optik sinirde geri dönüşümsüz veya kalıcı hasar meydana gelebilir [1,2] . Bununla birlikte, çoğu birinci basamak ve acil servis pratiğinde nöro-oftalmologlar bulunmamaktadır ve bulanık disk kenarları, venöz konjesyon veya hiperemi gibi ince erken bulgular gözden kaçabilir [3,4] .
Fundus fotoğrafçılığı, optik disk değerlendirmesi için basit, invaziv olmayan ve uygun maliyetli bir araç olmaya devam etmektedir ve yapay zeka ile fundus görüntülerinin otomatik yorumlanması artık mümkün hale gelmiştir [3-5] . Aslında, bu tür yapay zeka tabanlı tanı sistemleri, diyabetik retinopati ve glokom taraması için Amerika Birleşik Devletleri ve Avrupa Birliği’nde düzenleyici kabul görmüştür [5,6] ve papilledemayı tespit etmek için giderek daha fazla araştırılmakta ve uygulanmaktadır [1-4,7] .
Başlangıçta, el ile tasarlanmış özelliklere dayalı destek vektör makineleri ve rastgele ormanlar gibi klasik makine öğrenimi (ML) algoritmaları kullanıldı – disk kenar keskinliği, çanak-disk oranı ve vasküler kıvrımlılık [4,7] . Bu yöntemler mütevazı tanısal performans gösterdi ancak ölçeklenebilir değildi ve görüntüleme platformlarında sağlam değildi [8] . Evrişimsel sinir ağlarının (CNN’ler) kullanımıyla derin öğrenmenin (DL) ortaya çıkışı, ham piksellerden uçtan uca öğrenme sağlayarak oküler görüntü analizini değiştirdi [2,9] . ResNet, DenseNet ve EfficientNet gibi mimariler, papilledemayı normal disklerden ayırt etmede %90’ın üzerinde duyarlılık ve özgüllük elde etti [9-11] . U-Net gibi segmentasyon tabanlı yapılar yapısal lokalizasyonu iyileştirdi ve gradyan ağırlıklı sınıf aktivasyon haritalaması (Grad-CAM) gibi açıklanabilir yapay zeka yöntemleri, tahminleri etkileyen alanları işaret ederek model yorumlanabilirliğini artırdı [3,9,12] .
Göz dibi fotoğraflarının yanı sıra, optik koherens tomografi ve B-tarama ultrasonografisi de dahil olmak üzere çok modlu veri setleri, papilledemayı psödo-papilledema ve optik disk drusenlerinden ayırt etmek için kullanılmıştır [13-15] . Bu tamamlayıcı görüntüleme yöntemleri tanısal özgüllüğü artırır ve tamamlayıcı yapısal bilgiler sağlar. Özetle, yapay zeka tabanlı görüntü analizinin kullanımı, özellikle kırsal alanlarda veya nörogörüntüleme ve uzman yorumunun sınırlı olabileceği yerlerde umut vadeden bir ön cephe triyaj cihazıdır [3,4,14] .
Fundus görüntülerini analiz etmek üzere tasarlanmış yapay zeka sistemleri, diyabetik retinopati ve glokom gibi yüksek hacimli retinal hastalıklar üzerinde halihazırda etkili olmaktadır ve büyük veri kümelerinden yararlanarak öngörülebilir lezyon modelleri geliştirme yetenekleri, topluluk taraması ve tele-oftalmoloji iş akışları için algoritmaların geliştirilmesine ve hatta düzenleyici ortamlarda otonom kullanım için onaylanmasına yol açmıştır [5] . Bununla birlikte, papilledema temelde farklı ve daha karmaşık bir nöro-oftalmik hedefi temsil etmektedir. Bu, gecikmiş tanının geri dönüşümsüz optik sinir hasarına ve görme kaybına yol açabileceği, artmış intrakraniyal basıncın acil bir belirtisidir [1,2] . Diyabetik retinopati veya glokomatöz optik nöropatiden farklı olarak, papilledemanın fundus görünümü heterojendir ve optik disk drusen, psödo-papilledema ve non-arteritik anterior iskemik optik nöropati (NAION) gibi taklitlerle örtüşür; bu nedenle tanısal belirsizliği gidermek için genellikle optik koherens tomografi (OCT) ve B-tarama ultrasonu ile çok modlu görüntüleme gereklidir [8,13-15] . Bu hastalığa özgü zorluklar, diyabetik retinopati veya glokom için yapay zeka modellerinden elde edilen performans ölçütlerinin papilledemaya basitçe genelleştirilemeyeceği anlamına gelir; bunun yerine, papilledema kohortlarında eğitilmiş ve doğrulanmış özel algoritmalara ihtiyaç duyulmaktadır. Bu nedenle son çalışmalar, derin öğrenme sistemlerini insan uzmanlarla karşılaştıran acil servis ve çok merkezli veri kümeleri de dahil olmak üzere, fundus fotoğraflarından papilledemanın yapay zeka tabanlı tespiti ve derecelendirilmesine özel olarak odaklanmıştır [1-4,6,7,9] . Bu meta-analiz, diyabetik retinopati veya glokom için yapay zekâya ilişkin daha geniş literatürden genelleme yapmak yerine, papilledema özelindeki kanıt tabanını sentezliyor ve bu özel modellerin tanısal doğruluğunu nicelendiriyor.
Cesaret verici eğilimlere rağmen, yapay zekâ tabanlı papilledema tespitinin doğruluğunun oldukça değişken olduğu (yaklaşık %86-99) ve veri kümelerinde, derecelendirme sistemlerinde (Frisén ölçeği ve uzman konsensüsü) ve doğrulama metodolojilerinde farklılıklar olduğu bulunmuştur [1,2,4,9] . Bu çalışmalar arasında karşılaştırma yapmak zorlaşmakta ve klinik faydayı sınırlamaktadır. Bu nedenle, bu meta-analiz, fundus fotoğraflarından papilledema tespiti için yapay zekâ sistemlerinin tanısal performansını niceliksel olarak değerlendirmek amacıyla yapılmıştır. Birincil sonuçlar, birleştirilmiş duyarlılık, özgüllük ve alıcı işletim karakteristik eğrisi altındaki alan (AUC-ROC) idi. İkincil amaçlar, derin öğrenme ve geleneksel makine öğrenimi modelleri arasındaki tanısal doğruluğu karşılaştırmak, içsel ve dışsal doğrulamanın etkisini araştırmak, ikili tespit ile Frisén ölçeği derecelendirmesini karşılaştırmak ve metodolojik heterojenliği, veri kümesi sınırlamalarını ve gelecekteki gerçek dünya uygulamaları için araştırma boşluklarını vurgulamaktı.
