Geometric deep learning of brain connectomes over the spectrum of dementia

Alzheimer Hastalı˘gı Demansı (ADD), bilişsel fonksiyonları etkileyen ve farklı evrelere sahip ilerleyici bir nörodejeneratif bozukluktur. ADD'nin doğru bir ¸sekilde teşhis edilmesi ve ilerleyişinin izlenmesi, erken müdahale ve tedavi için büyük önem taşımaktadır. Bu tezde, Geometrik Derin ¨Öğrenme'nin, ¨ozellikle Çizge Sinir Ağları'nın (Graph Neural Networks - GNNs), ADD teşhisi için beyin ağı analizine uygulanmasını, yapısal ve işlevsel beyin ağlarına odaklanarak inceliyoruz. Tez, üç ana hedef etrafında yapılandırılmıştır: (1) yapısal, işlevsel ve ¸coklu-modal beyin ağlarının analizi için GNN'lerin değerlendirilmesi, (2) ADD teşhisi için yapı-fonksiyon ilişkisini nicelleştiren yenilikçi bir GNN tabanlı biyobelirteç geliştirilmesi ve (3) ADD ile ilişkili alt ağları vurgulayabilen yeni bir GNN ¨onerilmesi. Bu hedefler aracılığıyla, hem geliştirilmiş tanı araçları hem de ADD'nin ilerleyişine dair daha derin bir anlayış sunmayı amaçlıyoruz. Sonuç olarak, bu tez, GNN'lerin ADD teşhisi ve izlenmesindeki gücünü ve potansiyelini göstermektedir. Sadece gelişmiş performans sunmakla kalmayıp aynı zamanda elde edilen sonuçların nörolojik bir temele dayandırılmasını sağlayan yöntemler sunulmaktadır. Bu ilerlemeler, ADD teşhislerinin hem doğruluğunu hem de yorumlanabilirliğini artırmayı hedeflemekte ve hastalığın ilerleyişinin daha iyi anlaşılmasına katkıda bulunarak erken müdahale stratejilerini kolaylaştırmayı amaçlamaktadır.