xGNN4MI: kardiyovasküler hastalık sınıflandırması için 12-derivasyonlu elektrokardiyografide (EKG) grafik sinir ağlarının açıklanabilirliği

Kalp sağlığı açısından neden önemli

Kalp krizleri ve diğer kalp hastalıkları dünya çapında önde gelen ölüm nedenleri arasında yer almaya devam ediyor ve sorunları tespit etmek için standart test, tanıdık dalgalı çizgi olan elektrokardiyogram (EKG)dir. Doktorlar bu sinyalleri okumada yapay zekâya giderek daha fazla başvuruyor, ancak birçok yapay zekâ aracı şeffaf olmayan kara kutular gibi davranıyor; karar veriyorlar ama süreçlerini göstermiyorlar. Bu çalışma, modern yapay zekânın gücünü korurken klinisyenlerin akıl yürütmesini görünür ve doğrulanabilir kılmayı amaçlayan xGNN4MI adlı yeni bir yaklaşımı tanıtıyor.

Atımlardan bağlantılı sinyallere

Bir EKG tek bir bakış açısından gelmez: göğüs ve ekstremitelere yerleştirilen on iki farklı derivasyon kalbin elektriksel aktivitesine biraz farklı perspektifler sağlar. Her biri kalp kasının ve kanlanmasının farklı bir bölgesine duyarlıdır. Yazarlar bu çoklu derivasyon kaydını bir ağa dönüştürüyor; her düğüm bir derivasyonu temsil ediyor ve bağlantılar bu sinyallerin zaman içinde birbirleriyle nasıl ilişkili olduğunu yakalıyor. On saniyelik EKG’yi daha kısa parçalara bölüp aynı derivasyonu parçalar boyunca birbirine bağlayarak elektrotların vücuttaki konumunu ve kalp atışının atımdan atıma nasıl geliştiğini yansıtan bir yapı kuruyorlar. Bu ağ, basit ızgaralar veya listeler yerine bağlı veri ağları üzerinde çalışmak üzere tasarlanmış bir yapay zekâ türü olan grafik sinir ağına girdi oluyor.

Kalp krizlerini okumak ve yerini belirlemek için yeni bir boru hattı

EKG’nin bu ağ görünümünü kullanarak ekip xGNN4MI adını verdikleri açık kaynaklı bir boru hattı tasarladı. Ham sinyallerden tanıya kadar tüm süreci yönetiyor: EKG grafiğini oluşturma, grafik sinir ağını eğitme ve ardından modelin tahminlerini nasıl yaptığına dair açıklama sağlama. Sistemi iki zorlu görevde test ettiler. İlk olarak, EKG’leri beş geniş tanı grubuna ayırması gerekiyordu; örneğin normal ritim, kalp krizi veya iletim bozuklukları gibi. İkinci olarak, bir adım daha ileri giderek bir kalp krizinin kalbin neresinde meydana geldiğini belirlemeliydi; ön duvarda (anteroseptal) veya alt duvarda (inferior) hasarı ayırt edebilmesi gerekiyordu. Model büyük bir açık EKG koleksiyonunda eğitildi ve ardından yeni hastalara nasıl genellediğini görmek için ayrı bir popülasyon tabanlı çalışma ile sınandı.

Sistemin performansı ne kadar iyi

Geniş gruplandırma görevinde model yaklaşık onda yedi doğruluk oranına ulaştı; özellikle normal kayıtları ve belirgin kalp krizlerini tanımada güçlü performans gösterdi. Görüntüleri daha çeşitli olan bazı kategoriler—örneğin kalp kası kalınlaşması veya iletim bozuklukları—daha temiz ayrıştırılamadı; muhtemelen bu kategoriler birden fazla altta yatan sorunu kapsadığı için. Kalp krizi yerini tespit etme gibi daha ayrıntılı görevde ise performans arttı: sistem ana veri setinde ağırlıklı F1 skoru yaklaşık 0.8 civarındaydı ve dış kohorta genelleme yeteneğini iyi gösterdi. Özellikle klasik inferior ve anteroseptal paternleri tanımada güvenilirdi. Ancak dış çalışmada gerçekten sağlıklı kalpleri tanımada daha fazla zorlandı; bu, QRS süresi gibi atımların aktivasyonunda geçen süre gibi verisetleri arasındaki ince farklılıkların iyi eğitilmiş modelleri bile yanıltabileceğinin bir işaretiydi.

