Doğru kalp ritim bozukluğu tespiti için RanA optimizasyonlu verimli bir derin CNN tabanlı BiLSTM çerçevesi

Neden daha akıllı kalp kontrolleri önemli

Kalp ritmi problemleri veya aritmiler, dünya çapında ani hastalık ve ölümlerin başlıca nedenlerinden biridir. Bugün doktorlar tehlikeyi tespit etmek için büyük ölçüde elektrokardiyogramlara (EKG’ler) —monitörde görülen tanıdık dalgalı çizgilere— güvenir. Ancak uzun EKG kayıtlarını gözle okumak yavaş, yorucu ve özellikle tehlikeli olaylar kısa veya belirsiz olduğunda kolayca yanıltıcı olabilir. Bu makale, geniş EKG kayıtlarını tarayabilen ve iki önemli durumu —atriyal fibrilasyon ve konjestif kalp yetmezliğini— çarpıcı bir doğrulukla tespit edebilen yeni bir yapay zeka sistemini anlatıyor; bu da sürekli, gerçek zamanlı kalp izlemesini çok daha güvenilir hale getirebilir.

Farklı kalp ritimleri, farklı riskler

Tüm kalp ritimleri aynı değildir. Atriyal fibrilasyon (AF), kalbin üst odacıklarında düzensiz ve genellikle hızlı bir ritimdir ve felç ile kalp yetmezliği riskini önemli ölçüde artırır. Konjestif kalp yetmezliği (CHF) ise kalbin yeterince kan pompalayamadığı kronik bir durumdur; yorgunluk, sıvı birikimi ve tedavi edilmezse ölümle sonuçlanabilir. Buna karşılık, normal sinüs ritmi (NSR) kalbin doğal pilinin ürettiği düzenli vuruştur. Yazarlar iki pratik soruya odaklanır: Bilgisayar yalnızca EKG verisini kullanarak AF’i NSR’den ve CHF’i NSR’den güvenilir şekilde ayırt edebilir mi? Bunun çözülmesi, yüksek riskli hastaların daha erken teşhisine, daha yakın izlemesine ve gizli uyarı işaretlerine daha hızlı müdahaleye yardımcı olur.

Makinelere kalp atışlarını okumayı öğretmek

Modern EKG kayıtları kişi başına milyonlarca veri noktası içerebilir. Bu sayı denizinden yararlı desenleri elle seçmek neredeyse imkansızdır. Bu nedenle araştırmacılar çok aşamalı bir derin öğrenme hattı kurarlar. Önce PhysioNet deposundan üç iyi bilinen EKG veri kümesini toplarlar: AF kayıtları, CHF kayıtları ve normal ritme sahip kişilerin kayıtları. Ardından, bu uzun sinyalleri bilgisayarın verimli analiz edebilmesi için daha kısa segmentlere bölerler. Sonra, kapsül ağı (Capsule Network) olarak adlandırılan bir sinir ağı türü kullanarak her segmenti kalp atışının genel şekil ve yapısını koruyacak şekilde daha küçük bir sayı kümesine sıkıştırırlar. İstatistiksel testler, bu adımın ana bileşen analizi gibi standart boyut indirgeme yöntemlerinden daha iyi bir şekilde hasta ritimlerini normal ritimlerden ayırdığını gösterir.

En belirleyici sinyal ipuçlarını bulmak

Sıkıştırmadan sonra bile EKG segmentlerinin birçok özelliği hâlâ gereksiz veya hastalıkla zayıf ilişkili olabilir. En önemli olanlara odaklanmak için ekip, EfficientNet B3, ResNet152, DenseNet201 ve VGG19 gibi birkaç güçlü görüntü-uyumlu sinir ağını akıllı filtreler olarak uygular. Bu ağlar başlangıçta resimlerdeki nesneleri tanımak için tasarlanmıştı; burada ise AF, CHF ve normal vuruşları en iyi ayırt eden EKG özelliklerini sıralamak için yeniden kullanılırlar. Bunlar arasında EfficientNet B3 öne çıkar. Ağ derinliği ve genişliğini dengeleyerek yalnızca en bilgilendirici desenleri vurgular ve tutarlı şekilde hastalık etiketleriyle daha güçlü bağlantılı ve sağlıklı ile sağlıksız ritimler arasında daha iyi ayrım sağlayan özellikler üretir.

