Sürekli kayıtlardaki bağırsak sesi olaylarının derin öğrenme tabanlı tespiti

Bağırsağa Yeni Bir Dinleme Biçimi

Doktorlar uzun zamandır karına stetoskop bastırarak bağırsakların ne kadar iyi çalıştığını değerlendirdi, ancak bu kısa ve öznel dinlemeler saatler boyunca olanların çoğunu kaçırır. Bu çalışma, modern yapay zekânın ince bağırsak seslerini sindirim aktivitesinin sürekli, nesnel bir sinyaline nasıl dönüştürebileceğini gösteriyor. Uzun ses kayıtları içinde küçük ses olaylarını tanımayı öğreten kompakt bir derin öğrenme sistemiyle, çalışma kalp atış hızı veya uyku takipçileri gibi arkaplanda sessizce bağırsak sağlığını izleyen giyilebilir cihazlara işaret ediyor.

Bağırsak Sesleri Neden Önemli?

Bağırsak sesleri rastgele gurultulardan daha fazlasıdır—bağırsaklardaki kasların ve sıvıların nasıl hareket ettiğini yansıtırlar. Sürekli ve invazif olmayan dinleme, ameliyat sonrası sindirimi izlemeye, hassas yenidoğanları takip etmeye veya hastalıkları erken dönemde tespit etmeye yardımcı olabilir; hem de kan testleri veya radyasyon gerektirmeden. Ancak yakın zamana kadar araştırmacıların büyük, iyi açıklamalı veri setleri ve sağlam algoritmaları yoktu. Önceki birçok sistem ya gürültüye karşı çok hassastı, kısa kliplerle sınırlıydı ya da yalnızca çok kısa bir zaman diliminde sesin varlığına odaklanıyordu, tüm gece kayıtları boyunca değil.

Güvenilir Bir Ses Kütüphanesi Oluşturmak

Çalışma, karın üzerinde temas mikrofonu kullanılarak 19 gönüllüden gece boyunca toplanmış, halka açık bir veri setine dayanıyor. Ses kaydı kısa segmentlere bölündü ve gastroenteroloji uzmanları tarafından birkaç bağırsak sesi türü, bağırsak dışı gürültüler ve sessizlik olarak etiketlendi. Analizden önce kayıtlar dikkatle temizlendi: sessiz arka plan kısımları bastırıldı, ses seviyesi normalize edildi ve sesler, enerjinin zaman içinde farklı perdeler arasında nasıl dağıldığını gösteren zaman–frekans görüntüsüne dönüştürüldü. Bu dönüşüm, sistemin bağırsak aktivitesinin ana desenlerini korumasına yardımcı olurken veriyi daha üniform ve bilgisayarın öğrenmesi için daha uygun hale getirdi.

Farklı Tonlar İçin İki Kulak

Çalışmanın temel fikirlerinden biri, bağırsak seslerinin düşük ve yüksek perdelerde farklı davranışlar sergilemesidir; bu nedenle yazarlar modeli aynı anda iki uzmanlaşmış kulakla "dinleyecek" şekilde tasarladı. Dönüştürülmüş ses, daha uzun ve daha yumuşak gurultuları yakalayan düşük bant ve kısa, daha keskin tıklama ve patlamaları yakalayan yüksek bant olarak ayrıldı. Her bant, kısa zaman aralıkları boyunca ve biraz daha uzun aralıklar boyunca desenleri arayan hafif tek boyutlu konvolüsyonel katmanlardan oluşan kendi işlem yoluna beslendi. Bir dikkat mekanizması daha sonra her anda hangi banda ne kadar ağırlık verileceğine karar verip bunları birleştirerek küçük bir zaman diliminde bir bağırsak sesi olayı bulunma olasılığına karşılık gelen tek bir olasılık üretti.

Küçük Anlardan Tüm Gece Değerlendirmelerine

Sistem önce çok kısa zaman dilimleri için kararlar üretti, ancak gerçek klinik soru genellikle bir bütün kaydın bağırsak aktivitesi içerip içermediği ve tespitin zaman içinde ne kadar kararlı olduğudur. Bu boşluğu kapatmak için araştırmacılar kare kare olasılıkları izole hataları gidermek için düzeltti ve ardından basit bir kural kullandı: bir kayıttaki herhangi bir kare yeterince yüksek bir bağırsak sesi olasılığına sahipse, tüm dosya bir olay içeriyormuş gibi işaretlendi. Bu "zaman üzerindeki maksimum" stratejisi, aralıklı yanlış sınıflandırmaların etkisini büyük ölçüde azalttı ve kısa ama gerçek seslere duyarlılığı korudu.

Sistemin Performansı Nasıl Oldu

Veriyi eğitim ve test setlerine bölmenin iki farklı yolunda model etkileyici derecede yüksek performans gösterdi. En küçük zaman dilimlerinde, bağırsak sesi olaylarını sessizlik veya diğer gürültülerden doğru ayırt etmede vakaların %98’inden fazlasında başarılı oldu; gerçek olayları yakalamayla yanlış alarmlardan kaçınma arasında güçlü bir denge vardı. Kararlar tüm kayıt düzeyine toplandığında doğruluk %99,8’in üzerine çıktı; bu da sistemin neredeyse hiç bir dosyanın bağırsak aktivitesi içerip içermediğini yanlış değerlendirmediği anlamına geliyor. Bu sonuçlar, kayıtların toplam zamanının yalnızca küçük bir kısmını oluşturan bağırsak seslerine rağmen aynı veri setinde test edilen önceki birçok derin öğrenme yaklaşımını geride bıraktı.

Günlük Bakım İçin Anlamı

Bir uzman olmayan için çıkarılacak sonuç, bilgisayarların artık uzun süreler boyunca bağırsakları olağanüstü bir güvenilirlikle dinleyebildiği ve arka plan gürültüsü denizinden anlamlı olaylar çıkarabildiğidir. Yöntem henüz farklı hastalıkları veya hasta gruplarını ayırt etmiyor; yalnızca bağırsak aktivitesinin mevcut olup olmadığını ve ne zaman olduğunu yanıtlıyor. Yine de bu sağlam temel, sindirimi gerçek zamanlı izleyebilecek akıllı kemerler, yamalar veya gömleklerin, doktorların iyileşmeyi takip etmesine yardımcı olmanın veya kronik bağırsak hastalıklarının evde yönetimini desteklemenin yolunu açıyor; tümü vücudun kendi iç soundtrack’ini sessizce dinleyerek mümkün olabilir.

Atıf: Çelik, Y. Deep learning-based detection of bowel sound events in continuous recordings. Sci Rep 16, 10595 (2026). https://doi.org/10.1038/s41598-026-47018-3

Anahtar kelimeler: bağırsak sesleri, derin öğrenme, gastrointestinal izleme, medikal akustik, giyilebilir sağlık