Bireysel çalışmalar, derin öğrenme modellerinin fundus fotoğraflarından papilledemayı yüksek duyarlılık ve özgüllükle tespit edebildiğini göstermiş olsa da, bildirilen tanısal performansları veri kümeleri, mimariler ve doğrulama ayarları arasında önemli ölçüde farklılık göstermiştir [2,4,6,7,9] . Bu heterojenlik, bu algoritmaların gerçek genelleştirilebilirliği konusunda belirsizliğe yol açmakta ve bunların doğrudan uygulanabilirliğini sınırlamaktadır. Bu nedenle, mevcut kanıtların birleştirilmiş nicel bir sentezinin, tanısal doğruluğun daha hassas bir tahminini sağlayacağını ve model türü, veri kümesi bileşimi ve referans standardı ile ilgili değişkenlik kaynaklarını belirlemeye yardımcı olacağını varsaydık. Bu nedenle, bu farklı sonuçları birleştirmek ve yapay zeka tabanlı fundus görüntü analizinin papilledema tespiti için genel sağlamlığını insan uzmanları ve geleneksel tanı yöntemleriyle karşılaştırmak için meta-analitik bir yaklaşım benimsenmiştir [1-3,8,10] .
Gözden geçirmek
Amaçlar ve hedefler
Bu meta-analiz, çeşitli algoritmalar ve veri kümelerindeki tanısal performans verilerini birleştirerek, fundus fotoğraflarından papilledemanın yapay zekâ tabanlı tespiti hakkındaki mevcut kanıtları sentezlemeyi amaçlamaktadır. Bağımsız çalışmalardan elde edilen sonuçları bir araya getirerek, yapay zekâ modellerinin papilledemayı normal ve yalancı papilledema görünümlerinden güvenilir bir şekilde ayırt edip edemeyeceğini ve tanısal doğruluklarının nöro-oftalmik tarama ve triyajda klinik kullanımını destekleyecek kadar tutarlı olup olmadığını belirlemeyi hedeflemektedir.
Belirli Hedefler
Spesifik amaçlar şunlardı: havuzlanmış duyarlılık, özgüllük ve eğri altı alan (AUC) tahminlerini kullanarak fundus fotoğraflarında papilledemayı tespit etmede yapay zeka modellerinin tanısal doğruluğunu niceliksel olarak değerlendirmek; dahil edilen çalışmalar genelinde yapay zeka algoritmalarının tanısal performansını uzman oftalmologların ve geleneksel tanı yöntemlerinin performansıyla karşılaştırmak; ve veri seti kaynaklarındaki, algoritmalardaki ve referans standartlarındaki çeşitlilik de dahil olmak üzere, bildirilen performans ölçütlerindeki farklılıklara katkıda bulunan faktörleri incelemek; PRISMA-DTA (Tanısal Test Doğruluk Çalışmalarının Sistematik İncelemesi ve Meta-analizi için Tercih Edilen Raporlama Öğeleri) ve Tanısal Doğruluk Çalışmalarının Kalite Değerlendirmesi aracı (QUADAS-2) çerçevelerini kullanarak mevcut kanıtların metodolojik kalitesini, yanlılık riskini ve genelleştirilebilirliğini değerlendirmek.
Yöntemler
Protokol ve Kayıt
Bu meta-analiz ve sistematik inceleme, PRISMA-DTA 2020’ye uygun olarak gerçekleştirilmiştir. Bu incelemenin protokolü, Prospero’ya önceden kaydedilmiştir (Kayıt Kimliği: PROSPERO CRD420251174161).
Arama Stratejisi
Ocak 2021 ile Ağustos 2025 tarihleri arasında PubMed, Scopus, Embase, IEEE Xplore ve Google Scholar olmak üzere beş veritabanında kapsamlı bir elektronik arama yapıldı. Arama, papilledema, yapay zeka ve fundus görüntüleme için kullanılan kontrollü kelime dağarcığı (MeSH terimleri) ve serbest metin anahtar kelimelerinin bir kombinasyonunu kullandı.
Kullanılan PubMed arama sözdizimi şu şekildedir: (‘papilledema’ OR ‘optik disk şişmesi’ OR ‘optik sinir başı ödemi’) AND (‘yapay zeka’ OR ‘makine öğrenimi’ OR ‘derin öğrenme’ OR ‘sinir ağı’) AND (‘fundus fotoğrafçılığı’ OR ‘retinal görüntü’).
İlgili incelemelerin referans listeleri ve konferans bildirileri manuel olarak taranarak da ek kayıtlar tespit edildi. Dil sınırlaması getirilmedi.
Çalışmaya Katılım Uygunluk Kriterleri
Çalışmalar aşağıdaki kriterlere göre seçilmiştir.
Dahil etme kriterleri: 1. Fundus fotoğraflarından papilledemayı tanımlamak veya derecelendirmek için yapay zeka/makine öğrenimi/derin öğrenme yöntemlerinin uygulandığı orijinal araştırmalar; 2. Duyarlılık, özgüllük, AUC veya doğruluk gibi tanısal performans ölçütlerini sunan araştırmalar; 3. Referans standartları olarak insan uzman derecelendirmesi veya görüntülemeye dayalı karşılaştırmalı araştırmalar; 4. 2021-2025 döneminde yayınlanmış İngilizce tam metinli çalışmalar.
Hariç tutma kriterleri: 1. Vaka raporları, anlatısal incelemeler veya görüş yazıları; 2. Yapay zekayı yalnızca fundus görüntüleri olmadan OCT veya ultrason bilgilerine uygulayan araştırmalar; 3. Tanısal performans sonuçlarının eksik raporlanması; 4. Doğrulama veri setlerinden yoksun, hakem değerlendirmesinden geçmemiş ön baskılar.
Ocak 2021 ile Ağustos 2025 arasında yayınlanan çalışmalar, çağdaş derin öğrenme mimarilerine, daha büyük ve daha temsili veri kümelerine ve PRISMA-DTA önerileriyle uyumlu güncel doğrulama ve raporlama uygulamalarına odaklanmak amacıyla dahil edilmiştir. 2021’den önce yayınlanan temel çalışmalar da dahil olmak üzere daha önceki önemli çalışmalar incelenmiş ve bağlamsal arka plan için Giriş ve Tartışma bölümlerinde alıntılanmıştır, ancak önceden tanımlanmış zaman diliminin dışında kaldıkları ve/veya birleştirilmiş meta-analizle uyumlu standartlaştırılmış tanısal performans verilerinden yoksun oldukları için nicel sentezden çıkarılmıştır.
Çalışma Seçimi ve Veri Çıkarma
İki hakem (PS ve AB) bağımsız olarak özetleri ve başlıkları uygunluk açısından inceledi. Potansiyel olarak uygun tüm çalışmaların tam metinleri incelendi ve herhangi bir tutarsızlık kıdemli bir hakem (SK) ile fikir birliği sağlanarak çözüldü. Çalışmaların seçilme süreci, Şekil 1’de gösterildiği gibi bir PRISMA akış diyagramı ile temsil edildi . Veriler, aşağıdaki parametrelere sahip önceden tanımlanmış bir şablon kullanılarak çıkarıldı. Yinelenen kayıtlar, otomatik veritabanı araçları kullanılarak belirlendi ve kaldırıldı, ardından manuel doğrulama yapıldı. İki hakem bağımsız olarak tüm başlıkları ve özetleri uygunluk açısından inceledi ve tam metin makaleler çift olarak değerlendirildi. Herhangi bir aşamada ortaya çıkan anlaşmazlıklar, tartışma yoluyla veya kıdemli bir hakemle görüşülerek çözüldü. Bu çift inceleme süreci, tutarlılığı sağladı ve seçim yanlılığını en aza indirdi. Veri çıkarma işlemi, standartlaştırılmış bir çıkarma şablonu kullanılarak iki hakem tarafından bağımsız olarak gerçekleştirildi. Tam veri çıkarma işleminden önce, şablonun açıklığını, tutarlılığını ve eksiksizliğini sağlamak için uygun çalışmaların bir alt kümesinde pilot test yapıldı. Hakemler arasındaki herhangi bir tutarsızlık, fikir birliği veya kıdemli bir hakemle görüşme yoluyla çözüldü.