Zamansal ritmi dinlemek

Kalp sinyalleri birer dizi olarak açığa çıktığı için nihai karar sıralı verilerden öğrenmede iyi bir model tarafından verilir: çift yönlü uzun-kısa dönem belleğe sahip ağ, yani BiLSTM. Bu model, bir segmenti hem ileri hem geri yönde “dinleyerek” aritmiyi işaret edebilecek ince zamanlama ilişkilerini yakalar. Ek performans elde etmek için yazarlar bu modelin birçok iç ayarını Randomized Adam (RanA) adını verdikleri bir stratejiyle ayarlar; bu strateji öğrenme sürecine kontrollü rastgelelik enjekte eder. Bu, sistemin kötü çözümlerde takılmasını önlemeye yardımcı olur ve yeni hastalara genelleme yapma yeteneğini artırır. Araştırmacılar tam kurulumu on katlı çapraz doğrulama ve %70/%30 eğitim-test bölünmesiyle titizlikle test ederler.

Pratikte ne kadar iyi çalışıyor?

Optimizasyondan sonra, birleşik EfficientNet B3 + BiLSTM + RanA sistemi çarpıcı performans elde eder. AF’i normal ritimden %99,48 oranında doğru ayırt ederken, CHF’i normal ritimden %99,32 oranında doğru ayırt eder—önceki çalışmalarda bildirilen en iyi sonuçlarla hafifçe daha iyi veya karşılaştırılabilir düzeyde. Dengesiz tıbbi veriler için özellikle önemli olan F1 skoru, Matthews korelasyon katsayısı ve ROC eğrisi altındaki alan gibi ölçütlerin tümü ideal değerlere çok yakın çıkar. Aynı zamanda model her EKG segmentini sadece birkaç milisaniyede işler ve nispeten mütevazı sayıda parametre kullanır; bu da ileride giyilebilir cihazlarda veya yatak başı monitörlerde çalışabileceğini düşündürür. Yazarlar yaklaşımın çok çeşitli aritmileri kapsayacak şekilde genişletilmesi, daha gürültülü sinyallerle başa çıkılması ve hesaplama karmaşıklığının daha da azaltılmasının bir sonraki önemli adımlar olduğunu not ederler.

Hastalar ve doktorlar için anlamı

Bir uzman olmayan için temel mesaj basittir: bu çalışma, dikkatle tasarlanmış bir derin öğrenme sisteminin EKG verileri üzerinde son derece doğru bir “ikinci göz” görevi görebileceğini gösteriyor. Tehlikeli düzensiz ritimleri ve kalp yetmezliği belirtilerini otomatik olarak normal vuruşlardan ayırarak ve bunu neredeyse gerçek zamanlı yaparak, bu tür araçlar klinisyenleri daha erken uyarabilir, evde sürekli izlemeyi destekleyebilir ve sessiz ama ciddi bir sorunun farkedilmeden kalma olasılığını azaltabilir. Daha geniş, gerçek dünya ortamlarında ek doğrulamaya ihtiyaç olsa da, çalışma gelişmiş algoritmaların arka planda kalp atışlarımızı sessizce taradığı, hem hastalara hem de doktorlara daha erken uyarılar ve daha fazla iç huzuru sağlayan bir geleceğe işaret eder.

Atıf: Manivannan, G.S., Talawar, S.V., Vasundhara, M.G. et al. An efficient deep CNN based BiLSTM framework with RanA optimization for accurate cardiac arrhythmia detection. Sci Rep 16, 7156 (2026). https://doi.org/10.1038/s41598-026-38227-x

Anahtar kelimeler: kalp ritim bozukluğu, elektrokardiyogram, derin öğrenme, atriyal fibrilasyon, kalp yetmezliği