Kardiyovasküler taramada ilerleme: SMOTE ve zamansal modelleme kullanarak derin öğrenme tabanlı kalp sesi sınıflandırması

Kalbi Yeni Bir Biçimde Dinlemek

Kalp hastalıkları dünyanın en büyük ölüm nedeni; buna rağmen birçok klinikte başlıca tarama aracı hâlâ doktorun kulağı ve basit bir stetoskoptur. Üfürüm adı verilen ince “hırıltı” sesleri tehlikeli kapak problemlerinin habercisi olabilir, ancak uzman merkezler dışında kolayca gözden kaçabilirler. Bu makale, bilgisayarların kaydedilmiş kalp seslerini analiz ederek üfürümleri daha doğru ve tutarlı şekilde saptayabilmesini araştırıyor; böylece uzman düzeyinde taramayı kalabalık kliniklere ve kaynak kısıtlı ortamlara taşıma potansiyeli doğuyor.

Kalp Sesleri Neden Önemli

Her kalp atışı, kapakların kapanması ve kanın kalpten akışı sırasında zengin bir ses dünyası üretir. Doktorlar bu sesleri yıllarca süren eğitimle yorumlamayı öğrenir; ancak deneyimli klinisyenler bile bazen fikir ayrılığı yaşayabilir ve birinci basamak hekimleri çoğu kez önemli ipuçlarını kaçırır. Aynı zamanda kardiyovasküler hastalıklar her yıl milyonlarca ölüme yol açar; bunların bir kısmı daha erken tespitle önlenebilir. Dijital mikrofonlar artık kalp seslerini kaydetmeyi kolaylaştırıyor, ancak bu dalgalı çizgileri güvenilir tanılara dönüştürmek; gürültü, hasta farklılıkları ve nadir ama kritik anormalliklerle başa çıkabilen akıllı algoritmalar gerektirir.

Ham Atımları Yararlı Örüntülere Dönüştürmek

Araştırmacılar, bir uzmanın dinlemesini taklit eden ancak makine hassasiyetiyle çalışan adım adım bir iş akışı kurdular. Önce otomatik olarak ana kalp olayı—“lub‑dub” tepe noktaları—tespit edilip kayıt, bu noktaların ortalandığı kısa, birer saniyelik parçalara bölünüyor. Bu, kardiyak döngünün doğal ritmini koruyor. Ardından her parçayı, insan işitmesinden esinlenen bir yöntemle perdeleri ve tonları özetleyen sıkıştırılmış bir tanımlamaya çeviriyorlar. Ham sesi doğrudan modele vermek yerine bu özütlenmiş desenleri girdi olarak kullanmak, bilgisayarın normal ve üfürüm sesleri arasındaki tıbbi olarak anlamlı farklara odaklanmasını kolaylaştırıyor.

Nadir Üfürümleri Dengelemek ve Zaman İçinde Öğrenmek

Gerçek kliniklerde, sağlıklı kalplerin kayıtları ciddi sorunlu kalplere kıyasla çok daha yaygındır. Bir bilgisayar çoğunlukla normal atımlardan öğrenirse her şeyi normal olarak etiketleyebilir ve kağıt üzerinde hâlâ doğru görünür. Bu tuzaktan kaçınmak için ekip, nadir üfürüm desenlerinin dikkatle oluşturulmuş sentetik örneklerini meydana getiren bir teknik kullanıyor; böylece veri kopyalamadan eğitim seti dengeleniyor. Aynı derecede önemli olarak, sistemin her anı ayrı ayrı ele almak yerine seslerin her kalp atışı boyunca nasıl geliştiğini anlamasına izin veren bir tür sinir ağı kullanıyorlar. Bu iki yaklaşım birlikte modelin anormalliklere karşı duyarlı ve hasta değişkenlikleri ile gürültüye karşı dayanıklı olmasını sağlıyor.

Adil Test Etme ve Gizli Kısayollardan Kaçınma

Tıbbi yapay zekâda sık görülen bir sorun, aynı hastanın kaydının yanlışlıkla hem eğitim hem test verilerini etkilemesiyle performansın gerçekçi olmayan biçimde iyi görünmesine neden olan “veri sızıntısı”dır. Yazarlar buna doğrudan karşı koyuyor; bir veri setinde veriyi kayıt düzeyinde, diğerinde hasta düzeyinde ayırarak aynı kişiye ait hiçbir parçanın her iki sette de bulunmadığından emin oluyorlar. Sistemlerini, üfürümlerin ne kadar yaygın olduğuna ve kayıtların ne kadar çeşitli olduğuna göre farklılık gösteren iki büyük, halka açık kalp sesi koleksiyonunda değerlendiriyorlar. Her iki veri setinde de model normal ile anormal kalp seslerini yaklaşık olarak 100 vakadan 99’unda doğru ayırt ediyor; çok az atlanan problem ve çok az yanlış alarm görüldü. Veriyi çoklu şekillerde karıştırarak yapılan ek kontroller, bu güçlü performansın tek bir şanslı bölünmenin sonucu olmadığını, kararlı olduğunu gösteriyor.

Günlük Bakım İçin Ne Anlama Gelebilir

Çalışma, dikkatle tasarlanmış dinleme algoritmalarının, daha sıkı ve daha gerçekçi test kuralları altında bile otomatik üfürüm tespiti için önceki birçok yaklaşımla eşleşebileceğini veya bunları aşabileceğini gösteriyor. Kalp atışlarının doğal zamanlamasına saygı göstererek, nadir ama kritik vakaları dengeleyerek ve verideki gizli kısayollara karşı korunarak yazarlar geleceğin dijital stetoskopları için sağlam bir şablon sunuyor. Gürültülü gerçek dünya ortamlarıyla başa çıkmak ve sistemin kararlarını doktorların daha kolay yorumlamasını sağlamak için daha fazla çalışma gerekse de bu çerçeve, küçük bir sensör ve akıllı bir modelin, hastaların nerede yaşadığına bakılmaksızın ön saflardaki kliniklerin tehlikeli kalp sorunlarını erken yakalamasına yardımcı olabileceği bir geleceğe işaret ediyor.

Atıf: Ameen, A., Eldesouky Fattoh, I., Abd El-Hafeez, T. et al. Advancing cardiovascular screening: deep learning-based heart-sound classification using SMOTE and temporal modeling. Sci Rep 16, 12063 (2026). https://doi.org/10.1038/s41598-026-45276-9

Anahtar kelimeler: kalp üfürümleri, dijital stetoskop, derin öğrenme, kardiyovasküler tarama, kalp sesi analizi