Dahil edilen altı yayının çalışma özellikleri ve analitik parametreleri Tablo 1’de özetlenmiştir . Her çalışma için yayın yılı, yazarlar, menşe ülke ve çalışma tasarımı bildirilmiştir. Veri kümesi nitelikleri arasında görüntü kaynağı, toplam örneklem boyutu ve veri kümesi türü (kamuya açık/kurumsal/çok merkezli) yer almaktadır.
Yazar (Yıl)
Çalışma Tasarımı
Veri Kümesi Boyutu (Görüntüler/Gözler)
Görüntü Türü
Yapay Zeka/Model Türü
Doğrulama Yöntemi
Referans Standardı
Vasseneix ve diğerleri, 2021 (9)
Retrospektif, çok merkezli
6.500 fundus fotoğrafı
Renkli fundus (göz diskinin ortalanmış hali)
Derin Öğrenme (CNN)
Harici test seti ile 5 katlı çapraz doğrulama
Nöro-oftalmologların fikir birliği (klinik + görüntüleme)
Biousse V ve diğerleri, 2023 (3)
İleriye dönük, tek merkezli
2.300 görüntü
Göz dibi fotoğrafları (midriyatik)
Derin Öğrenme (CNN)
Eğitim ve test oranları 80:20
Klinik tanı, nörogörüntüleme ile doğrulandı.
Branco J ve diğerleri, 2024 (7)
Retrospektif
1.020 fundus görüntüsü
Standart renkli fundus
ML–DL hibrit modeli
İç doğrulama; çapraz doğrulama katmanları
Uzman paneli ve radyolojik doğrulama
Salaheldin M ve diğerleri, 2024 (4)
Retrospektif vaka-kontrol
850 görüntü
Renkli fundus (disk merkezli)
CNN (ResNet-50)
10 katlı çapraz doğrulama
Nöro-oftalmoloji konsensus derecelendirmesi
Lajczak PM ve diğerleri, 2025 (1)
Çok merkezli gözlemsel
3.200 görüntü
Fundus (Optos geniş alan)
DL Topluluğu
Merkezler arası harici doğrulama
OCT ve klinik korelasyon
Anandi L ve diğerleri, 2023 (2)
Kesitsel
780 fundus fotoğrafı
Renkli fundus (gözbebeğirme olmaksızın)
Klasik Makine Öğrenimi (SVM)
70:30 antrenman-test dağılımı
Klinik onaylı uzman değerlendirmesi
Tablo 1: Papilledema tespiti için yapay zeka performansını değerlendiren meta-analize dahil edilen çalışmaların temel özellikleri
CNN = evrimsel sinir ağı; DL = derin öğrenme; ML = makine öğrenimi; OCT = optik koherens tomografi; SVM = destek vektör makinesi
Model bilgileri, kullanılan algoritmayı, ağ tasarımını ve doğrulama stratejisini (dahili çapraz doğrulama veya harici test) ifade eder. Referans standartları, Frisén derecelendirme ölçeğinden, uzman panel mutabakatı ve görüntüleme onayına (OCT veya nörogörüntüleme) kadar uzanarak tanısal tutarlılığı sağlar. Bildirilen tanısal sonuç ölçütleri, her algoritmanın genel ayırt edici performansını yansıtan duyarlılık, özgüllük, kesinlik ve AUC-ROC’yi içerir.
Papilledema tespiti için yapay zeka performansını değerlendiren meta-analize dahil edilen çalışmaların genel görünümü Tablo 2’de sunulmuştur . İki hakem, QUADAS-2 aracını kullanarak dört alanda (akış/zamanlama, referans standart, indeks testi ve hasta seçimi) yanlılık riskini ve metodolojik kaliteyi bağımsız olarak değerlendirmiştir. Her alandaki yanlılık riski ‘yüksek’, ‘düşük’ veya ‘belirsiz’ olarak derecelendirilmiştir. Sonuçlar Tablo 3’te sunulmuştur .
Yazar (Yıl)
Dergi
Model Tipi
Veri Kümesi Boyutu
Duyarlılık (%)
Özgüllük (%)
AUC
Vasseneix C ve diğerleri (2021) (9)
Nöroloji
Derin Öğrenme (CNN)
6.500
93.2
89.8
0,94
Biousse V ve diğerleri (2023) (3)
Am J Ophthalmol
Derin Öğrenme
2.300
95.4
91.0
0,96
Branco J ve diğerleri (2024) (7)
BMJ Nörol Açık
ML + DL Hibrit
1.020
92.6
88.1
0,93
Salaheldin AM ve ark. (2024) (4)
Biyomedikal Sinyal Proses Kontrolü
CNN (ResNet-50)
850
94.9
90.5
0,95
Łajczak PM ve diğerleri (2025) (1)
Bilgisayarlı Biyoloji ve Tıp
DL Topluluğu
3.200
96.7
91.8
0,97
Anandi L ve diğerleri (2023) (2)
Tayvan Göz Hastalıkları Dergisi
Klasik Makine Öğrenimi (SVM)
780
89.0
85.4
0,89
Tablo 2: Papilledema tespiti için yapay zeka performansını değerlendiren meta-analize dahil edilen çalışmaların genel görünümü
CNN = evrimsel sinir ağı; DL = derin öğrenme; ML = makine öğrenmesi; AUC = eğri altındaki alan
Çalışma (Yazar ve Yıl)
Hasta Seçimi
İndeks Testi
Referans Standardı
Akış ve Zamanlama
Genel Önyargı Riski
Uygulanabilirlik Kaygıları
Vasseneix ve diğerleri (2021) (9)
Düşük
Düşük
Düşük
Düşük
Düşük
Düşük
Biousse ve diğerleri (2023) (3)
Düşük
Düşük
Düşük
Düşük
Düşük
Düşük
Branco ve diğerleri (2024) (7)
Belirsiz (geriye dönük veri seti)
Düşük
Düşük
Düşük
Düşük ila Orta
Düşük
Salaheldin ve diğerleri (2024) (4)
Belirsiz (geriye dönük veri seti)
Düşük
Düşük
Düşük
Düşük ila Orta
Düşük
Łajczak ve diğerleri (2025) (1)
Düşük
Düşük
Düşük
Düşük
Düşük
Düşük
Anandi ve diğerleri (2023) (2)
Belirsiz (kolaylık örneklemesi)
Düşük
Düşük
Düşük
Düşük ila Orta
Düşük
Tablo 3: Dahil edilen çalışmaların QUADAS-2 aracı kullanılarak yapılan risk-yanlılık değerlendirmesi
QUADAS-2: Tanısal Doğruluk Çalışmalarının Kalite Değerlendirme Aracı
Veri Sentezi ve İstatistiksel Analiz
Reitsma çerçevesine dayalı iki değişkenli rastgele etkili tanısal test doğruluğu modeli, duyarlılık ve özgüllüğü bir araya getirmek için kullanıldı ve bu model R’deki mada ve meta4diag paketleri kullanılarak uygulandı. SROC eğrileri oluşturuldu ve genel tanısal performansı temsil etmek üzere AUC tahmin edildi. Tanısal olasılık oranları, iki değişkenli model tahminlerinden türetildi.
