Açıklanabilir Yapay Zekâ ile Benign Paroksismal Pozisyonel Vertigo Tanısında Karar Destek Sisteminin Geliştirilmesi

Abstract

Benign Paroksismal Pozisyonel Vertigo (BPPV), belirli baş hareketleriyle ortaya çıkan kısa süreli baş dönmesi ataklarıyla kendini gösteren yaygın bir periferik vestibüler bozukluktur. Erken tanı, hastaların yaşam kalitesini artırmak ve tedavi sürecini belirlemek açısından kritik önemdedir. Tanı süreci, özellikle nistagmusa ilişkin istemsiz ve ritmik göz hareketlerinin dikkatli değerlendirilmesine bağlıdır. Ancak, göz kapakları veya kirpiklerden kaynaklanan gölgeler gibi çevresel etkiler mevcut tanı yöntemlerinin etkinliğini azaltabilmektedir. Bu çalışma, BPPV tanısında doğruluğu artırmak için en etkili segmentasyon yöntemini araştırmıştır. Bu amaçla YOLOv8, YOLOv11 ve YOLOv12 modelleri kullanılmış; ek olarak Segment Anything Model 2 (SAM2) de karşılaştırmaya dahil edilmiştir. Hareket örüntülerini incelemek için BPPV vakalarına ait video verisine optik akış analizi uygulanmış, elde edilen veriler CNNGRU hibrit modeliyle dört nistagmus türüne ayrılarak sınıflandırılmıştır. Hekimin karar sürecini desteklemek amacıyla, modele Yavaş Faz Hızı (Slow Phase Velocity, SPV) değerlerine dayalı bulanık mantık yapısı entegre edilmiştir. Analizler, SAM2 tabanlı segmentasyon yaklaşımının %94 doğruluk ile en yüksek başarıyı sağladığını ve sistemin hem teknik doğruluk hem de açıklanabilirlik açısından güçlü bir potansiyel sunduğunu göstermiştir.

Benign Paroxysmal Positional Vertigo (BPPV) is a common peripheral vestibular disorder characterized by short episodes of dizziness triggered by specific head movements. Early diagnosis is critical for improving patients’ quality of life and guiding appropriate treatment. The diagnostic process largely depends on the careful evaluation of involuntary and rhythmic eye movements associated with nystagmus. However, environmental factors such as eyelid or eyelash shadows may reduce the effectiveness of current diagnostic methods. This study aimed to identify the most effective segmentation method to improve diagnostic accuracy in BPPV. For this purpose, YOLOv8, YOLOv11, and YOLOv12 models were employed, and the Segment Anything Model 2 (SAM2) was also included for comparison. To analyze motion patterns, optical flow was applied to video data of BPPV cases, and the extracted features were classified into four types of nystagmus using a CNN-GRU hybrid model. To support clinical decision-making, a fuzzy logic structure based on Slow Phase Velocity (SPV) values was integrated into the model. The analyses revealed that the SAM2-based segmentation approach achieved the highest accuracy with 94%, demonstrating strong potential in terms of both technical reliability and explainability.