Nörolojide Yapay Zeka Uygulamaları

1. Giriş

Nörolojik hastalıklar, dünya genelinde sakatlık ve mortalitenin en sık nedenleri arasındadır (1–2). Toplumsal ve çevresel faktörlerle bu yükün 2040 yılına kadar yaklaşık %50 artacağı öngörülmektedir (3–4). Örneğin Parkinson Hastalığı (PH) gibi durumların görülme sıklığının, nüfusun yaşlanmasıyla 2040 yılına kadar iki katına çıkabileceği bildirilmektedir (5). Tıp alanında Yapay Zekâ’nın (YZ) kullanım alanları, lojistik regresyon gibi görece basit istatistiksel modellerden, sinir ağları gibi ileri düzey ve karmaşık hesaplamalı modellere kadar uzanan geniş bir yelpazeyi kapsamaktadır. Makine Öğrenmesi (MÖ) ve YZ kavramları çoğu zaman birbirinin yerine kullanılsa da, MÖ genellikle ileri düzey istatistiksel analiz yöntemlerine dayanan ve YZ’nin özelleşmiş bir alt dalı olarak kabul edilen bir yaklaşımı ifade eder. Bunun yanı sıra YZ, doğal dil işleme yöntemlerini kullanarak insan dilinin anlaşılması ve üretilmesini amaçlayan; Google’ın Gemini’si, Meta’nın Llama’sı ve OpenAI’ın ChatGPT’si gibi üretken büyük dil modellerini de içermektedir (6). 2017 sonrasında Derin Öğrenme (DÖ) ve çoklu veri entegrasyonundaki ilerlemelerle birlikte bu alandaki bilimsel üretimde belirgin artış gözlenmiştir (7).

Dünya Sağlık Örgütü, Intersectoral Global Action Plan (IGAP 2022–2031) hedefleriyle uyumlu biçimde hastalık önleme, erken tanı ve tedavi süreçlerinin YZ ve dijital sağlık yaklaşımlarıyla güçlendirilmesini önermektedir (4,8).

Bu derleme bölümün amacı, klinik nörolojide sık karşılaşılan hastalıklarda YZ uygulamalarını (i) hangi klinik görevleri desteklediği, (ii) kanıt olgunluğu ve sınırlılıkları, (iii) etik ve tasarım/uygulama çıkarımları bağlamında özetlemektir. Pediatrik nöroloji uygulamaları, rehabilitasyon teknolojileri, ayrıntılı maliyet-etkililik analizleri ve ülke bazlı düzenleyici ayrıntılar; klinik, metodolojik ve bağlamsal farklılıklar nedeniyle bu bölümün kapsamı dışında bırakılmıştır.

1.1 Klinik nörolojide YZ: kavramsal çerçeve

Klinik nörolojide YZ uygulamaları, semptom temelli yaklaşımlardan veri odaklı “hassas nöroloji”ye geçişi hızlandırmakta; moleküler, nörofizyolojik ve görüntüleme verilerinin birlikte kullanılmasına olanak tanımaktadır ( 8 ). Bu dönüşüm, epilepsi, inme/nörolojik aciller ve nörodejeneratif bozukluklar gibi karmaşık tabloların klinik karar destek mekanizmalarını optimize etme potansiyeline sahiptir (9,10). Üretken büyük dil modellerinin ortaya çıkışıyla birlikte, özellikle klinik dokümantasyon alanında kayda değer ilerlemeler ve iyileştirmeler sunan çok sayıda yeni YZ destekli araç ve uygulama geliştirilmiştir (6). YZ’nin tıbbi cihazlara ve karar destek araçlarına entegrasyonu, özellikle giyilebilir sensörler ve nörogörüntüleme teknikleri ile nörolojik bozuklukların tanı ve tedavisinde klinik nöroloji için ümit vaat eden bir potansiyele sahiptir. Nörogörüntüleme tekniklerinden bazıları Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI), Fonksiyonel Yakın Kızılötesi Spektroskopi (fNIRS), Elektroensefalografi (EEG), Magnetoensefalografi (MEG), Bilgisayarlı Tomografi (BT) ve Pozitron Emisyon Tomografisi (PET)’dir (11).

