Otonom, sağlam kardiyovasküler aritmi tespiti yönünde: kendi kendine denetimli öğrenme ve 1-boyutlu görsel dönüştürücüler

Neden daha akıllı kalp izleyicileri önemli

Kalp hastalıkları dünyada en çok can kaybına yol açan neden olup, doktorlar artık her yıl yüz milyonlarca kalp kaydı yani EKG kaydı tutuyor. Bu kıvrımlı çizgiler tehlikeli ritim bozukluklarını ortaya çıkarabilir, ancak her birini uzmanların tek tek incelemesi imkansız. Bu makale, modern yapay zekânın çoğu insan tarafından etiketlenmemiş devasa EKG koleksiyonlarından doğrudan öğrenerek anormal ritimleri daha doğru, daha güvenilir ve günlük cihazlarda gerçek zamanlı izleme için yeterince hızlı şekilde nasıl tanıyabileceğini araştırıyor.

Etiketsiz kalp atışları okyanuslarından öğrenmek

EKG okumak için geleneksel bilgisayar sistemleri çok sayıda dikkatle etiketlenmiş örneğe ihtiyaç duyar ve gürültülü, gerçek dünya verileriyle karşılaştıklarında hâlâ zorlanırlar. Yazarlar bunun yerine hastaneler ve giyilebilir cihazların zaten ürettiği devasa bir kaynaktan yararlanıyor: hiç açıklama yapılmamış milyonlarca ham EKG kaydı. Modelin, sinyalin eksik parçalarını tahmin ederek normal ve anormal kalp aktivitesinin örüntülerini kendisinin öğrenmesini sağlayan bir yöntem tasarlıyorlar; bu eğitim tarzı kendi kendine denetimli öğrenme olarak biliniyor. Model önce 8,2 milyon etiketsiz kayıttan kalp atışlarının genel “dilini” öğrenerek ustalaşıyor; ardından çok daha küçük bir uzman-etiketli vaka setiyle ince ayar yapılarak çeşitli ritim sorunları tanımlanabiliyor.

Kalp atışı çizgilerini modelin anlayacağı parçalara dönüştürmek

Önceki yaklaşımların çoğu EKG sinyallerini görüntülere çevirip görüntü tabanlı sistemler kullanıyordu; bu yöntem alan israfına ve ince ayrıntıların bulanmasına yol açıyor. Bu çalışma veriyi doğal tek boyutlu biçiminde tutuyor. Yazarlar, her 10 saniyelik EKG’yi her lider boyunca küçük, yarım saniyelik “yamalara” bölen ve bunların yaklaşık %40’ını gizleyen PatchECG adlı bir model tanıtıyor. Modelin eğitim görevi, kalan bağlamdan eksik yamaları yeniden oluşturmak; bu, dalgaların ve ritimlerin zaman içinde nasıl geliştiğini öğrenmeye zorluyor. Bu strateji, kalp krizleriyle ilişkili segmentlerdeki çok küçük kaymalar gibi tanı için kritik olan ince değişiklikleri korurken sinyalleri düşük çözünürlüklü görüntülere sıkıştırmanın yol açtığı bilgi kaybından kaçınıyor.

Daha az hesaplama ile yerleşik yöntemleri geride bırakmak

Etiketsiz veriler üzerinde kendi kendine eğitimin ardından PatchECG birkaç gerçek tanısal görev için ince ayar yapılıyor: yaygın kullanılan bir değerlendirme veri setinde onlarca ritim ve yapısal problemi tanımak, birden çok açık veri setini birleştirerek bugüne kadarki en büyük etiketli EKG koleksiyonunu oluşturmak ve STEMI olarak adlandırılan tehlikeli bir kalp krizi türünü tespit etmek. Bu testlerin tümünde PatchECG; sofistike tekrarlayan ağlar ve görüntü tabanlı dönüştürücüler de dahil olmak üzere güçlü mevcut sistemlerle eşleşiyor ya da onları geçiyor; üstelik önde gelen bir rakibin yaklaşık beşte biri kadar hesaplama süresi kullanıyor. Model, farklı hasta grupları ve veri setleri arasında tahminlerinin ne kadar tutarlı olduğuyla özellikle etkileyici; belirsizlik aralıkları eski yaklaşımlara göre çok daha dar. Bu kararlılık, nihayetinde acil tedavi kararlarını yönlendirebilecek araçlara güven inşa etmek açısından önemli.

Dağınık veriler ve dengesiz durumlarla başa çıkmak

Gerçek EKG veri setleri kusursuz değildir: bazı tanılar nadirdir, birçok etiket belirsiz veya yanlış olabilir ve kayıtlar sıklıkla hareket ve elektriksel gürültü ile kirlenir. Yazarlar, kendi kendine denetimli eğitimin PatchECG’yi bu sorunlara karşı daha dayanıklı hale getirdiğini gösteriyor. Tanı bazında performansı incelediklerinde, etiketlerde uzman güveninin daha düşük olduğu sınıfların model için de daha zor olma eğiliminde olduğunu buluyorlar; bu da aracın şüpheli kayıtları insan incelemesine işaret etmek için kullanılabileceğini düşündürüyor. Ayrıca yalnızca ağın küçük bölümlerini güncelleyen modern ince ayar teknikleriyle ve test sırasında veri çoğullama yöntemleriyle denemeler yapıyorlar. Bu adımlar bir araya geldiğinde hesaplama maliyetini artırmadan ana doğruluk ölçülerinde 2 puandan fazla, mütevazı ama anlamlı bir iyileşme sağlıyor.

Gelecekteki kalp bakımına etkileri

Basitçe söylemek gerekirse, bu çalışma dikkatle tasarlanmış tek boyutlu bir yapay zekâ modelinin milyonlarca etiketsiz EKG’den kalbin ritimlerini öğrenebileceğini ve ardından bu bilgiyi tehlikeli sorunları hızlı ve verimli şekilde tespit etmek için uygulayabileceğini gösteriyor. Görüntülere dolanma yolundan kaçınarak PatchECG daha fazla tıbbi açıdan ilgili detayı koruyor ve daha hızlı çalışıyor; bu da onu hastane yataklarından akıllı saatlere kadar sürekli izleme sistemlerinde kullanılmak üzere güçlü bir aday yapıyor. Dağıtımdan önce klinik denemeler hâlâ gerekli olsa da, çalışma daha güvenilir, ölçeklenebilir ve geniş erişilebilir otomatik EKG analizleri için bir temel oluşturuyor; böylece hayatı tehdit eden aritmileri ölümcül hale gelmeden önce yakalamaya yardımcı olabilir.

Atıf: Chatterjee, M., Chan, A.D.C. & Komeili, M. Toward robust automated cardiovascular arrhythmia detection using self-supervised learning and 1-dimensional vision transformers. Sci Rep 16, 11793 (2026). https://doi.org/10.1038/s41598-026-41549-5

Anahtar kelimeler: elektrokardiyogram, aritmi tespiti, kendi kendine denetimli öğrenme, dönüştürücü modeller, tıp yapay zekâsı