Heterojenlik, I² istatistiği (>%50 değerler anlamlı heterojenliği gösterir) ve orman grafikleri görsel incelemesiyle test edildi. Alt grup analizi, model türüne (ML’ye karşı DL), doğrulama yaklaşımına (dahili karşı harici) ve görev türüne (ikili karşı dereceli Frisén 0-5 sınıflandırması) göre gerçekleştirildi. Yayın yanlılığı, Deeks’in huni grafiği asimetri testi ile araştırıldı. Analizler Meta-DiSc 2.0 ve R yazılımı (paketler: meta4diag, mada) ile yapıldı. Dahil edilen çalışma sayısının azlığı (n = 6) nedeniyle, Deeks’in huni grafiği asimetri testinin yayın yanlılığını tespit etme gücü sınırlıdır. Bu nedenle, istatistiksel olarak anlamlı asimetrinin yokluğu, küçük çalışma etkileri güvenilir bir şekilde dışlanamayacağından, dikkatle yorumlanmalıdır.
Kanıtın Kesinliği
Kanıtların doğruluğu, tanısal doğruluğun incelenmesinde GRADE (Önerilerin Değerlendirilmesi, Geliştirilmesi ve Değerlendirilmesi) yaklaşımı kullanılarak değerlendirilmiş olup, çalışmaların sınırlılıkları, tutarsızlıkları, dolaylılıkları, kesin olmamaları ve olası yayın yanlılığı dikkate alınmıştır.
Etik Hususlar
Bu meta-analiz daha önce yayınlanmış verilere dayanmaktadır ve bireysel hasta bilgilerini içermemektedir; bu nedenle kurumsal etik onayı gerekmemiştir. Helsinki Bildirgesi’ne uygun olarak, dahil edilen tüm çalışmalar için bilgilendirilmiş onam ve etik onay belgelenmiştir.
Sonuçlar
Çalışma Seçimi
2021 ve 2025 yılları arasında yayınlanan altı ilgili çalışma dahil edildi ve yapay zeka tabanlı algoritmalar aracılığıyla 15.000’den fazla fundus görüntüsü analiz edildi. PRISMA akış diyagramı (Şekil 1 ), veritabanı araması, tarama ve nihai dahil etme dahil olmak üzere çalışmanın seçim sürecini göstermektedir.
Çalışmanın Özellikleri
Tablo 1, dahil edilen çalışmaların temel özelliklerini sunmaktadır. Çoğunluğu ResNet, DenseNet veya EfficientNet gibi derin öğrenme modelleri kullanırken, bir tanesi geleneksel bir makine öğrenimi modeli (destek vektör makinesi) kullanmıştır. Tüm çalışmalar, yapay zeka modeli çıktılarını insan uzman değerlendirmesi veya görüntüleme tabanlı doğrulama (MRG/OCT) ile karşılaştırmıştır. Veri seti boyutları çalışma başına 780 ile 6.500 görüntü arasında değişmekte olup, görüntü türleri hem midriyatik hem de midriyatik olmayan fundus fotoğraflarından oluşmaktadır.
Birleştirilmiş Tanısal Doğruluk
Yaklaşık 14.650 fundus görüntüsünü içeren altı çalışmada, papilledema tespiti için yapay zeka tabanlı modellerin birleştirilmiş tanısal doğruluğu, %94,6’lık bir duyarlılık (%95 CI: 91,2-97,1) (Şekil 2 ) ve %90,3’lük bir özgüllük (%95 CI: 86,1-93,5) göstermiştir. Birleştirilmiş SROC altındaki alan 0,94 olup, mükemmel ayırt edici performansı göstermektedir. Çalışmalar arası heterojenite orta düzeydeydi (I² = 42%) ve tutarlı bir şekilde veri seti boyutu, görüntüleme yöntemleri ve referans standartlarındaki farklılıklara atfedildi.
Şekil 2: Çalışma bazında duyarlılık ve birleştirilmiş tanısal tahminleri gösteren orman grafiği.
Alt Grup Analizleri
Model türü: Derin öğrenme modelleri, teşhis konusunda geleneksel makine öğrenimi modellerinden daha iyi performans gösterdi; AUC değeri 0,95 iken, geleneksel modellerin AUC değeri 0,89 idi.
Doğrulama stratejisi: Dahili olarak doğrulanmış modeller, performans ölçütlerinde harici olarak doğrulanmış modellere göre biraz daha iyi performans gösterdi, ancak harici doğrulama sonuçları çok güçlü kaldı (AUC > 0,92).
Sınıflandırma görevi: Papilledema ile normal arasındaki ikili sınıflandırma, Frisén ölçeği derecelendirmesine kıyasla daha yüksek tanısal doğruluğa sahipti, ancak gözlemciler arası değişkenlik daha fazlaydı.
Heterojenlik ve Yayın Yanlılığı
Çalışmalar arasında orta düzeyde heterojenlik vardı ve I² değeri %42 idi; bu durum büyük ölçüde veri kümelerinin büyüklüğündeki, görüntüleme yöntemlerindeki ve derecelendirme şemalarındaki farklılıklardan kaynaklanıyordu. Huni grafiğindeki asimetri için Deeks testine göre anlamlı yayın yanlılığına dair bir kanıt bulunmadı (p > 0,10).
Kalite Değerlendirmesi
QUADAS-2 değerlendirmesine göre, incelenen tüm çalışmaların genel olarak düşük riskli olduğu belirlendi; ancak retrospektif verilerin kullanılması nedeniyle hasta seçiminde bazı küçük çekinceler mevcuttu. İndeks testi ve referans standart alanları, genel olarak düşük riskli olarak değerlendirildi (Tablo 2 ).
Tanısal Performansın Özeti
SROC eğrisi, papilledemayı tespit etmek için kullanılan yapay zeka modellerinin birleştirilmiş tanısal performansını göstermektedir (Şekil 3 ). Eğri, sol üst kadrana yakın sıkı bir kümelenme göstermekte olup, dahil edilen çalışmalarda yüksek ayırt edici yeteneği doğrulamaktadır.
Şekil 3: Papilledema tespiti için yapay zeka tabanlı modellerin birleştirilmiş tanı performansını gösteren özet alıcı işletim karakteristik (SROC) eğrisi.
Nicel Sonuçların Özeti
14.000’den fazla fundus fotoğrafını kapsayan altı çalışmanın tamamında, yapay zeka tabanlı algoritmalar papilledemayı tespit etmede yüksek tanısal doğruluk göstermiştir. Birleştirilmiş duyarlılık %93 (95% CI = 0,90-0,96) ve birleştirilmiş özgüllük %89 (95% CI = 0,85-0,92) olup, SROC eğrisi altındaki genel alan 0,94’tür. Bu bulgular, derin öğrenme ve hibrit yapay zeka modellerinin papilledema ile normal veya psödo-papilledema fundusları arasında ayrım yapmada güçlü bir ayırt edici yeteneğe sahip olduğunu göstermektedir. Çalışmalar arası orta düzeydeki heterojenliğin temel nedenleri, referans standart tanımlarındaki, görüntüleme yöntemindeki ve veri seti boyutundaki farklılıklardır. Alt grup analizlerine göre, topluluk ve evrimsel sinir ağı mimarilerinin doğruluğu (AUC ≥ 0,95), klasik makine öğrenme modellerine (AUC ≈ 0,89) kıyasla biraz daha yüksekti; bu da nöro-oftalmik görüntü yorumlaması için derin öğrenme çerçevelerinin sağlamlığını desteklemektedir.