1.2 Uygulama alanları ve kanıt olgunluğu

Aşağıdaki alt başlıklarda “kanıt olgunluğu” ifadesi; (a) veri tipi ve örneklem büyüklüğü, (b) harici doğrulama/prospektif çalışma varlığı, (c) klinik iş akışına ve hasta sonlanımlarına etkisini birlikte ifade eder.

1.2.1 Epilepsi

Epilepside YZ uygulamaları genel olarak destekleyici ve öngörücü modeller olarak iki grupta ele alınabilir. Destekleyici yaklaşımlar, EEG sinyallerinde interiktal epileptiform deşarjların otomatik tespiti ve nöbet başlangıç zonlarının lokalizasyonunda klinisyene yardımcı olabilir (10). Öngörücü modeller ise, insan gözüyle fark edilmesi güç olan paternleri analiz ederek nöbetlerin dakikalar–saatler öncesinden tahminini hedefler.

Yüksek frekanslı osilasyonların (HFO; yaklaşık 80–500 Hz) Konvolüsyonel Sinir Ağları (CNN) ile otomatik saptanması, cerrahi öncesi odak lokalizasyonunu destekleyen yaklaşımlara örnek oluşturur (10). Bununla birlikte, YZ destekli “kulak arkası EEG” (bte-EEG) çözümlerinde belirli nöbet tiplerinin kaçırılabildiği; özellikle çok kısa nöbetler, temporal lobla sınırlı başlangıçlar ve Elektromiyografi (EMG) bulgusu olan kas artefaktları gibi faktörlerin performansı sınırlayabildiği bildirilmiştir (12). Klinik EEG yorumu için geliştirilen FDA onaylı SCORE-AI sisteminin, uzmanlara kıyasla özgüllükte daha yüksek; duyarlılıkta ise daha düşük performans gösterebildiği raporlanmıştır (13,14).

EEG ve nörogörüntüleme verilerinin analizinde, MÖ araçları uzmanların doğruluğuna yakın sonuçlar verirken zaman kazandırmakta ve bazı durumlarda insan gözünün kaçırabileceği ince bulguları yakalayabilmektedir (15). Epilepside YZ’nin erken uygulamalarında MÖ hakimken, DÖ yaklaşımları giderek daha popüler hale gelmiştir. Ancak, YZ’nin araştırma ortamlarından klinik uygulamalara aktarımı yavaş ilerlemekte; bu durum, araştırmacılar, klinisyenler ve diğer paydaşlar arasında iş birliğine duyulan ihtiyacı ortaya koymaktadır (16).

Yapılan bir çalışmada, epileptik nöbetlerin tanılanmasına yönelik sınıflandırma probleminde kullanılan MÖ yöntemlerinin performansları karşılaştırılmış; Yapay Sinir Ağı (YSA) %76,39, Lineer Diskriminant Analiz (LDA) %82,24 ve K-En Yakın Komşu (K-NN) algoritmasının ise %93,41 doğruluk oranına ulaştığı rapor edilmiştir (17). Yapılan başka bir çalışmada ise aksiyel gri madde haritaları kullanılarak eğitilen bir CNN, Temporal Lob Epilepsisi (TLE), Alzheimer Hastalığı (AH) ve Sağlıklı Kontrol (SK) gruplarını ayırt etmek için kullanıldığında, kohortun yarısı MRI-negatif TLE olsa bile TLE’yi %91 doğrulukla tespit etmiştir (16).

Kanıt olgunluğu (özet): Epilepside sinyal çıkarımı ve otomatik tespit uygulamaları görece olgunlaşmış olsa da, hasta alt gruplarında (odak tipi, komorbidite, artefakt yükü) performans raporlaması ve çok merkezli/harici doğrulama ihtiyacı sürmektedir.

