Derin öğrenme modellerinin kardiyovasküler hastalık tanısı ve sınıflandırmasında karşılaştırmalı değerlendirmesi

Neden daha akıllı kalp kontrolleri önemli

Kalp hastalıkları hâlâ dünyanın bir numaralı ölüm sebebi; fakat tehlikeyi haber veren sinyaller çoğunlukla bir elektrokardiyogramın (EKG) küçük dalgalanmalarında saklıdır. Hekimler bu izleri okuyabiliyor, ancak göze bakarak yapmak yavaş, yorucu ve özellikle hastane monitörlerinden ya da giyilebilir cihazlardan binlerce kalp atışı aktığında ayrıntıların gözden kaçmasına yatkın. Bu çalışma, yapay zekânın EKG okumada uzman performansını yakalayıp yakalamadığını değil, aynı zamanda günlük klinik cihazlarda ve hatta kompakt aletlerde gerçek zamanlı çalışabilecek kadar düşük hesaplama gereksinimiyle bunu yapıp yapamayacağını araştırıyor.

Sayısal çağda kalp atışını okumak

Kardiyovasküler hastalıklar, kalp krizi ve kalp yetmezliğinden ritim bozuklukları ve kapak hastalıklarına dek geniş bir yelpazeyi kapsar. Birlikte, dünya çapındaki ölümlerin yaklaşık üçte birine yol açarlar. EKG, kalbin elektriksel aktivitesini gerçek zamanlı kaydettiği için bu koşulları erken fark etmekte tıbbın en ucuz ve en yaygın araçlarından biridir. Yine de modern sağlık hizmetleri artık insan uzmanların rahatça inceleyebileceğinden daha fazla EKG verisi üretiyor. Yazarlar, bu sinyal selini ayıklamak, erken uyarı işaretlerini öne çıkarmak ve hekimleri ikame etmeden desteklemek için akıllı bilgisayar sistemlerine ihtiyaç olduğunu savunuyor.

Makinelere hasta kalbi tanımayı öğretmek

Araştırmacılar, PTB-ECG veri seti olarak bilinen herkese açık bir EKG koleksiyonuna yöneldi; bu veri tabanı 17 ila 87 yaşları arasındaki 290 kişiden çeşitli kalp koşullarına ilişkin kayıtlar içeriyor. Her kayıt ayrıntılı klinik bilgilerle ilişkilendiriliyor ve EKG’ler kalp krizi, kalp yetmezliği, ritim sorunları, kapak hastalığı gibi sekiz hastalık grubuna ve sağlıklı vakalara ayrılmış durumda. Sinyalleri görüntülere dönüştürmek yerine ekip, EKG dalga formlarını doğrudan çeşitli derin öğrenme model türlerine verdi; bunlar konvolüsyonel ağlar, hafızaya dayalı ağlar ve bu güçlü yönleri birleştiren hibritlerdi. Tüm modeller aynı görevle karşılaştı: yalnızca elektriksel örüntüden hastanın muhtemel hangi kalp sorunu olduğunu belirlemek.

Güçlü modelleri taşınabilir hâle getirmek

Temel zorluk sadece doğru olmak değil, aynı zamanda hafif kalmaktı. Yüksek performanslı birçok yapay zekâ modeli ciddi hesaplama gücü gerektirir; bu ise yatak başı monitörleri, ambulanslar veya giyilebilir cihazlar için pratik değildir. İş yükünü azaltmak için yazarlar önce EKG’leri temizledi, yavaş kaymaları ve gürültüyü filtreledi ve örnekleme hızını düşürdü. Ardından dalga dönüşümü (wavelet transform) adı verilen matematiksel bir teknik kullanarak her kalp atışını hâlâ önemli ayrıntıları koruyan sıkı sayısal özelliklere indirdi. Ayrıca bazı hastalıkların diğerlerinden daha nadir olduğu dengesiz veri sorununu, eğitim setinde az temsil edilen durumların özenle sentezlenmiş örneklerini oluşturarak düzelttiler. Sinyal temizleme, akıllı özellik çıkarımı ve veri dengeleme kombinasyonu modellere çok daha küçük, daha bilgilendirici bir girdiyle çalışma imkânı sağladı.

Hangi dijital okuyucu en iyisiydi?

Ekip beş model ailesini karşılaştırdı: tek boyutlu sinyallere ayarlı bir konvolüsyonel ağ, klasik bir çok katmanlı algılayıcı (MLP), zaman dizilerinde uzmanlaşmış uzun kısa süreli bellek (LSTM) ağı ve konvolüsyonel katmanları ya bir algılayıcıya ya da bir LSTM’ye zincirleyen iki hibrit. Her yaklaşımı doğruluk, kesinlik, duyarlılık ve F1 skoru gibi tanıdık ölçütlerle ve kritik olarak modelin girdi başına kaç matematiksel işlem gerektiğini sayarak değerlendirdiler. Tüm modeller çok yüksek doğruluklara —%99’un üzerinde— ulaştı, ancak LSTM öne çıktı. Hastalıklı kalpleri tanımlamada neredeyse mükemmele yakın kesinlik ile adaylar arasında en düşük hesaplama yükünü birleştirerek, kalp atışının zaman içindeki evrimini izlemenin hem akıllı hem de verimli olabileceğini gösterdi.

Günlük bakım için anlamı nedir

Basitçe ifade etmek gerekirse, çalışma özenle tasarlanmış bir yapay zekâ sisteminin EKG’leri istisnai güvenilirlikle okuyabildiğini, bunun için güç tüketen bir süper bilgisayara ihtiyaç duymadığını gösteriyor. Hesaplamaları üç mertebe küçülterek yazarlar hızlı, pil dostu algoritmaların farklı kalp hastalıklarının ince imzalarını yakalayabileceğini ortaya koyuyor. Bu modeller arasında LSTM tabanlı model beyin ve kas gücü arasında en iyi dengeyi sundu; bu da onu gerçek zamanlı hastane izleme, taşınabilir tarayıcılar ve giyilebilir kalp yamaları için güçlü bir aday yapıyor. Daha büyük ve daha çeşitli hasta grupları üzerinde ek testlerle, böyle hafif ama doğru araçlar uzman düzeyinde kalp taramasını daha fazla klinik, ambulans ve eve taşıyabilir.

Atıf: Bhia, I., Soltanizadeh, S. & Shafik, W. Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification. Sci Rep 16, 12522 (2026). https://doi.org/10.1038/s41598-026-43543-3

Anahtar kelimeler: kardiyovasküler hastalık, elektrokardiyogram, derin öğrenme, tıbbi tanı, giyilebilir sağlık