Klinik açıdan bakıldığında, bu bulgular, doğrulanmış yapay zeka sistemlerinin, özellikle kaynak kısıtlı veya yüksek hacimli tarama durumlarında, potansiyel intrakraniyal hastalığı olan hastalarda papilledemanın zamanında belirlenmesi ve yönlendirilmesini sağlamak için tele-oftalmoloji ortamlarında güvenilir triyaj/tarama araçları olarak kullanılabileceğini göstermektedir.
Heterojenliğin ve Yanlılık Riskinin Yorumlanması
Genel olarak yüksek havuzlanmış tanı tahminleri olmasına rağmen, çalışmalar arasında orta düzeyde heterojenlik (I² ≈ 45-60%) gözlemlendi. Bu orta düzeydeki heterojenlik, öncelikle veri seti kaynaklarındaki, görüntü kalitesindeki ve algoritmik mimarilerdeki farklılıklarla ilgiliydi. Çok merkezli/gerçek dünya veri setlerini kullanan çalışmalar (örneğin, Lajczak vd., Vasseneix vd.), tek kurum veri setleri veya insan tarafından derlenmiş görüntü veri setleri kullanan çalışmalara göre biraz daha düşük hassasiyete sahipti [1,9] . Bu nedenle, bu çalışma, veri kaynaklarının çeşitliliğinin modeller ve yapay zeka genelleştirilebilirliği üzerindeki etkilerini vurgulamaktadır. Konsensüs tabanlı klinik tanıdan OCT veya MRI onayına kadar değişen referans standartlarındaki farklılıklar da tutarsızlığa katkıda bulundu, çünkü farklı çalışmalar papilledema ve psödo-papilledema için farklı tanı kriterleri kullandı.
Metodolojik olarak, performans ve yanlılık riski model tasarımı ve doğrulama stratejisinden etkilenmiştir: harici olarak doğrulanmış ağlar ve derin öğrenme toplulukları daha sağlamdı, daha az çapraz doğrulama içeren daha küçük retrospektif veri kümeleri (örneğin, Anandi vd., Branco vd.) ise QUADAS-2 [2,7] altında “düşük ila orta” düzeyde yanlılık ve daha geniş güven aralıkları sergilemiştir .
Genel olarak, bu sonuçlar, standartlaştırılmış, çok kurumlu eğitim süreçlerine ve doğrulama protokollerinin açık bir şekilde raporlanmasına duyulan ihtiyacı vurgulamaktadır; yapay zeka tabanlı papilledema araştırmalarındaki heterojenliğin, algoritmik yetersizlikten ziyade, veri temsil edilebilirliğindeki ve referans etiketlemesindeki farklılıklardan kaynaklanma olasılığının daha yüksek olduğunu göstermektedir.
Tartışma
Mevcut meta-analiz, fundus görüntülerinin yapay zeka destekli analizinin, uzman oftalmologlarla karşılaştırılabilir bir performansla papilledemayı teşhis edebildiğini göstermiştir. 0,94’lük birleştirilmiş AUC değeri, dahil edilen çalışmaların çoğunda bildirilen yüksek duyarlılık ve özgüllükle birlikte, özellikle ResNet ve EfficientNet dahil olmak üzere CNN tabanlı modeller olmak üzere, en son teknoloji ürünü derin öğrenme mimarilerinin gerçek dünya tele-oftalmoloji ve mobil tarama iş akışlarına entegre edilmeye hazır olduğunu vurgulamaktadır. Bu bulgular, özellikle kaynak kısıtlı ortamlarda, optik disk değerlendirmesi için etkili bir ilk basamak triyaj aracı olarak yapay zeka sistemlerinin rolünü desteklemektedir.
Bu, diyabetik retinopati ve glokom için oftalmik yapay zeka uygulamalarına ilişkin mevcut kanıtlarla uyumludur; her iki durum için de birleştirilmiş AUC değerleri 0,90’ı aşmaktadır. Bununla birlikte, papilledema, heterojen görünümü ve optik disk drusenleri, NAION ve psödo-papilledema gibi taklitleriyle örtüşmesi nedeniyle daha karmaşık bir tanısal zorluk sunmaktadır. Sunumdaki bu değişkenliğe rağmen, derin öğrenme modelleri iyi bir genelleştirilebilirlik göstermede güçlüydü. Açıklanabilir yapay zeka tekniklerinin, özellikle Grad-CAM görselleştirmesinin entegrasyonu, model tahminlerini yönlendiren görüntü bölgelerini vurgulayarak klinik güveni artırır ve otomatik sınıflandırma ile klinisyen güveni arasındaki boşluğu kapatmaya yardımcı olur.
Bu derleme, papilledema tespiti için fundus fotoğraflarına dayanan, duruma özgü yapay zeka performans tahminlerinin güncellenmiş nicel bir sentezini sunarak mevcut literatürü tamamlamaktadır. Daha önceki birkaç derleme çoğunlukla ya retina hastalıklarına odaklanmış ya da birleştirilmiş tahminler içermeyen anlatısal özetler sunmuştur. Tanı eşiklerinin uyumlu hale getirilmesi ve 2025 yılına kadar yayınlanan çalışmaların eklenmesi, bu meta-analizin bu nöro-oftalmik bağlamda yapay zeka performansının sadece büyüklüğünü değil, aynı zamanda tutarlılığını da açıklığa kavuşturmasını sağlamakta ve tanısal sağlamlığın yalnızca model mimarisine değil, veri kümesi temsil edilebilirliğine ve etiketleme kalitesine de bağlı olduğunu vurgulamaktadır.
Algoritmik hatalardan ziyade veri seti boyutu, görüntü elde etme protokolü ve referans standart farklılıklarından büyük ölçüde etkilenen orta düzeyde heterojenlik (I² = %42) gözlemledik. Gerçek dünya çok merkezli kohortları, küçük, tek merkezli çalışmalara kıyasla genellikle daha düşük, ancak daha genelleştirilebilir performans bildirdi. QUADAS-2 değerlendirmesi, retrospektif çalışma tasarımları ve sınırlı dış doğrulama ile ilişkili küçük yanlılık risklerini vurguladı ve tek tip tanı kriterleri, prospektif veri toplama ve çok kurumlu koordinasyon üzerinde daha fazla çalışma yapılması gerektiğini belirtti. Toplu olarak ele alındığında, kanıtlar yapay zeka tabanlı fundus analizinin acil servis ve tele-nöro-oftalmoloji pratiğinde ölçeklenebilir bir triyaj aracı olarak önemli bir potansiyele sahip olduğunu göstermektedir. Gelecekteki çalışmalar için öncelikler arasında büyük, çeşitli eğitim veri setleri; titiz dış doğrulama çalışmaları; açıklanabilirlik araçlarının entegrasyonu; ve klinik etkiyi belirlemek için prospektif uygulama çalışmaları yer almaktadır. Bu adımlar, yapay zeka sistemlerinin araştırma ortamlarından papilledemanın erken teşhisi için pratik, klinisyen odaklı karar destek uygulamalarına doğru ilerlemesini sağlayacaktır.