1.2.2 İnme ve nörolojik aciller

İnme, travmatik beyin hasarı ve akut omurilik hasarı gibi acil durumlarda tanı ve tedaviye başlama süresi, fonksiyonel sonlanımları belirgin şekilde etkiler. Bu alanda YZ, özellikle görüntüleme tabanlı triage ve karar destek araçları ile süreçleri hızlandırmayı hedefler.

Örneğin, FDA onaylı bir yazılım olan Rapid ASPECTS (Alberta Stroke Program Early CT Score), BT görüntülerinde erken iskemik değişiklikleri otomatik skorlayarak tromboliz/trombektomi kararlarının verilmesini destekleyebilir (8,18). Ancak algoritmalar, atipik sunumları veya nadir acilleri “dağılım dışı” (out-of-distribution) olarak algılayıp yanlış-negatif üretebilir (18).

İskemik inmenin saptanmasına yönelik güncel çalışmalar, Manyetik Rezonans Görüntüleme (MRI), BT ve perfüzyon görüntüleme gibi çok modlu görüntüleme yöntemlerinin yanı sıra klinik ve moleküler biyobelirteçlerin kullanımını ön plana çıkarmaktadır. LeNet, AlexNet, VGGNet ve ResNet gibi CNN ile dönüştürücü tabanlı derin öğrenme modelleri, tanı sürecinin otomatikleştirilmesi ve sınırlı veri kümelerinin etkin şekilde analiz edilmesi açısından önemli avantajlar sunmaktadır. Yapılan performans değerlendirmeleri, söz konusu CNN tabanlı yaklaşımların tekil ve çok modlu görüntüleme verileri kullanılarak erken dönem iskemik değişikliklerin belirlenmesinde %85–%98 arasında değişen doğruluk oranlarına ulaştığını göstermektedir (19).

Kanıt olgunluğu (özet): Görüntüleme tabanlı triage araçları uygulamada yaygınlaşmıştır; buna karşın gerçek-dünya performansı, cihaz/protokol farklılıkları ve veri kayması (model drift) altında sürekli izleme gerektirir.

1.2.3 Demans ve Alzheimer hastalığı

Demans ve AH çalışmalarında YZ, görüntüleme, beyin omurilik sıvısı, genetik ve kan temelli biyobelirteçlerin analizinde önemlidir ( 20 , 21 ). DÖ algoritmaları, Manyetik Rezonans Görüntüleme (MRI) ve PET taramalarında hipokampal atrofi ve kortikal incelme gibi değişiklikleri klinik semptomlar öncesinde yakalamayı hedefleyen modellerde sık kullanılmıştır ( 22 , 23 ).

Son on yıl içinde EEG kullanımını ele alan çalışmalar, AH’nın tanılanmasına yönelik araştırılmıştır. Ekonomik olması, kolay taşınabilirliği ve invaziv bir yöntem olması gibi avantajları sayesinde EEG, nörolojik bozuklukların tespitinde iyi bir alternatifdir ( 24 ). EEG’nin sinyal işleme ve analiz yöntemleri vesilesi ile AH, Frontotemporal Demans (FTD) gibi demans rahatsızlıklarının çoğu için ideal, doğru ve olabildiğince elverişli bir biyobelirteç durumuna geldiğinden bahsedilmiştir ( 25 ). Yapılan bir çalışmaya, 65 yaş ve üzeri olup günlük yaşam aktivitelerini bağımsız şekilde sürdürebilen ve rastgele örnekleme yöntemiyle seçilen toplam 58 birey dâhil edilmiştir. Katılımcılara EEG ve MRI uygulanmıştır. EEG verilerinin değerlendirilmesi, Nicel EEG (QEEG) analizleri ve görsel inceleme yöntemleri kullanılarak gerçekleştirilmiştir. Araştırma bulguları doğrultusunda, Alzheimer demansı 9 katılımcıda saptanmıştır. Tanısal doğruluk oranları; EEG için %81, QEEG için %81–84 aralığında ve MRI’de medial temporal lob atrofisinin değerlendirilmesine dayalı olarak toplam %72 olarak belirlenmiştir ( 26 ).

