Gemi segmentasyonu ve akış analizinde derin öğrenme: Fontan hasta kayıtlarındaki olumsuz sonuçlarla ilişkilendirilen kümelerin saptanması

Çocuklarda kalp akışını incelemenin önemi

Sadece bir çalışan kalp pompası ile doğan çocuklar, yetişkinliğe ulaşabilmek için genellikle Fontan adı verilen karmaşık bir ameliyat geçirirler. Bu hastalar yıllarca stabil görünebilir, ancak bazılarında daha sonra kalp ve karaciğeri etkileyen ciddi sorunlar gelişebilir. Hekimler, kalbin ve damarların zaman içindeki gerçek kan hareketini gösteren ayrıntılı MR filmlerini zaten topluyor, fakat bu zengin hareket verilerinin çoğu hiç kullanılmıyor. Bu çalışma, modern yapay zekânın bu gizli bilgiyi ölçekli biçimde açığa çıkarabileceğini gösteriyor; kan akışına ilişkin uzun vadeli sağlıkla bağlantılı desenleri ortaya koyuyor.

Binlerce taramayı kullanılabilir veriye dönüştürmek

Araştırmacılar FORCE kayıt sistemiyle çalıştı; bu, Fontan dolaşımına sahip 3.000'den fazla kişiye ait kardiyak MR incelemelerinin yer aldığı büyük uluslararası bir koleksiyon. Her inceleme, her kalp atışıyla anahtar damarlar boyunca kanın ne kadar hızlı aktığını izleyen özel filmleri içeriyor. Bu taramalardan öğrenebilmek için ekip önce her görüntü karesindeki damarları çizip zamanı içinde akışı ölçmek zorundaydı—bu, kesintisiz uzman çalışmayla yaklaşık bir yıl sürecek zahmetli bir elle çalışma olurdu. Bunun yerine, hangi damarın görüntülendiğini tanıyabilen ve beş ana yol için: aort ile akciğerlere gidip gelen dört büyük toplardamar ve atardamarın sınırlarını otomatik olarak çizebilen bir derin öğrenme modeli geliştirdiler.

Akıllı segmentasyon sistemi nasıl çalışıyor

Sistemin çekirdeği, her filmi kısa bir 3B blok olarak—iki mekânsal boyut artı zaman—analiz eden bir sinir ağıdır. Birinde anatomiyi gösteren, diğerinde hareket eden kanı vurgulayan iki MR sinyali versiyonunu alır ve uzmanların daha önce damarları elle izlediği 260 inceleme üzerinde eğitilmiştir. Model yalnızca yapıları çevrelemekle kalmaz; aynı zamanda hangi damarın hangisi olduğunu da öğrenir, bu süreçte görüntüleme sırasında tarayıcı operatörünün girdiği bilgilerden de yararlanır. Bu birleşik sınıflandırma ve segmentasyon tasarımıyla sistem, insan izlemeleriyle çok yüksek örtüşme sağladı ve özellikle burkulan ve değişken anatomiye sahip Fontan hastalarında bile test vakalarının neredeyse tamamında damar tipini doğru tanımladı.

Tüm uluslararası kayıt boyunca ölçeklendirme

Doğrulandıktan sonra model otomatik bir bulut hattına yerleştirildi ve 4.500'den fazla kayıt incelemesi üzerinde çalıştırıldı. Her tarama için akış filmlerini ayıkladı, beş hedef damarı segmentledi ve insan müdahalesi olmadan her kalp atışı için akış‑zaman eğrisi üretti. Uzmanlar daha sonra bu sonuçları kontrol etti ve beş damar mevcut olduğunda segmentasyonların yaklaşık %90'ının klinik kullanım için yeterli olduğunu buldu. Sistem özellikle kopyalanmış damarlar gibi olağandışı anatomilere sahip hastalarda biraz daha düşük performans gösterse de, temiz, zamanla değişen kan akışı ölçümlerinden oluşan daha önce ulaşılamayan devasa bir veri seti sağladı.

Sonuçlarla ilişkili gizli akış tiplerini bulmak

Binlerce akış eğrisi elde edildikten sonra ekibin ikinci derin öğrenme modeli, yalnızca kanın zaman içinde damarlardan nasıl aktığına dayanarak hastaların doğal kümelerini aradı. Bu model, akciğer atardamarları veya büyük toplardamarlardan alınan her çift eğrinin her birini kompakt bir iç temsile sıkıştırdı ve ardından hastaları farklı akış “fenotipleri”ne göre kümelere ayırdı. Bazı gruplarda dengeli, normal büyüklükte akışlar vardı; diğerlerinde toplam akış azalmış, bir akciğere hakim akış gözlemlenmiş veya akışın kalp atışının gevşeme fazına kaydığı durumlar vardı. Araştırmacılar daha sonra hastaları izlediler ve belirli akış desenlerinin, yaş, kalp pompalama gücü ve diğer standart ölçümler hesaba katıldıktan sonra bile ölüm, kalp nakli veya karaciğer hastalığı riskinin daha yüksek olmasıyla ilişkili olduğunu keşfettiler.

Gelecekte bakım için olası etkiler

Basitçe söylemek gerekirse, çalışma Fontan dolaşımı boyunca kanın nasıl aktığının—hangi damarların daha fazla veya daha az akış taşıdığı ve kalp atışının hangi anında—hangi hastaların ciddi komplikasyonlarla karşılaşma olasılığının olduğunu gösteren hayati ipuçları içerdiğini ortaya koyuyor. Yazarlar, yapay zekânın büyük arşivlerdeki ham MR filmlerini elle izleme veya elle hazırlanmış kurallar olmadan anlamlı akış profillerine ve risk gruplarına dönüştürebileceğini gösteriyor. Gelecekte böyle bir sistem, çocuğun MR’ından hemen sonra otomatik olarak çalışarak, akış desenleri yüksek risk gruplarını andıran vakaları işaretleyebilir ve doktorların takip, test veya hatta cerrahi planlama yapmasına yardımcı olabilir. Fontan hastalarının ötesinde, aynı yaklaşım diğer kalp durumlarına, hareket izleyen taramalara veya hatta EKG gibi günlük sinyallere uyarlanabilir; hastanelerin zaten topladığı ancak nadiren derinlemesine değerlendirdiği verilerin daha eksiksiz kullanılmasını sağlayabilir.

Atıf: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

Anahtar kelimeler: Fontan dolaşımı, kalp MRı, derin öğrenme, kan akışı desenleri, hasta risk sınıflandırması