Güçlü Yönler ve Sınırlamalar
Bu meta-analiz, papilledemanın saptanmasında yapay zeka algoritmalarının tanısal güvenilirliğine dair en kapsamlı kanıtı sağlamak amacıyla, çok merkezli ve gerçek dünya veri kümelerinden elde edilen çeşitli çalışmaların nicel sonuçlarını bir araya getirmektedir. Acil servislerde, nöroloji servislerinde ve tele-oftalmoloji ağlarında pratik uygulamalarını göstermek amacıyla, midriyatik olmayan fundus fotoğrafçılığı prosedürleri birçok çalışmada değerlendirilmiştir. Bu katkılar, nöro-oftalmologların ve nörogörüntüleme hizmetlerinin bulunmadığı durumlarda, birinci ve ikinci basamak sağlık sistemlerinde yapay zeka destekli triyaj sistemleri için kanıtlarda bir adım ileriye gidildiğini göstermiştir. Algoritmalar, görmeyi tehdit eden durumların tanısında gecikme riskini azaltmak için saptama ve sevk iş akışını hızlandırma potansiyeline sahiptir.
Çok merkezli veri geliştirme ve tanısal doğruluk istatistiklerinin dikkatli ve güçlü bir şekilde bir araya getirilmesi, bu incelemeye yardımcı oldu ve prognostik meta-sentezin hassasiyetini ve dış geçerliliğini artırdı. Bu sistematik inceleme, birleştirilmiş bir tahminin potansiyel olarak genelleştirilebileceğine dair kanıt için tanısal istatistikleri veya tahminlerin hem iç hem de dış doğrulamasını içeren çalışmaları raporlamaktadır. Dahası, Grad-CAM görselleştirme ve segmentasyon tabanlı ısı haritaları gibi model yorumlanabilirlik tekniklerinin dahil edilmesi, derin öğrenme modellerinin karar verme sürecine dair içgörü sağlar ve klinik ortamlarda şeffaflıklarını destekler. Bir diğer önemli güçlü yön ise, kaynak kısıtlı ortamlarda ve teletıp iş akışlarında erken nöro-oftalmik değerlendirmeyi desteklemek için uygulanabilecek bu yapay zeka sistemlerinin gerçek dünya uygulanabilirliğinin gösterilmiş olmasıdır.
Bahsedilmesi gereken önemli güçlü yönler bulunmakla birlikte, bazı sınırlamalar da dikkat çekmektedir. Çalışmalar arasında orta düzeyde heterojenlik (I² = %42) mevcuttu; bu durum, özellikle Frisén derecelendirme ölçeği ve uzman görüşüne göre, veri seti kaynağı, görüntü elde etme kalitesi ve kullanılan referans standart ölçümlerindeki farklılıkları yansıtmaktadır. Çalışmalar arası heterojenlik, esas olarak veri seti boyutu ve bileşimi, görüntüleme yöntemleri, referans standartları ve doğrulama stratejilerindeki farklılıklardan kaynaklanmaktadır. Küçük veya tek merkezli veri setleri kullanan veya iç doğrulamaya dayanan çalışmalar daha yüksek performans bildirme eğilimindeyken, çok merkezli ve dış doğrulamaya dayalı modeller daha muhafazakar ancak daha genelleştirilebilir sonuçlar göstermiştir. Bu varyasyonlar, birleştirilmiş tahminlerin sağlamlığını etkiler ve yapay zeka tabanlı papilledema tespit sistemlerinin güvenilir gerçek dünya uygulaması için daha geniş, standartlaştırılmış ve prospektif olarak toplanmış veri setlerinin gerekli olduğunu göstermektedir. Çalışmaların çoğu retrospektif tasarıma sahipti ve önemli bir dış çok merkezli doğrulama içermiyordu; bu da bildirilen doğruluklarının genelleştirilebilirliğini sınırlamaktadır. Ayrıca, klinik olarak doğrulanmış olmasına rağmen Frisén ölçeği, denetimli yapay zeka eğitimi için etiketleme tutarlılığını etkileyebilecek öznellik ve gözlemciler arası değişkenlik getirmektedir [13-15] . Az sayıda çalışma, model kalibrasyonunu, maliyet etkinliğini veya klinik iş akışı kullanılabilirliğini sistematik olarak değerlendirmiştir ve birçoğu küçük veri seti boyutları ve standartlaştırılmamış görüntüleme protokolleriyle sınırlı kalmıştır; bunların her ikisi de tekrarlanabilirliği ve platformlar arası güvenilirliği azaltabilir [2,3,7,9] . Bir diğer önemli sınırlama ise, dahil edilen çalışmaların hiçbirinin yapay zeka destekli değerlendirmenin klinik yollara entegrasyonunun maliyet etkinliğini, iş akışı uygulanabilirliğini veya operasyonel etkisini değerlendirmemiş olmasıdır. Bu faktörler, gerçek dünyada benimsenmesi için kritik öneme sahiptir. Bu nedenle, gelecekteki araştırmalar, yapay zeka araçlarının çeşitli sağlık hizmeti ortamlarında verimli ve sürdürülebilir bir şekilde uygulanabilmesini sağlamak için ekonomik hususları, iş akışı entegrasyonunu, personel etkilerini ve gerekli altyapıyı değerlendirmelidir.
Özetle, bu sentez yapay zeka destekli papilledema tespiti için yüksek düzeyde tanısal doğruluk sağlarken, aynı zamanda bu umut vadeden sonuçları gerçek dünya klinik koşullarında doğrulamak için daha büyük, prospektif olarak doğrulanmış ve standartlaştırılmış çok merkezli veri kümelerine duyulan ihtiyacı da vurgulamaktadır.