AlexNet ile yaygınlaşan CNN yaklaşımı, nörolojide yapısal/fonksiyonel verilerin analizinde bir paradigma oluşturarak özellikle 3B-CNN mimarileriyle uzamsal paternlerden yararlanılmasını kolaylaştırmıştır ( 27 ).

Kanıt olgunluğu (özet): Biyobelirteç ve görüntüleme temelli modeller hızla gelişsede, klinik kararı değiştiren eşikler, harici doğrulama ve popülasyon genellenebilirliği (yaş, komorbidite, eğitim/dil farkı) kritik konulardır.

1.2.4 Parkinson hastalığı

Parkinson Hastalığı (PH) yönetiminde YZ uygulamaları, motor ve non-motor semptomların daha nesnel ve sürekli ölçülmesine odaklanır. Bilgisayarlı görü, ses analizi ve yürüyüş analizi gibi yaklaşımlar; klinik değerlendirmeleri destekleyici biyobelirteç adayları üretebilir ( 9 ). DÖ yaklaşımlarının derin beyin stimülasyonu parametre optimizasyonunda kullanımıda gündeme gelmiştir (9, 28, 29).

Araştırmacılar tarafından gerçekleştirilen çalışmalarda, PH’nin klinik tanı adımlarına ilişkin doğruluk oranının yaklaşık %80,6 düzeyinde olduğu ortaya konulmuştur. Bununla birlikte, olağan klinik uygulamalar sırasında tanıya ilişkin hatalı sınıflandırmanın önemli bir sorun olmaya devam ettiği ve farklı çalışma serilerinde bildirilen hata oranlarının %15 ile %24 arasında değişkenlik gösterdiği ifade edilmektedir. Literatürde yer alan çalışmalar, katı klinik tanı ölçütlerinin kullanılmasına karşın, PH tanısı alan olguların yaklaşık %10’unda alternatif patolojilerin bulunduğunu göstermektedir. Bu durum, söz konusu olguların PH’dan ziyade farklı bir hareket bozukluğu ile ilişkili olabileceğine işaret etmektedir ( 30 ).

PH’nın çok boyutlu klinik belirtiler göstermesi nedeniyle ses ve konuşma analizleri, yürüyüş ve hareket verileri, el ve parmak hareketleri, görüntü tabanlı ölçümler ile klinik ve demografik bilgilerin birlikte kullanıldığı multimodal veri yaklaşımlarının, tekil veri kaynaklarına dayalı yöntemlere kıyasla daha yüksek tanısal doğruluk sağladığını ortaya koymaktadır. Yapılan bir çalışmada, Destek Vektör Makineleri (DVM) ve rastgele ormanlar gibi geleneksel MÖ yöntemlerinin yanı sıra, CNN, tekrarlayan sinir ağları ve DÖ modellerinin PH’nın erken tanısı, semptom şiddetinin değerlendirilmesi ve hastalık progresyonunun izlenmesinde etkin biçimde kullanıldığı bildirilmektedir. Özellikle multimodal veri füzyon stratejilerinin, klinik değerlendirmelerin subjektifliğini azaltarak daha objektif ve güvenilir sonuçlar sunduğu vurgulanmaktadır ( 31 ).

Kanıt olgunluğu (özet): Giyilebilir/veri akışı temelli modeller, yaşlı ve komorbiditesi yüksek gruplarda performans düşüşü gösterebilir; bu nedenle alt grup bazlı raporlama ve harici doğrulama özellikle önemlidir ( 9 ).

1.2.5 Migren

Migren hastalarında YZ ve MÖ, yapısal ve fonksiyonel nörogörüntüleme verilerine dayanarak epizodik migren ile kronik migreni SK’lerden ayırt edebilmekte, DVM ve doğrusal diskriminant analizi gibi modeller, MRI türevli kortikal kalınlık ve fonksiyonel bağlantısallık verilerini kullanarak %75 ila %98 arasında değişen doğruluk oranlarıyla hastaları sınıflandırabilmektedir (32). Fakat yapılan kalite değerlendirmeleri, migren MÖ çalışmalarının çoğunda model performans raporlamasının tutarsız olduğunu, veri setlerinin küçük ve dengesiz olduğunu ve harici validasyonun eksik olduğunu göstermiştir. Bu durum, deneysel başarının klinik uygulamaya aktarılmasını engellemektedir (32).

