SimCardioNet ile otomatik çok sınıflı elektrokardiyogram sınıflandırması için hibrit öğrenme çerçevesi

Bilgisayarlara kalp atışlarını okutmanın önemi

Bir doktor elektrokardiyogram (EKG) istediğinde, kalp krizi, tehlikeli ritim bozuklukları ve hastalığın erken işaretlerini ortaya çıkarabilen kıvrımlı bir çizgi elde eder. Ancak bu izleri doğru okumak yıllarca eğitim gerektirir ve birçok hastanede—özellikle kaynakları kısıtlı yerlerde—yeterli sayıda kalp uzmanı yoktur. Bu çalışma, sınırlı miktarda uzman etiketli veri olsa bile EKG görüntülerini otomatik ve doğru biçimde okuyacak yeni bir yapay zeka sistemi olan SimCardioNet’i sunuyor. Sistem önce etiketlenmemiş EKG’lerden öğrenip sonra makul büyüklükteki etiketli örneklerle kendini iyileştirerek güvenilir ve hızlı EKG yorumlamayı günlük klinik uygulamaya daha yakın hale getirmeyi amaçlıyor.

Kağıt çıktılardan akıllı desen tanımaya

Birçok klinikte EKG’ler temiz dijital sinaller olarak değil, taranmış görüntüler veya kağıt çıktılar halinde saklanır. SimCardioNet bu görüntülerle doğrudan çalışacak şekilde tasarlanmıştır. Sistem önce her EKG resmini sabit bir boyuta standartlaştırır ve küçük döndürmeler, renk değişimleri, kırpmalar ve çevirmeler gibi gerçek dünyadaki baskı veya tarama varyasyonlarını taklit eden çeşitli ince değişiklikler uygular. Bu “augmentasyon”lu versiyonlar modelin hastaneler ve cihazlar arasındaki farklılıklara karşı dayanıklı hale gelmesine yardımcı olur; böylece model ızgara rengi veya sayfa düzeni gibi yüzeysel ayrıntılara değil, kalbin elektriksel desenlerine odaklanmayı öğrenir.

Modeli öğretmenin iki aşamalı yolu

Bilgisayara doğrudan teşhise atlamasını söylemek yerine, yazarlar iki aşamalı bir öğrenme süreci kullanır. İlk aşamada, öz denetimli öğrenme olarak adlandırılan bölümde modele çok sayıda etiketlenmemiş EKG görüntüsü gösterilir ve iki farklı görünümün aynı temel EKG’den gelip gelmediğini tanıması istenir. Bunu kontrastif öğrenme olarak bilinen bir yöntemle yapar: aynı kalp atışına ait görüntü çiftleri iç temsilde birbirine yaklaştırılırken, farklı hastalara ait çiftler birbirinden uzaklaştırılır. SimCardioNet, görüntüler için standart bir derin öğrenme yapıtaşı olan özel bir konvolüsyon katmanları yığını, derin ağların eğitimini kolaylaştıran residual bağlantılar ve her dalganın en bilgilendirici kısımlarına odaklanmaya yardımcı olan çok başlıklı bir dikkat (multi‑head attention) modülü kullanır.

Sistemi kalp durumlarını adlandırmak için ince ayarlama

Bu “denetimsiz” çalışma fazından sonra model EKG’lerin tipik görünümüne dair zengin bir anlayış kazanmış olur. İkinci aşamada, denetimli ince ayarlamada, modele uzmanın normal, kalp krizi, anormal kalp atışı veya geçmişte kalp krizi olarak etiketlediği EKG’ler ve daha büyük bir veri tabanında birkaç daha geniş hastalık grubu gibi etiketli örnekler verilir. Yazarlar ağın katmanlarını kademeli olarak “çözdürür”; önce yalnızca son katmanları eğitir, sonra daha önceki katmanların da ayarlanmasına izin verir. Bu dikkatli program, etiketlenmemiş veriden öğrenilen yararlı desenleri korurken bunları teşhis görevine uyarlamaya yardımcı olur. Son bir sınıflandırma modülü her EKG görüntüsünü bir dizi klinik olarak anlamlı kategoriden birine atar.

Pratikte ne kadar iyi çalışıyor?

Ekip SimCardioNet’i üç ayrı görüntü koleksiyonunda test etti. Pakistan hastanelerinden alınan dört sınıflı bir veri setinde sistem EKG’lerin yaklaşık %97,5’ini doğru sınıflandırdı; hassasiyet ve geri çağırma (recall) açısından da benzer derecede yüksek puanlar elde etti—yani hastalığı nadiren kaçırıyor ve nadiren yanlış alarm veriyordu. Harici bir Kaggle veri setinde test bölümünde kusursuz puanlar aldı; bu öğrenilen özelliklerin yeni kaynaklara iyi aktarıldığını gösterse de yazarlar böyle kusursuz sayıları bazen daha kolay bir görevi yansıtabileceği konusunda uyarıyor. Beş geniş teşhis grubuna sahip büyük ve yaygın kullanılan bir kıyaslama seti olan PTB‑XL’de model yaklaşık %92 doğruluk ve F1‑skoru elde ederek, uzmanlaşmış konvolüsyonel ve tekrarlı ağlar da dahil olmak üzere birkaç yakın tarihli derin öğrenme yaklaşımını geride bıraktı. Grad‑CAM gibi görselleştirme araçları modelin genellikle keskin QRS zirveleri ve ST segmentleri gibi klinik olarak ilgili dalgaformu bölgelerine dayanarak karar verdiğini gösterdi; yazarlar ayrıca ara sıra ortaya çıkan “kısayollar”ı (örneğin sayfa başlıklarına odaklanma) tespit edip bunlara yönelik düzeltmeler öneriyor.

Hastalar ve klinisyenler için anlamı

Uzman olmayan biri için ana mesaj, SimCardioNet’in makinelerin büyük, tamamen etiketlenmiş ve oluşturulması pahalı ve yavaş olan veri kümelerine ihtiyaç duymadan kalp izlerini doğru şekilde yorumlamayı öğrenebileceğini göstermesidir. Önce etiketlenmemiş EKG görüntülerinden genel yapıyı öğrenip ardından daha küçük bir etiketli setle bu bilgiyi iyileştirerek sistem, göreceli olarak verimli ve açıklanabilir bir biçimde güvenilir çok sınıflı tanı sunuyor. Böyle araçların rutin bakımda güvenilir kabul edilmesinden önce hastaneler, cihazlar ve hasta grupları arasında daha fazla test gerektiği halde, bu çalışma otomatik EKG okuma sistemlerinin bir gün hastaların triajını hızlandırmaya, aşırı yüklenmiş klinisyenleri desteklemeye ve kardiyologların az olduğu bölgelere uzman düzeyinde değerlendirme götürmeye yardımcı olabileceğini gösteriyor.

Atıf: Majid, M.D., Anwar, M., Bilal, S.F. et al. A hybrid learning framework for automated multiclass electrocardiogram classification with SimCardioNet. Sci Rep 16, 7621 (2026). https://doi.org/10.1038/s41598-026-36932-1

Anahtar kelimeler: elektrokardiyogram, derin öğrenme, öz denetimli öğrenme, kardiyovasküler hastalık, tıbbi görüntüleme