Biyolojik olarak ilham alınmış nöromorfik‑XAI işbirliği: şeffaf ve düşük karbonlu sağlık zekâsı

İnsanlar ve gezegen için daha akıllı hastane teknolojileri

Hastaneler, kalp sinyallerini okumak, tehlikeli ritimleri tespit etmek ve doktorların kararlarını desteklemek için yapay zekâya yöneliyor. Ancak günümüzün güçlü algoritmaları sıklıkla kara kutu gibi davranıyor ve iklim hedefleriyle çelişen, enerjiye aç grafik işlemcilere ihtiyaç duyuyor; bu da elektrik kaynakları sınırlı kliniklerde baskı yaratıyor. Bu makale, klinisyenler için anlaşılır olmayı ve çok daha enerji verimli olmayı amaçlayan yeni bir tür kalp izleme sistemi öneriyor; hedef, daha güvenli ve daha düşük karbonlu dijital sağlık yolunu açmak.

Mevcut tıbbi yapay zekânın eksikleri

Modern tıbbi yapay zekâ, röntgenleri okumak veya anormal kalp atışlarını tespit etmek gibi görevlerde uzman performansına eşdeğer veya daha iyi sonuçlar verebiliyor. Yine de birçok model büyük veri merkezlerinde veya yüzlerce watt sürekli çeken üst düzey GPU’larda çalışıyor. Bir yoğun bakım ünitesinde, günün her saati çalışan tek bir GPU tabanlı sistem yılda 2.000 kilovatsaatten fazla tüketebilir. Aynı zamanda bu modeller genellikle sonuçlara nasıl ulaştıklarına dair az bilgi sağlıyor; bu da doktorlar ve düzenleyiciler için güven oluşturmayı zorlaştırıyor. Mevcut açıklama araçları yardımcı olabilir, fakat bunlar çoğunlukla ağır ek hesaplama gerektirdiğinden enerji kullanımı ve gecikmeyi daha da artırıyor.

Daha nazik hesaplama için beyin esinli bir yol

Yazarlar, biyolojik nöronların sürekli sinyaller yerine kısa elektriksel darbelerle iletişim kurmasını taklit eden donanım ve algoritma tarzı olan nöromorfik hesaplamayı araştırıyor. NEXAI‑Health çerçevesinde gelen elektrokardiyogram (EKG) kalp sinyalleri seyrek darbe akışlarına dönüştürülüyor; burada bilgi ağırlıklı olarak darbelerin ne zaman oluştuğu ile taşınıyor, yoğun sayısal değerlerle değil. Bu olay‑tetiklemeli tasarım, yalnızca gerektiğinde hesaplama yapılması anlamına geliyor; bu da sinyal değişse de değişmese de her zaman adım adım çalışan geleneksel çiplerle karşılaştırıldığında enerji kullanımını önemli ölçüde azaltma potansiyeli taşıyor.

Bu çerçeve içinde ekip, MIT‑BIH Arrhythmia Veritabanı’ndaki kalp atışlarını sınıflandırmaya yönelik sıçramalı sinir ağları (spiking neural networks) kuruyor. Kodlamayı, olası darbe olaylarının yalnızca yaklaşık yüzde 16’sının gerçekten ateşlenmesi şeklinde tasarlıyorlar; bu, ana kalp atış zirvesinin şekli ve atışlar arasındaki zamanlama gibi tıbbi açıdan önemli özellikleri koruma ile gereksiz aktiviteden kaçınma arasında bir denge sağlıyor. Simülasyonlar, bu seyrek, darbe tabanlı temsilin yüksek tanısal bilgi korumasını sürdürürken donanımın gerçekleştirmek zorunda olduğu işlem sayısını büyük ölçüde azaltabileceğini gösteriyor.

Makinanın kararlarını güvenilir kılmak

Kara kutu sorununu ele almak için yazarlar, entegre gradyanlar (integrated gradients) adlı bir açıklama tekniğini standart sayısal girdiler yerine darbe dizileri üzerinde çalışacak şekilde uyarlıyor. Uygulamada bu, sistemin kararını en güçlü şekilde etkileyen zaman noktalarını vurgulayan her kalp atışı için ısı haritaları üretiyor. Önemli olarak açıklamayı sonradan eklemek yerine modeli çalışmasının içine doğrudan örüyorlar ve açıklamanın ne kadar ayrıntılı olacağını enerji bütçesine göre ayarlıyorlar. Güç bol olduğunda sistem yüksek doğruluklu açıklamalar için çok sayıda ara adım kullanıyor; enerji kısıtlıysa daha kaba ama hâlâ bilgilendirici özetlere dönüyor. Testlerde bu açıklamalar EKG’nin keskin merkezi zirvesi ve toparlanma dalgası gibi klinik açıdan önemli bölgelerle iyi örtüştü ve bağlılık (faithfulness) açısından nicel ölçümlerde yüksek puanlar elde etti.

Gerçek dünya enerji sınırları etrafında tasarım

Modelin ötesinde, makale sürdürülebilir konuşlandırma için daha büyük bir ekosistem taslağı çiziyor. Nöromorfik motoru basit bir güneş enerjisi modeli ve bir batarya ile eşleştiriyor, ardından hangi hasta izleme görevlerinin çalıştırılacağına klinik aciliyet ve mevcut enerjiye göre karar veren bir zamanlama algoritması kullanıyor. 100.000’den fazla etiketli kalp atışı kullanılarak yapılan simülasyonlarda çerçeve yaklaşık yüzde 95 tanısal doğruluk elde etti—güçlü derin öğrenme karşıtlarından biraz daha iyi—aynı zamanda simüle edilmiş gecikme ve bellek kullanımını, mütevazı kenar sınıfı cihazlara sığacak şekilde azalttı. Yazarlar GPU tabanlı sistemlerle karşılaştırıldığında büyük enerji tasarrufları tahmin ediyor; ancak bu sayıların gerçek ölçümler değil, yayımlanmış nöromorfik çip özelliklerine dayanan projeksiyonlar olduğunu vurguluyorlar.

Geleceğin sağlık hizmeti için anlamı

Uzman olmayanlar için ana çıkarım, bu çalışmanın bitmiş bir ürün değil bir taslak olmasıdır. Çalışma, yazılım simülasyonlarında en azından beyin esinli bir modelin kalp sinyallerini doğru okuyabildiğini, doktor dostu görsel açıklamalar sunabildiğini ve teorik olarak bugünün ana akım yapay zekâsının tükettiği enerjinin yalnızca bir kısmında çalışabileceğini gösteriyor. Ancak yazarlar, hâlâ fiziksel bir nöromorfik cihaz inşa etmediklerini veya test etmediklerini ve klinik denemeler yapmadıklarını açıkça belirtiyorlar. Gerçek anlamda şeffaf, düşük karbonlu sağlık yapay zekâsı sunmak için gelecek çalışmalar bu tasarımları gerçek nöromorfik çiplere taşımalı, gerçek güç tüketimini doğrulamalı ve yatak başında güvenli, güvenilir performans sergilemelidir.

Atıf: Sungheetha, A., R., R.S., Balusamy, B. et al. Biologically inspired neuromorphic-XAI synergy for transparent and low-carbon healthcare intelligence. Sci Rep 16, 10049 (2026). https://doi.org/10.1038/s41598-026-39515-2

Anahtar kelimeler: nöromorfik hesaplama, açıklanabilir yapay zekâ, EKG aritmi, enerji verimli sağlık, düşük karbonlu tanı