Kişiselleştirilmiş tedavi seçiminin optimize edilmesinde etkili bir araç olarak YZ’nin öne çıktığı görülmektedir. Dijital ikizler ile konuşma tabanlı ve ajan temelli YZ sistemlerini içeren yenilikçi yaklaşımlar da, baş ağrısı bozukluklarının erken tanı ve tedavisinin kolaylaştırılmasında ve alanın hassas (kişiselleştirilmiş) tedaviye doğru ilerletilmesinde önemli bir potansiyel sunmaktadır. Chen ve ark. (39) tarafından gerçekleştirilen kapsamlı bir meta-analiz çalışmasında YZ modellerinin migren tedavisine verilen yanıtı öngörmede güçlü bir kestirim performansı sergilediği; birleşik AUC değerinin 0,86 olduğunu (%95 güven aralığı: 0,67–0,95) ortaya konmuştur (24).

Kanıt olgunluğu (özet): Bu alanda birincil ihtiyaç, çalışma tasarım standartlaşması (prospektif protokoller, harici doğrulama, standart metrikler) ve genellenebilirliğin gösterilmesidir ( 32 ).

1.2.6 Moleküler omiks ve ilaç keşfi

Nörolojik hastalıkların moleküler mimarisini anlamada YZ, çoklu-omiks (genomik, proteomik, metabolomik) entegrasyonunda merkezi bir rol oynar ( 7 ). Epilepside genomik veri entegrasyonu, etiyolojide tek nükleotid polimorfizmi etkilerinin yorumlanmasını destekleyebilir ( 8 ). AH riskini etkileyebilecek potansiyel “hub” genlerin tanımlanması buna örnek verilebilir ( 33 ). Glioblastoma gibi tümörlerde ise YZ, anahtar kinazların terapötik hedef olarak belirlenmesinde ve tümör içi heterojenliğin proteomik düzeyde haritalanmasında kullanılmıştır (34, 35).

İlaç keşfinde YZ, ilaç–hedef etkileşimlerinin öngörülmesi ve aday bileşiklerin sanal taranması gibi aşamalarda hız kazandırır. Moleküler kenetleme ile birleştirilen yaklaşımlar, sanal kütüphanelerden yüksek afiniteli ligandların seçimini hızlandırabilir ( 7 ). Parkinson hastalığında adenosin A2A reseptör antagonistleri ve MAO-B inhibitörleri gibi çift hedefli ligandların tanımında; ayrıca nöroenflamasyonu azaltmaya yönelik JNK3 inhibitörlerinin keşfinde YZ destekli sanal tarama yaklaşımları bildirilmektedir ( 36 , 37 ).

YZ, yalnızca yeni molekül keşfi değil, mevcut tedavilerin hangi hasta alt gruplarında daha etkili olabileceğinin öngörülmesinde de kullanılabilir. Örneğin epilepside MÖ modelleri, antiepileptik ilaç yanıtını EEG ve klinik özelliklerden tahmin etmeye yönelik çalışmalar içermektedir ( 10 , 38 , 39 ). Multipl sklerozda ise DÖ, bireysel tedavi etkisini (individual treatment effect) tahmin etmeye yönelik yaklaşımlarda kullanılmıştır ( 40 ).

Kanıt olgunluğu (özet): Omiks/ilaç keşfi uygulamalarının önemi artmakla birlikte, translasyonel basamakta (biyolojik doğrulama, klinik çalışmalar, güvenlilik) ek kanıta ihtiyaç vardır.

