MM-GradCAM: kardiyak aritmi tespiti için 1B ve 2B EKG verileriyle geliştirilmiş çok modlu GradCAM yöntemi

Bu kalp çalışması sizin için neden önemli

Düzensiz kalp atışları yani aritmiler bayılma, inme veya ani ölüme yol açabilir, ancak genellikle iş işten geçene kadar hiçbir uyarı belirtisi bırakmazlar. Doktorlar, kalp aktivitesini izleyen tanıdık sivri çizgiler olan elektrokardiyogramlara (EKG) güvenerek sorunları tespit ederler. Son yıllarda bilgisayar programları bu izleri okumada, bazen uzmanlarla yarışacak düzeye geldi. Ancak bunlar çoğu zaman şu kapalı kutu gibi çalışır: bir yanıt verirler ama bu yanıtı nasıl elde ettiklerini göstermezler. Bu çalışma, bu güçlü araçları daha şeffaf hale getirecek yeni bir yaklaşım sunuyor; doktorların bilgisayarın kararında hangi EKG bölümlerinin etkili olduğunu tam olarak görmesine yardımcı oluyor.

Karartılmış kutunun içini görmek

Birçok modern tıbbi yapay zeka sistemi, verideki desenleri otomatik olarak keşfeden ve el yapımı kurallara dayanmayan bir teknik olan derin öğrenmeyi kullanır. Bu genellikle doğruluğu artırsa da, karar verme sürecini gizler ki bu, hayatın söz konusu olduğu durumlarda ciddi bir endişe kaynağıdır. Güven inşa etmek için araştırmacılar, bir görüntüde veya sinyalde modelin kararını en çok etkileyen bölgeleri vurgulayan “açıklanabilir yapay zeka” yöntemlerine yönelmiştir. Bunlardan en yaygın kullanılanlardan biri Grad-CAM olarak adlandırılır; algoritmanın dikkat ettiği yerleri gösteren renkli örtüler—ısı haritaları—oluşturur. Ancak şimdiye dek bu açıklamalar genellikle yalnızca tek bir girdi türüyle sınırlıydı; örneğin yalnızca ham EKG sinyali veya yalnızca bir görüntü üzerinde çalışıyordu, ikisini birden kullanmıyordu.

Aynı kalp atışının iki görünümü

Bu çalışmada yazarlar, yaygın olarak kullanılan tek bir EKG kanalı olan II. Lead’e odaklandılar; bu kanal 10.000’den fazla hastayı içeren büyük bir açık veri tabanından alındı. Her 10 saniyelik kayıt iki farklı şekilde işlendi. Önce orijinal tek boyutlu formunda, zaman içinde voltajı izleyen basit bir çizgi olarak tutuldu. İkinci olarak ise gri tonlamalı bir resme dönüştürüldü—temelde bir EKG şeridinin çizimi görüntü olarak kaydedildi. Her iki form için de ekip, desen tanıma için yaygın bir mimari olan 17 katmanlı bir konvolüsyonel sinir ağına dayanan eşleşen derin öğrenme modelleri oluşturdu. Bir ağ 1B sinyalden, diğeri 2B görüntüden öğrendi ve her iki ağ da kalp atışlarını dört ritim grubuna ayıracak şekilde eğitildi: normal ritim, yavaş ritim, hızlı ritimler grubu ve atriyal fibrilasyonla ilişkili ritimler.

İki açıklamayı birleştirip tek hale getirmek

Eğitimin ardından araştırmacılar Grad-CAM’i ayrı ayrı sinyal tabanlı ve görüntü tabanlı modellere uyguladılar. 1B model için, ağın en çok odaklandığı EKG çizgisi üzerindeki renkli segmentler üretildi. Görüntü modelinde ise EKG resmindeki sıcak noktaları vurgulayan ısı haritaları oluşturuldu. MM-GradCAM (çok modlu Grad-CAM) adı verilen yeni yöntem, bu iki görünümü zaman ve mekânda hizalayarak tek bir açıklamada birleştirdi. Bu birleşik harita, birleştirilmiş EKG şeridi üzerinde hem zaman serisi ipuçlarını hem de görüntü tabanlı desenleri gösterir; yani yapay zekânın kararını hangi öğelerin etkilediğini aynı anda ortaya koyar. Bir kardiyolog birçok örneği inceleyerek vurgulanan bölgeleri, atriyal fibrilasyonda P dalgalarının eksikliği veya belirli hızlı ritimlerde çok düzenli hızlı atımlar gibi farklı ritimlerin bilinen özellikleriyle karşılaştırdı.

Sistem kalp atışını ne kadar iyi okuyor

Görülmemiş test hastalarında, görüntü tabanlı model ritimleri yaklaşık %97 doğrulukla sınıflandırdı; sinyal tabanlı model ise yaklaşık %93 doğruluk seviyesine ulaştı. Performans ritim tipine göre değişti ve görüntü modeli genellikle daha karmaşık veya daha ince desenlerde özellikle daha iyi performans gösterdi. Aynı zamanda birleştirilmiş MM-GradCAM haritaları her bir görünümün farklı katkılar sunduğunu gösterdi. Bazı atriyal fibrilasyonlu hastalarda sinyal tabanlı açıklama önemli bölgeleri kaçırırken, görüntü tabanlı harita normal dalgaların yok olduğu bölgelere doğru odaklandı. Diğer durumlarda, örneğin belirli hızlı ritimlerde, sinyal tabanlı harita daha net ve klinik açıdan anlamlı bir görünüm sağladı. Her ikisini birlikte sunarak MM-GradCAM, yalnızca tek giriş formu kullanılsaydı görünmeyecek güçlü ve zayıf yönleri ortaya koydu.

Gelecekteki kalp bakımına etkileri

Çalışmanın ana mesajı, bir bilgisayarın anormal kalp ritimlerini doğru tespit edebilmesinden ibaret değil—birçok sistem bunu zaten yapabiliyor—aynı zamanda bilgisayarın karar verme sürecinin insan uzmanlar için daha anlaşılır kılınabileceğidir. Sinyal ve görüntü tabanlı açıklamaları tek bir tutarlı görünümde birleştirerek MM-GradCAM, kardiyologlara yapay zekânın EKG’nin tıbben anlamlı bölümlerine “bakıp bakmadığını” kontrol etme yolu sunar. Bu, güveni artırabilir, hataları tespit etmeye yardımcı olabilir ve karmaşık ritimleri okumayı öğrenen stajyerler için öğretici bir araç olarak hizmet edebilir. Yöntemin daha çeşitli hasta gruplarında ve gerçek klinik iş akışlarında test edilmesi gerekiyor olsa da, güçlü yapay zekâ araçlarının yalnızca cevaplar vermekle kalmayıp aynı zamanda işlerini açıkça göstermesini sağlayacak bir geleceğe işaret ediyor.

Atıf: Murat Duranay, F., Murat, E., Yıldırım, Ö. et al. MM-GradCAM: an improved multimodal GradCAM method with 1D and 2D ECG data for detection of cardiac arrhythmia. Sci Rep 16, 7919 (2026). https://doi.org/10.1038/s41598-026-38654-w

Anahtar kelimeler: kardiyak aritmi, elektrokardiyogram, derin öğrenme, açıklanabilir yapay zeka, Grad-CAM