AI Summary & Key Takeaways
AI InsightTherefore, dataset diversity, external validity and clinical validation stand out as the primary shortcomings of the field.
📌 3 Key Takeaways
Abstract
Alzheimer's disease (AD) is one of the most prevalent neurodegenerative diseases today, and early diagnosis directly affects the course of the disease. The aim of this study is to comparatively evaluate the national and international literature on the detection of AD using image processing and deep learning methods within a single framework. Following the PRISMA flow logic, a total of 28 original articles published between 2018 and 2025 were reviewed: 16 from TRDizin and 12 from international databases (PubMed, Scopus, Web of Science). Of the reviewed studies, 23 are based on magnetic resonance (MR) images and 5 on electroencephalography (EEG) signals. For each study, the dataset, sample size, architecture or algorithm, preprocessing steps and reported accuracy were extracted. The findings show that convolutional neural network (CNN) based methods and transfer learning are the dominant approaches on MR images, while the Kaggle 4-class dataset and ADNI are the most frequently preferred data sources. Architectures such as AlexNet, VGG-16, ResNet, DenseNet, MobileNetV2 and ConvNext yielded accuracies between 88% and 100%. On EEG signals, the highest reported accuracy was 96.59% using support vector machine (SVM) and k-nearest neighbour (kNN) methods. Studies conducted in Türkiye are competitive with the international literature in terms of accuracy; however, 11 of the 16 Turkish studies reviewed used the same open-access dataset and none reported clinical validation. Therefore, dataset diversity, external validity and clinical validation stand out as the primary shortcomings of the field.
Özet
Alzheimer hastalığı (AH), günümüzde en sık karşılaşılan nörodejeneratif hastalıklardan biri olup erken tanı konulması hastalık seyrini doğrudan etkilemektedir. Bu çalışmanın amacı, AH'nin görüntü işleme ve derin öğrenme yöntemleriyle tespitine yönelik ulusal ve uluslararası literatürü aynı çerçevede karşılaştırmalı olarak değerlendirmektir. PRISMA akış mantığına uygun olarak yürütülen tarama sonucunda TRDizin'den 16, uluslararası veri tabanlarından (PubMed, Scopus, Web of Science) 12 olmak üzere 2018-2025 yılları arasında yayımlanmış toplam 28 özgün makale incelenmiştir. İncelenen çalışmaların 23'ü manyetik rezonans (MR) görüntüsü, 5'i elektroensefalografi (EEG) sinyali tabanlıdır. Her çalışmadan veri seti, veri büyüklüğü, kullanılan mimari veya algoritma, ön işleme adımları ve doğruluk oranı çıkarılmıştır. Bulgular, MR görüntüleri üzerinde evrişimli sinir ağı (ESA) tabanlı yöntemlerin ve aktarım öğrenmenin baskın yaklaşım olduğunu göstermektedir; Kaggle 4-sınıf veri seti ve ADNI en çok tercih edilen veri kaynaklarıdır. AlexNet, VGG-16, ResNet, DenseNet, MobileNetV2 ve ConvNext gibi mimarilerle %88 ile %100 arasında doğruluk elde edilmiştir. EEG sinyalleri üzerinde destek vektör makinesi (DVM) ve k-en yakın komşu (kEYK) yöntemleriyle en yüksek doğruluk %96,59 olarak raporlanmıştır. Türkiye'deki çalışmalar doğruluk açısından uluslararası literatürle rekabet edebilir düzeydedir; ancak incelenen 16 Türk çalışmasının 11'i aynı açık erişimli veri setini kullanmış ve hiçbirinde klinik doğrulama raporlanmamıştır. Bu nedenle veri seti çeşitliliği, dış geçerlilik ve klinik doğrulama alanın öncelikli eksiklikleri olarak öne çıkmaktadır.