Geleceğe Yönelik Yönelimler
Yapay zekâ destekli papilledema tespiti üzerine gelecekteki araştırmalarda, modellerin çeşitli veri kümelerinden yararlanmasına olanak tanıyarak kurumlar arası sağlamlığı artırmak ve verileri gizli ve güvenli tutmak için birleşik öğrenme ve alan uyarlama yöntemlerine vurgu yapılmalıdır. Birleşik öğrenme, hasta verilerini aktarmadan birden fazla kurumda işbirlikçi model eğitimini mümkün kılarak gizliliği korurken daha geniş popülasyon çeşitliliğini yakalar. Benzer şekilde, alan uyarlama yöntemleri, modellerin görüntüleme cihazlarındaki, edinim protokollerindeki ve demografik dağılımlardaki farklılıklara uyum sağlamasına yardımcı olarak gerçek dünya klinik ortamlarında sağlamlıklarını ve genelleştirilebilirliklerini artırır. Bir diğer önemli yön ise, optik sinir hastalığını yapısal ve fonksiyonel olarak karakterize eden entegre tanı platformları geliştirmek için OCT, B-tarama ultrasonu ve görme alanı verilerinin çok modlu veri füzyonudur [13-15] . Algoritmik önyargıyı azaltmak, tekrarlanabilirliği artırmak ve küresel olarak eşit uygulanabilirliği sağlamak için büyük, açık kaynaklı ve etnik olarak çeşitli veri kümelerine ihtiyaç vardır. Ek olarak, uzunlamasına çalışmalar yalnızca klinik fayda ve epidemiyolojik sonuçların tanısal doğruluğunu değil, aynı zamanda tanı hızı, sevkler ve görsel sonuçlar üzerindeki gerçek dünya etkisini de incelemelidir; bu da topluca bu tür sistemlerin klinik iş akışları içindeki uygunluğuna dair kanıt sağlayacaktır. Dahası, gelecekteki araştırmalar modelin açıklamasını ve insan-yapay zeka etkileşim çerçevesini geliştirmeli ve açıklamanın doğrulanmasında insan merkezli yapay zeka merkezli tasarım, şeffaflık sağlayan ve klinisyenler tarafından yapay zeka destekli karar verme konusunda güven oluşturan özel araçlar (Grad-CAM, U-Net) kullanılarak tıbbi sonuçları açıklayan segmentasyon görselleştirmesi gibi nitel araçlar aracılığıyla kolaylaştırılabilir. Klinik güvenilirliği artırmak için, gelecekteki çalışmalar demografik özellikler, görüntüleme cihazları, edinim ayarları ve hastalık şiddeti dahil olmak üzere çeşitli popülasyonlarda dış doğrulamaya öncelik vermelidir. Sağlam dış testler, yapay zeka sistemlerinin geliştirme ortamının dışında ve gerçek dünya klinik iş akışlarında tutarlı bir şekilde performans göstermesini sağlamak için gereklidir. Ek olarak, tanısal doğruluk çalışmalarının şeffaflığını, karşılaştırılabilirliğini ve tekrarlanabilirliğini artırmak için PRISMA-DTA, STARD-AI ve CLEAR-AI gibi standartlaştırılmış raporlama çerçevelerine bağlılık açıkça teşvik edilmelidir. Veri kümesi bileşiminin, referans standartlarının, model eğitim protokollerinin ve doğrulama yöntemlerinin açık bir şekilde raporlanması, anlamlı yorumlama ve güvenli klinik benimseme için kritik öneme sahip olacaktır. [1,4,9,10] .
Özet Yorum
Bu meta-analiz, fundus fotoğraflarından elde edilen papilledema tanısının yapay zekâ tabanlı tanısal doğruluğunun ilk nicel sentezini temsil etmektedir. %94,6’lık duyarlılık ve %90,3’lük özgüllük, uzman oftalmolog değerlendirmesine eşit veya ondan daha iyi performans gösteren güçlü bir tanısal yeteneği yansıtmaktadır. Ayrıca, yapay zekâ destekli triyaj araçları klinik uygulamaya yaklaştıkça, uygun kullanım, sevk eşikleri, güvenlik kontrolleri ve klinisyen gözetimi tanımlayan resmi kılavuzlara olan ihtiyaç artmaktadır. Bu tür protokollerin oluşturulması, benimsemeyi standartlaştırmaya, hasta güvenliğini sağlamaya ve yapay zekâ tarafından üretilen çıktıların rutin nöro-oftalmik iş akışlarına entegrasyonunu desteklemeye yardımcı olacaktır.
CNN tabanlı derin öğrenme modellerinin geleneksel ML yaklaşımlarından sürekli olarak daha iyi performans gösterdiği ve bu nedenle klinik uygulamaya yönelik uygulanabilirliklerinin meşrulaştırıldığı tutarlıdır [1,4,7,9] . QUADAS-2 değerlendirmesi, genel önyargı riskinin düşük olduğunu ve yalnızca hasta seçiminde küçük endişeler bulunduğunu gösterirken, Deeks’in huni grafiği analizi yayın önyargısına dair hiçbir kanıt olmadığını doğruladı.
Bulgular cesaret verici olmakla birlikte, acil durum ve tele-nöro-oftalmoloji ortamlarında yapay zeka destekli fundus muayenesinin bir triyaj aracı olarak güçlü potansiyelini göstermektedir; ancak orta düzeydeki heterojenlik, nispeten az sayıda dahil edilen çalışma ve sınırlı dış doğrulama göz önüne alındığında, bu bulgular dikkatle yorumlanmalıdır. Gelecekteki araştırmalar, ölçeklenebilir doğrulama, klinik benimseme ve gerçek zamanlı karar destek sistemlerinin hasta merkezli nöro-oftalmik bakıma entegrasyonunu sağlamak için büyük çok merkezli veri kümelerine, standartlaştırılmış görüntüleme protokollerine ve prospektif değerlendirmeye öncelik vermelidir [2,3,6,7] .
Sonuçlar
Bu meta-analiz, yapay zekanın, özellikle modern derin öğrenme modellerinin, fundus fotoğraflarından papilledemayı tespit etmede yüksek tanısal doğruluk sağladığını göstermektedir; birleştirilmiş duyarlılık %94,6, özgüllük %90,3 ve AUC 0,94’tür. Bu bulgular, uzman erişiminin veya gelişmiş görüntülemenin sınırlı olabileceği klinik ve tele-oftalmoloji ortamlarında yapay zekanın ilk basamak triyaj aracı olarak kullanımını desteklemektedir. ResNet, DenseNet ve EfficientNet gibi derin öğrenme mimarileri, geleneksel makine öğrenme yaklaşımlarından sürekli olarak daha iyi performans göstermiş ve açıklanabilir yapay zeka tekniklerinin (örneğin, Grad-CAM) entegrasyonu, model karar yollarını netleştirerek klinisyen güvenini daha da artırmıştır.
Gerçek dünya uygulamalarını güçlendirmek için, gelecekteki geliştirmelerde genelleştirilebilirliği artırmak amacıyla standartlaştırılmış görüntüleme protokolleri ve tek tip referans standartları eşliğinde büyük, çeşitli, çok merkezli veri kümelerine öncelik verilmelidir. Fundus görüntülemeyi OCT, ultrason veya klinik meta verilerle birleştiren çok modlu platformların entegrasyonu, tanısal özgüllüğü daha da artırabilir ve yanlış pozitifleri azaltabilir. Buna paralel olarak, rutin iş akışlarında güvenli benimsemeyi yönlendirmek için etik yapay zeka uygulaması, veri gizliliği koruması, algoritmik şeffaflık ve klinisyen-yapay zeka etkileşimi için pratik çerçeveler oluşturulmalıdır. Sevk eşiklerini, triyaj kriterlerini ve gözetim mekanizmalarını tanımlayan açık klinik kılavuzlar, yapay zeka destekli fundus analizinin hasta merkezli nöro-oftalmik bakıma başarılı bir şekilde entegrasyonu için şart olacaktır.
Hassas protein fonksiyonu tahmini için ölçeklenebilir bir eşdeğişken grafik ağı çerçevesi için yorumlar kapalı
Protein fonksiyon araştırmaları, hücrelerde meydana gelen karmaşık biyolojik süreçlerin anlaşılmasına yardımcı olur. Ancak, protein yapı ve fonksiyonlarının karmaşık yapısı ve protein dizi verilerinin hızla artması, doğru protein açıklamaları için verimli hesaplama yöntemleri geliştirme konusunda acil bir zorluk oluşturmaktadır.