2. Klinik iş akışı entegrasyonu: pratik bir çerçeve

Klinikte YZ sistemlerinin güvenli kullanımı için görev tanımının netleşmesi gerekir: (i) triage (önceliklendirme), (ii) karar desteği (önerme), (iii) otomasyon (karar verme). Nöroloji için genellikle en güvenli hedef, (i) ve (ii) basamaklarında insan denetimli kullanımdır.

3. Etik ve uygulama zorlukları

YZ algoritmalarının “kara kutu” (black box) doğası klinik güveni sınırlayabilir; bu nedenle açıklanabilir yapay zekâ (XAI) yaklaşımları önem kazanmaktadır (18). Klinik iş birliğini güçlendirmek için şu tasarım/uygulama ilkeleri öne çıkar:

(1) Zorunlu “human-in-the-loop” noktalarının tanımı (hangi kararlar mutlaka hekim onayı gerektirir?). (2) Belirsizlik/konfidenz skorlarının görselleştirilmesi ve eşiklerin klinik olarak anlamlandırılması.

(3) Otomasyon yanlılığını (automation bias) azaltmaya yönelik eğitim ve simülasyon protokolleri.

(4) Yanlış-pozitif/yanlış-negatif dengesinin klinik riskle uyumlu ayarlanması.

(5) Loglama, izleme ve periyodik bağımsız performans doğrulama süreçlerinin iş akışına entegrasyonu (model drift dahil).

(6) Alt gruplarda (yaş, cinsiyet, etnisite, komorbidite) performans raporlaması ve adalet metriklerinin izlenmesi. (8, 9, 18)

Ayrıca, hatalı karar durumunda sorumluluğun (hekim–kurum–yazılım sağlayıcı) hangi koşullarda paylaşılacağını belirleyen yasal/kurumsal çerçeveler; olay raporlama, tazminat protokolleri, onay/sertifikasyon ve pratik iş akışı planı ile birlikte ele alınmalıdır ( 8 ).

4. Sonuç

YZ, nöroloji klinik uygulamasında ve kararlarında belirgin potansiyel göstermektedir; ancak nadir vakalar, kalitesiz/heterojen veri ve donanım/iş akışı kısıtları klinik geçerliliği sınırlayabilir. Bu nedenle, açıklanabilirlik (XAI), alt grup bazlı performans raporlaması, harici doğrulama ve sürekli izleme (drift) yaklaşımları; YZ’yi “yardımcı araç” olarak güvenli biçimde konumlandırmak için kritik görünmektedir. Gelecekteki uygulamaların başarısı; açık hasta onamı ve veri kullanımı politikaları, erişim kontrolleri ve denetim izleri, gizlilik koruma teknikleri, sorumluluk ve hesap verebilirlik mekanizmaları ile hasta haklarını koruyan yönergeler ve uygulamalar ile etik-odaklı tasarım, verilerin küresel standardizasyonu ve disiplinler arası (sinirbilimci, veri bilimci, etik uzmanı) iş birliklerinin derinleşmesine bağlıdır (7,8,9).