Yapay zekânın "neye baktığını" görmek

xGNN4MI’nin merkezi vaadi yalnızca bir sonuç vermek değil, aynı zamanda hangi EKG grafiği parçalarının en önemli olduğunu göstermektir. Yazarlar, her tahmin için en etkili derivasyonları ve bağlantıları vurgulamak amacıyla GNNExplainer adlı bir yöntem kullandılar. Model bir EKG’yi anteroseptal infarktüs olarak etiketlediğinde en önemli düğümler göğüs derivasyonları V1 ile V3 arasındaydı; bu, bu derivasyonların kalbin ön duvarını izlediğine dair ders kitaplarındaki öğretiyle örtüşüyor. İnferior kalp krizlerinde model II, III ve aVF derivasyonlarına odaklandı; bu da geleneksel kriterleri yansıtıyor. İlginç olarak, rutin okumada sıklıkla göz ardı edilen bir ekstremite derivasyonu olan aVR, bazı inferior vakalarda alışılmadık şekilde önemli çıktı; bu, bu derivasyondaki değişiklikleri daha ciddi komplikasyonlarla ilişkilendiren daha yeni klinik raporları yankılıyor. Normal EKG’ler ise tek bir hasarlı bölge yokluğuna uygun biçimde önem dağılımının daha dengeli olduğunu gösterdi.

Sınırlamalar ve gelecekteki yönelimler

Açıklamalar yerleşik kardiyoloji bilgileriyle iyi örtüşse de mevcut sınırlara da dikkat çektiler. Açıklanabilirlik yöntemi genellikle bağlı derivasyon kümelerine odaklanma eğiliminde ve uzak ilişkileri veya ince zamanlamayı tam olarak yakalamıyor; oysa bunlar klinik olarak önemli olabilir. Model ayrıca tek bir baskın etiketle çalışıyor ve henüz gerçek hastalarda sık görülen koşullar karışımını yansıtmıyor. Yazarlar, gelecekte zamanla daha iyi başa çıkabilen daha gelişmiş açıklama araçlarının kullanılabileceğini, çoklu etiketli tanıların dahil edilebileceğini ve grafik yapısının belirli kalp hastalıklarına göre uyarlanabileceğini öneriyorlar. Yine de kodu açıkça paylaşarak, her tasarım seçimini belgeleyerek ve modellerinin EKG’nin klinik olarak anlamlı bölgelerine odaklandığını göstererek xGNN4MI, doktorların kullanabileceği ve güvenebileceği yapay zekâ araçlarına doğru somut bir adım sunuyor.

Hastalar ve klinisyenler için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma bir yapay zekâ asistanının EKG yorumunda hem kalp krizlerini tespit edebileceğini hem de bunların nerede olduğunu önerebileceğini ve aynı zamanda insan uzmanların güvendiği aynı derivasyonlara işaret edebileceğini gösteriyor. Henüz bir kardiyoloğun yerini alacak düzeyde olmasa da bu çerçeve, güçlü grafik tabanlı yapay zekânın daha şeffaf hâle getirilebileceğini ve tıbbi bilgiyle karşılaştırılabileceğini gösteriyor. Daha da geliştirilip doğrulanırsa, bu tür araçlar yoğun ya da kaynak kısıtlı ortamlarda daha az deneyimli klinisyenlere yüksek riskli kalp krizlerini hızla işaret ederek karar sürecinin görsel bir izini sağlayabilir.

Atıf: Maurer, M.C., Hempel, P., Steinhaus, K.E. et al. xGNN4MI: explainability of graph neural networks in 12-lead electrocardiography for cardiovascular disease classification. npj Digit. Med. 9, 256 (2026). https://doi.org/10.1038/s41746-026-02367-1

Anahtar kelimeler: elektrokardiyogram AI, grafik sinir ağları, miyokard enfarktüsü, açıklanabilir yapay zeka, kardiyovasküler tanı