Rukiye OLCUOGLU, Muhlis Yigitcan DAG
Abant Tıp Dergisi - 2026;15(2):226-238
Migrenin tanısı ve alt tiplendirilmesi büyük ölçüde klinik ölçütlere dayanmaktadır ve nesnel biyobelirteçlerin eksikliği önemli bir sınırlayıcı faktördür. Bu yapılandırılmış anlatı derlemede, makine öğrenmesi (ML) ve derin öğrenme (DL) yöntemlerinin migren tanısı ve sınıflandırmasındaki uygulamaları, özellikle elektrofizyolojik ve nörogörüntüleme temelli çalışmalar odağında özetlenmiştir. İlgili literatür, migren, ML/DL, EEG, MRI/fMRI, PET ve sınıflandırma anahtar sözcükleri kullanılarak PubMed ve Google Scholar veri tabanlarında yapılan hedefli taramalarla belirlenmiştir. ML çalışmalarının büyük çoğunluğunda destek vektör makineleri, rastgele ormanlar ve k-en yakın komşu gibi algoritmalar, EEG sinyallerinden veya görüntüleme temelli ölçütlerden türetilen özellikler kullanılarak uygulanmaktadır. Buna karşılık, çoğunlukla evrişimli sinir ağlarından oluşan DL mimarileri, EEG segmentleri veya istirahat hâli fonksiyonel manyetik rezonans görüntüleme (fMRI) verileri gibi yüksek boyutlu verilerden temsil öğrenimi yapmaktadır. Çalışmaların birçoğunda yüksek sınıflandırma performansları bildirilmekle birlikte, bulgular sıklıkla küçük ve homojen örneklemler, dış doğrulama eksikliği, heterojen önişleme süreçleri ve bir katılımcıdan elde edilen çoklu segmentlerin özne düzeyinde ayrılmaması durumunda ortaya çıkabilecek bilgi sızıntısı riski ile sınırlıdır. PET gibi nörogörüntüleme yaklaşımları mekanistik açıdan değerli bilgiler sağlamakla birlikte, maliyet ve erişilebilirlik nedeniyle rutin klinik kullanım açısından sınırlıdır. Gelecek çalışmaların şeffaf raporlama, özne düzeyinde doğrulama stratejileri, çok merkezli veri setleri ve açıklanabilir çok modlu modeller üzerine odaklanması, baş ağrısı pratiğinde yapay zekâ temelli araçların klinik güvenilirliğini artırmak açısından önem taşımaktadır.