Kaynakça

1. GBD 2019 Stroke Collaborators, Global, regional, and national burden of stroke and its risk factors, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019, Lancet Neurol, 20(10):795–820, Oct 2021. doi: 10.1016/S1474-4422(21)00252-0.
2. GBD Neurology Collaborators, Global, regional, and national burden of neurological disorders, 1990– 2016: a systematic analysis for the Global Burden of Disease Study 2016, Lancet Neurol, 18(5):459– 480, 2019. doi: 10.1016/S1474-4422(18)30499-X.
3. Winkler AS, The growing burden of neurological disorders in low-income and middle-income countries: priorities for policy making, Lancet Neurol, 19(3):200–202, 2020. doi: 10.1016/S1474- 4422(19)30476-4.
4. World Health Organization, Draft Intersectoral global action plan on epilepsy and other neurological disorders 2022–2031, 20 July 2023.
5. Postuma RB, Berg D, Stern M, et al. MDS clinical diagnostic criteria for Parkinson’s disease. Mov Disord, 30:1591–1601, 2015. doi: 10.1002/mds.26424.
6. Hadar PN, Moura LM. Clinical Applications of Artificial Intelligence in Neurology Practice. Continuum Journal. 2025;31(2 Neuro-ophthalmology):583-600. doi: 10.1212/cont.0000000000001552.
7. Zhang Y, Yu L, Lv Y, et al. Artificial intelligence in neurodegenerative diseases research: a bibliometric analysis since 2000. Front Neurol, 2025;16:1607924.
8. Voigtlaender S, Pawelczyk J, Geiger M, et al. Artificial intelligence in neurology: opportunities, challenges, and policy implications. J Neurol, 2024;271(5):2258–2273.
9. Twala B. AI-driven precision diagnosis and treatment in Parkinson’s disease: a comprehensive review and experimental analysis. Front Aging Neurosci, 2025;17:1638340.
10. Wang C, Yuan X, Jing W. Artificial intelligence in electroencephalography analysis for epilepsy diagnosis and management. Front Neurol, 2025;16:1615120.
11. Goh SK, Zhong JY, Chan CK, et al. Editorial: Machine intelligence and technology: clinical applications in neurology. Frontiers Neurology. 2024;15: 1416270. doi: 10.3389/fneur.2024.
12. Vandecasteele K, De Cooman T, Chatzichristos C, et al. The power of ECG in multimodal patient- specific seizure monitoring: added value to an EEG-based detector using limited channels. Epilepsia, 62:2333–2343, 2021. doi: 10.1111/epi.16990.
13. Tveit J, Aurlien H, Plis S, et al. Automated interpretation of clinical electroencephalograms using artificial intelligence. JAMA Neurol, 80:805–812, 2023. doi: 10.1001/jamaneurol.2023.1645.
14. Yu S, El Atrache R, Tang J, et al. Artificial intelligence-enhanced epileptic seizure detection by wearables. Epilepsia, 64:3213–3226, 2023. doi: 10.1111/epi.17774.
15. Kerr WT, McFarlane KN. Machine Learning and Artificial Intelligence Applications to Epilepsy: a Review for the Practicing Epileptologist. Springer Natura.2023;23:869-879. doi: 10.1007/s11910-023-01318-7.
16. Lucas A, Revell A, Davis KA. Artificial intelligence in epilepsy— applications and pathways to the clinic. Nature Reviews Neurology. 2024;20:319-336. doi: 10.1038/s41582-024-00965-9.
17. Çağlıyan B, Köse U. Epilepsi EEG Verilerinin Makine Öğrenmesi Teknikleriyle Sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi. 2021;23:163-172. doi: 10.31590/ejosat.857507.
18. AbuAlrob MA, Mesraoua B. Harnessing artificial intelligence for the diagnosis and treatment of neurological emergencies: a comprehensive review of recent advances and future directions. Front Neurol, 2024;15:1485799.
19. Kousar T, Rahim MSM, Iqbal S, Yousaf F, Sanaullah M. Applications of deep learning algorithms in ischemic stroke detection, segmentation, and classification. Artificial Intelligence Review. 2025;58: 149. doi: 10.1007/s10462-025-11119-8.
20. Qi W, Zhu X, He D, et al. Mapping Knowledge Landscapes and Emerging Trends in AI for Dementia Biomarkers: Bibliometric and Visualization Analysis. J Med Internet Res, 2024;26:e57830.