Biyomedikal veri artırma için yapay zekanın kullanılması: model özelliklerinin, performans analizinin ve gelecekteki araştırma yönlerinin karşılaştırmalı incelemesi için yorumlar kapalıteknoloji
Soyut
Yapay Zeka (YZ), sağlık sektörü de dahil olmak üzere çeşitli sektörlerde üretkenliği, verimliliği ve etkinliği artıran günümüzün en gelişmiş teknolojilerinden biridir. Ancak bu üretkenliğin tanımlanması, müdahale alanında veri kullanılabilirliğini gerektirir. Potansiyeline karşın, sağlık sektörü inovasyonu için biyomedikal veriler, gizlilik endişeleri nedeniyle erişilmesi en zor verilerden biridir. Bu zorluğun üstesinden gelmenin yollarından biri, sağlık sektörü üretkenliğinde devrim yaratma potansiyeline sahip olan “Verileri Artırmak” için YZ’nin kullanılmasıdır. Bu araştırma makalesi, biyomedikal veriler için Veri Artırma (DA) üzerine kapsamlı bir inceleme sunmakta olup, özellikle Üretken Çelişkili Ağ (GAN) odaklı öğrenme yöntemlerine odaklanmaktadır. Veri Artırma yöntemlerini, bu yöntemlerin özellikleri, üretilen verilerin kalitesini değerlendirmek için kullanılan performans ölçütleri ve her yöntemin sınırlamaları açısından analiz etmektedir. Ayrıca, bu çalışma, GAN’ların ve Koşullu GAN’ların (CGAN’lar) performansını, özellikler ve performans ölçütlerini içeren iki farklı bakış açısıyla farklı veri kaynakları ve boyutları üzerinde değerlendirmek için kapsamlı bir deneysel analiz içermektedir. Sonuç olarak, mevcut GAN’ların ve GAN’ların değiştirilmiş versiyonlarının analizi, biyomedikal uygulamalarda üretken modellerin kullanımında önemli bir potansiyel olduğunu göstermektedir. Bu araştırmadan elde edilen temel bulgular, güvenilir artırılmış verilere ulaşmada iki temel zorluğu ortaya koymaktadır: a) GAN modelleri için kararsız eğitim ve b) daha güvenilir değerlendirme ölçütlerine duyulan ihtiyaç. Bu zorlukların ele alınması, minimum eğitim verisi ve öğrenme yinelemeleriyle güvenilir DA tekniklerini garanti altına alabilen yeni nesil GAN modelleri geliştirmek için hayati önem taşıyacaktır.
mRNABERT: Evrensel bir dil modeli ve kapsamlı veri setiyle mRNA dizi tasarımını ilerletmek için yorumlar kapalıBİLİM
Terapötikler için etkili mRNA dizileri tasarlamak zorlu bir görev olmaya devam etmektedir. Protein tasarımındaki başarılardan ilham alan dil modelleri (LM’ler) artık RNA’ya da uygulanıyor, ancak kapsamlı eğitim verilerinin eksikliği ilerlemeyi genellikle engelliyor. Mevcut modeller genellikle UTR veya CDS bölgeleriyle sınırlı olduğundan, tam mRNA dizileri için uygulamaları kısıtlanıyor. Mevcut en büyük mRNA veri kümesi üzerinde önceden eğitilmiş, sağlam ve hepsi bir arada bir mRNA tasarımcısı olan mRNABERT’i tanıtıyoruz. Performansı artırmak için, protein dizilerinden gelen anlamsal bilgileri entegre etmek üzere çapraz-modaliteli karşılaştırmalı bir öğrenme çerçevesine sahip ikili bir belirteçleme şeması öneriyoruz. Kapsamlı bir kıyaslamada, mRNABERT, 5′ UTR ve CDS tasarımı, RNA bağlayıcı protein (RBP) bölgesi tahmini ve tam uzunlukta mRNA özelliği tahmini görevlerinin çoğunda önceki modellerden daha iyi performans göstererek en son teknolojiyi göstermektedir. Ayrıca, çeşitli ilgili görevlerde büyük protein modellerini de geride bırakmaktadır. Sonuç olarak, mRNABERT’in bu çeşitli görevlerdeki üstün performansı, mRNA araştırmaları ve terapötik geliştirme alanında önemli bir sıçramayı göstermektedir.
Rahim içi hiperglisemi, cinsiyete özgü epigenetik yeniden programlama müdahalesi yoluyla fare ilkel germ hücresi gelişimini ve doğurganlığını bozar için yorumlar kapalıBİLİM, sağlık
Hiperglisemi gibi olumsuz intrauterin ortamlar, eşeyli üremeyi ve tür devamlılığını bozar, ancak altta yatan mekanizmalar hala yeterince anlaşılmamıştır. Bu çalışmada, intrauterin hipergliseminin, özellikle dişi yavrularda, primordial germ hücresi (PGC) gelişimini önemli ölçüde bozduğunu ve böylece doğurganlığı azalttığını gösterdik. Rahim içi hiperglisemiye maruz bırakılan Oct4-EGFP transgenik fareleri kullanarak, hipergliseminin PGC gelişimi sırasında cinsel olarak spesifik kromatin erişilebilirliğini ve DNA metilasyon yeniden programlamasını tehlikeye attığını ortaya koyduk
Nanosensörler Kalp Krizini Tespit Edebilir Mi? için yorumlar kapalısağlık, teknoloji
Ülkemizde her yıl 200 bin kişinin hayatını kaybetmesine sebep olan kalp krizi, kalbi besleyen atardamarlarda yaşanan ani tıkanma sonucu kalp kasının yeterli seviyede oksijen alamaması ve buna bağlı olarak kalp dokusunda hasar meydana gelmesidir. Peki kalp krizini gerçekleşmeden önce algılayabilen cihazlar üretilebilir mi?
Biyosensörler İçin Güç Kaynağı: Biyobozunur Elektrotlar için yorumlar kapalıBİLİM
Proteus Digital Health adlı şirket, güç kaynağına, sensöre ve vericiye sahip bir hap geliştirdi. Hapı yuttuğunuzda, mide asidiniz pili harekete geçiriyor ve bir sinyal üretilmeye başlıyor. Bu, ilacı gerçekten aldığınızı göstermektedir. Bu ve bunun gibi vücuda yerleştirilen mikroskobik cihazlar ne kadar küçük olsalar da toksik olabilmeleri nedeniyle sağlığımız için zararlı olabilir. Peki bu cihazlar, doğal maddeler kullanılarak elde edilirse insan vücudu için daha az toksik olur mu? Çok küçük boyutlardaki bu cihazlar biyobozunur olabilir mi? Yani biyolojik olarak, vücuttaki sistemlerle ya da bakteriler ve mantarlar gibi mikroorganizmaların biyolojik hareketiyle parçalanabilir mi?
Kan Vermeden Değerlerinizi Ölçmenin Bir Yolu Olsa Nasıl Olurdu? için yorumlar kapalısağlık, teknoloji
Besin değerlerimiz, kan değerlerimiz, vücudumuzdaki vitaminler her an değişiyor. Bu değişimler sağlığımızı olumlu veya olumsuz etkileyebiliyor. Dilediğimiz zaman bu değerleri kontrol edebilmek hayatımıza büyük bir kolaylık sağlamaz mıydı?
