Geometrik derin öğrenme ile sol karıncıkta kardiyak aktivasyonun hızlı tahmini: kardiyak resenkronizasyon terapisi planlamasına bir adım

Zorlanan bir kalp için zamanlama neden önemli?

Ciddi kalp yetmezliği olan birçok kişi için implante edilen bir cihazdan gelen küçük elektriksel darbeler, kalbin ana pompalama odacıklarının daha uyumlu şekilde kasılmasına yardımcı olabilir. Kardiyak resenkronizasyon terapisi olarak adlandırılan bu tedavi, semptomları hafifletebilir ve yaşam süresini uzatabilir. Ancak hastaların yaklaşık üçte biri çok az fayda görür; bunun sıkça nedeni, sol taraftaki pace teli için en iyi noktaya ulaşılamamasıdır. Bu çalışma, modern yapay zekâyla güçlendirilmiş bilgisayar modellerinin elektriksel aktivitenin sol tarafta nasıl yayıldığını hızla tahmin edip etmediğini ve doktorların her hasta için uygun pace konumlarını seçmesine yardımcı olup olamayacağını inceliyor.

Yavaş simülasyonlardan anlık tahminlere

Günümüzde kalbin en doğru bilgisayar modelleri, elektrik sinyallerinin kalp kası içinde nasıl yayıldığını taklit eden karmaşık denklemlere dayanır. Ayrıntılı olmalarına karşın, bu simülasyonların güçlü bilgisayarlarda çalışması dakikalar sürebilir—tıbbi bir işlem sırasında rutinde kullanılmak için çok yavaştır. Yazarlar, bu ağır simülasyonlardan öğrenebilen ve sonuçlarını neredeyse anında yeniden üretebilecek hızlı “sürgat” modeller oluşturmayı amaçladılar. Odak noktaları, kalbin ana pompalama odacığı olan sol karıncık ve bir kalp atımı sırasında bu odacığın farklı bölgelerinin elektriksel olarak ne kadar hızlı aktive olduğunu gösteren “aktivasyon zaman haritaları”nın tahminiydi.

Yapay zekâya kalp şekillerinin dilini öğretmek

Her insanın kalbi biraz farklı bir şekle sahiptir ve bu farklılıklar elektrik dalgalarının yayılışı açısından önemlidir. Tüm kalpleri katı bir ızgaraya zorlamak yerine, araştırmacılar düzensiz şekillerle doğrudan çalışabilen geometrik derin öğrenme adı verilen yöntemler ailesini kullandılar. İki ilgili yaklaşım geliştirdiler ve karşılaştırdılar. Biri, sol karıncığı bir ağ gibi bağlanmış noktalar koleksiyonu olarak ele alan bir grafik sinir ağına dayanıyordu. Diğeri, geometri-bilgilendirilmiş bir sinir operatörü olarak adlandırılan ve önce bu düzensiz şekli düzenli bir iç ızgaraya kodlayıp işleyen ve ardından sonucu orijinal anatomiye geri eşleyen yaklaşımdı. Her iki model de kalbin üç boyutlu şeklini, uyarım noktalarını ve dokunun elektrik iletkenliğini giriş olarak alır ve aktivasyonun kas duvarı boyunca nasıl yayıldığını tahmin eder.

Sanal bir kalp popülasyonu oluşturmak

Tam üç boyutlu aktivasyon haritalarına sahip geniş gerçek hasta veri koleksiyonları nadir olduğundan ekip kendi sanal veri setini üretti. Sağlıklı ve hastalıklı kalpleri kapsayan 75 gerçek sol karıncık şekliyle başlayıp istatistiksel bir şekil modeli kullanarak 35.000 sentetik varyant yarattılar. Her birine gerçekçi kas lifi yönleri atadılar, bir veya iki pace noktası seçtiler ve doku iletkenliğini geniş bir aralıkta değiştirdiler. Ayrıntılı fizik tabanlı simülasyonlar bu sanal kalplerin tümü için aktivasyon zaman haritaları üretti ve bunlar derin öğrenme modellerini eğitmek ve test etmek için kullanıldı. Modeller ayrıca daha yüksek çözünürlüklü ağlarla ve sentetik eğitim setinin ötesine nasıl genelleştiklerini görmek için iki bağımsız klinik kohorttan alınan sol karıncık geometrileri ile de sınandı.