21. Winchester LM, Harshfield EL, Shi L, et al. Artificial intelligence for biomarker discovery in Alzheimer’s disease and dementia. Alzheimers Dement, 19(12):5860–5871, 2023. doi: 10.1002/alz.13390.
22. Sadiq A, Yahya N, Tang TB, et al. Wavelet-based fractal analysis of rs-fMRI for classification of Alzheimer’s disease. Sensors, 22(9):3102, 2022. doi: 10.3390/s22093102.
23. Qiao J, Wang R, Liu H, et al. Brain disorder prediction with dynamic multivariate spatiotemporal features: application to Alzheimer’s disease and autism spectrum disorder. Front Aging Neurosci, 14:912895, 2022.
24. Valero, EP; Gordo, MÁL; Gutiérrez, CM; Muñoz, IC; Carrillo, RMV. (2022). A self-drivapproach for multi- class discrimination in Alzheimer’s disease based on wearable EEG. Computer Methods and Programs in Biomedicine, 220, 10684.
25. Miltiadous, A; Tzimourta, KD; Giannakeas, N; Tsipouras, MG; Afrantou, T; Ioannidis, P; Tzallas, AT. (2021). Alzheimer’s Disease and Frontotemporal Dementia: A Robust Classification Method of EEG Signals and a Comparison of Validation Methods. (2021). Diagnostics, 11(1437), 1-12.
26. Strijers, RLM, Scheltens, PH, Jonkman, EJ, Rijke, W, Hooijer, CH, Jonker, C. (1997). Diagnosing Alzheimer's Disease in Community-Dwelling Elderly: A Comparison of EEG and MRI. Dement Geriatr Cogn Disord, (8), 198-202.
27. Nithya VP, Mohanasundaram N, Santhosh R. Earlier detection of Alzheimer’s disease using 3D- convolutional neural networks. Comput Syst Sci Eng, 46:2601–2618, 2023.
28. Kühn AA, Volkmann J. “Innovations in deep brain stimulation methodology.” Mov Disord, 32:11–19, 2017.
29. Rosa M, Arlotti M, Ardolino G, et al. Adaptive deep brain stimulation in a freely moving parkinsonian patient. Mov Disord, 30:1003–1005, 2015.
30. Reddy A, Reddy RP, Roghani AK, Garcia RI, et al. Artificial intelligence in Parkinson’s disease: Early detection and diagnostic advancements. Elsevier. 2024; 99: 1568-1637. doi: 10.1016/j.arr.2024.102410.
31. Zhao A, LiuY, Yu X, Xing X. Artificial intelligence-enabled detection and assessment of Parkinson’s disease using multimodal data: A survey. Natural Science Foundation. 2025. doi: 10.48550/arXiv.2502.10703.
32. Petrušić I, Messina R, Pellesi L, et al. Application of machine learning in migraine classification: a call for study design standardization and global collaboration. J Headache Pain, 26:200, 2025.
33. Zhou S, Ma G, Luo H, et al. Identification of 5 potential predictive biomarkers for Alzheimer’s disease by integrating the unified test for molecular signatures and weighted gene coexpression network analysis. J Gerontol A Biol Sci Med Sci, 78(4):653–658, 2023. doi: 10.1093/gerona/glac179.
34. Migliozzi S, Oh Y, Hasanain M, et al. Integrative multi-omics networks identify PKCδ and DNA-PK as master kinases of glioblastoma subtypes and guide targeted cancer therapy. Nature Cancer, 4(2):181– 202, 2023.
35. Lam KHB, Leon AJ, Hui W, et al. Topographic mapping of the glioblastoma proteome reveals a triple- axis model of intra-tumoral heterogeneity. Nat Commun, 13:116, 2022.
36. Koszła O, Stępnicki P, Zięba A, et al. Current approaches and tools used in drug development against Parkinson’s disease. Biomol Ther, 11:897, 2021.
37. Yao C, Shen Z, Shen L, et al. Identification of potential Jnk3 inhibitors: a combined approach using molecular docking and deep learning-based virtual screening. Pharmaceuticals, 16:1459, 2023.
38. Wang B, Han X, Zhao Z, et al. EEG-driven prediction model of oxcarbazepine treatment outcomes in patients with newly-diagnosed focal epilepsy. Front Med (Lausanne), 8:781937, 2021.
39. Croce P, Ricci L, Pulitano P, et al. Machine learning for predicting levetiracetam treatment response in temporal lobe epilepsy. Clin Neurophysiol, 132:3035–3042, 2021.
40. Falet JR, Durso-Finley J, Nichyporuk B, et al. Estimating individual treatment effect on disability progression in multiple sclerosis using deep learning. Nat Commun, 13:5645, 2022.