Modeller ne kadar iyi performans gösterdi?

Eğitildikleri sentetik kalplere benzer sanal kalplerde her iki model de küçük hatalarla aktivasyon haritaları tahmin etti; ancak geometri-bilgilendirilmiş sinir operatörü yaklaşık iki kat daha doğruydu. Araştırmacılar gerçek dünya kalp şekillerine geçtiğinde her iki modelin hatası da arttı ve performansları birbirine yaklaştı. Bu, esas sınırlamanın algoritmaların gücü değil, basitleştirilmiş eğitim şekilleri ile gerçek hasta anatomisinin tam karmaşıklığı arasındaki uçurum olduğunu gösteriyor. Yine de modeller milisaniyeler içinde tahmin yapabildi—geleneksel bir simülasyonun gerektirdiği yaklaşık on dakikadan çok daha hızlı—bu da onları çok sayıda yinelemeli değerlendirme gerektiren görevler için, örneğin birçok olası pace noktasını taramak için çekici kılıyor.

Sanal bir planlama aracının test edilmesi

Ekip ardından eğitilmiş modelleri resenkronizasyon terapisi için kavramsal bir planlama iş akışına yerleştirdi. Bir sol karıncık şekli ve klinik ölçümleri taklit edecek şekilde gürültülü bir aktivasyon haritasından başlanarak iş akışı önce hastanın intrinsic pace noktasını ve doku iletkenliğini geri hesaplamaya çalıştı. Ardından ventrikül yüzeyinde toplam aktivasyon süresini minimize edecek ikinci bir pace konumu aradı; önceki çalışmalarda bu niceliğin daha iyi terapi yanıtıyla bağlantılı olduğu gösterilmişti. Her iki derin öğrenme modeli de gürültülü verilerden konuya özgü önemli parametreleri geri çıkarabildi ve aktivasyon süresini önemli ölçüde kısaltan pace konumları önerebildi; tüm bunlar tek bir grafik işlemcisinde onlarca saniye içinde gerçekleşti. Yazarlar ayrıca kullanıcıların geometrileri yükleyebileceği, pace senaryolarını keşfedebileceği ve bu optimizasyonu etkileşimli olarak çalıştırabileceği web tabanlı bir arayüz de geliştirdiler.

Bu hastalar için ne anlama geliyor?

Bu çalışma, dikkatle eğitilmiş derin öğrenme modellerinin birçok şekil ve pace düzeni boyunca sol karıncığın ayrıntılı elektriksel simülasyonlarını taklit edebileceğini ve planlama araçlarında kullanılacak kadar hızlı çalışabileceğini gösteriyor. Mevcut modeller sentetik eğitim verilerine dayanmakta ve yalnızca sol karıncaktaki elektriksel davranışı ele almakta olsa da, hem kalbin her iki tarafını hem de mekanik pompalama işlevini içeren daha kapsamlı dijital ikizlerin temelini atıyorlar. Daha zengin gerçek dünya verileri ve ek iyileştirmelerle, bu tür araçlar bir gün klinikte işlem yapmadan önce bilgisayar üzerinde birçok pace stratejisini test ederek her hastanın ritmini gerçekten geri getirecek cihaz konfigürasyonunu alma şansını artırabilir.

Atıf: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

Anahtar kelimeler: kardiyak resenkronizasyon terapisi, geometrik derin öğrenme, kardiyak elektrofizyoloji, hasta-özgü modelleme, dijital ikiz