Çoklu görüntü derin öğrenme, ekokardiyografiden önemli kalp rahatsızlıklarının tespitini iyileştiriyor

Bu, kalp sağlığı için neden önemli

Her gün, kalp ultrason taramaları doktorlara kimin acil tedaviye ihtiyacı olduğunu, kimin güvenle taburcu edilebileceğini belirlemede yardımcı oluyor. Ancak bu taramalar kalbi birçok farklı açıdan yakalıyor ve hiçbir insan—ya da bilgisayar—her kareye mükemmel ayrıntıda bakamaz. Bu çalışma, uzman bir kardiyologun yaptığı gibi birden fazla hareketli görüntüyü aynı anda izleyebilen yeni bir yapay zekâ türünün, önemli kalp sorunlarını tespit etmede nasıl daha başarılı olabildiğini gösteriyor.

İki boyutlu filmlerle 3B bir organı görmek

Kalp üç boyutlu, sürekli hareket halinde bir organdır, ancak standart ekokardiyogramlar onu düz, iki boyutlu onlarca hatta yüzlerce film olarak kaydeder. Her görüntü farklı duvarları, odacıkları ve kapakları gösterir. Bir kardiyolog, kalbin iyi pompalayıp pompalamadığını, atımlar arasında düzgün gevşeyip gevşemediğini veya kapaklardan kaçak olup olmadığını kararlaştırmadan önce bu görüntüleri zihninde birleştirerek 3B bir resim oluşturur. Bununla birlikte mevcut AI araçlarının çoğu genellikle bir seferde yalnızca bir görüşe veya tek bir durağan görüntüye bakar; bu da yalnızca diğer açılardan görünen sorunları kolayca kaçırabilecekleri anlamına gelir.

Yapay zekâyı birçok açıdan izlemeyi öğretmek

Araştırmacılar, aynı anda üç farklı açıdan ultrason videolarını alabilen bir “çoklu görüntü” derin sinir ağı tasarladı. Ağın içindeki erken katmanlar, her videoyu zaman içinde izleyerek o görüntüdeki hareket kalıplarını öğrenir. Özel bir katman dizisi daha sonra görüntüler arası bilgiyi birleştirir; bu, örneğin bir görüşte normal görünen bir kalp odacığının başka bir görüşte genişlemiş veya zayıf görünebileceğini fark etmeyi mümkün kılar. Bu, insan okuyucunun ipuçlarını görüşler arasında karşılaştırmasına benzer; ancak yapay zekâ her videonun her karesi için tutarlı bir dikkatle bunu yapabilir.

Sistemi teste koymak

Bu çoklu görüntü yaklaşımının gerçekten yardımcı olup olmadığını görmek için ekip, ağı University of California, San Francisco’da tedavi gören erişkinlerden alınan on binlerce ekokardiyogram üzerinde eğitti. Üç tür tanıya odaklandılar. Birincisi ana kalp odacıklarının herhangi bir anormal boyutu veya pompalama fonksiyonuydu. İkincisi, kalbin atımlar arasında kötü gevşemesiyle karakterize daha ince bir sorun olan diyastolik disfonksiyondu—doktorların genellikle yalnızca standart parlaklık videolarından değerlendiremeyeceği bir durum. Üçüncüsü ise kan akışını gösteren renkli ultrason sinyalleri kullanılarak görülen ana kalp kapaklarının anlamlı kaçaklarıydı.

Her bir görev için bilim insanları mevcut normu takip eden karşılaştırma sistemleri oluşturdu: yalnızca tek bir video açısıyla eğitilmiş tek görüşlü AI modelleri ve üç ayrı tek görüşlü modelin çıktılarının basitçe ortalamasını alan bir yöntem. Genel olarak çoklu görüntü ağı daha doğru çıktı. Hastalıklı vakaları sağlıklılardan ayırmada performansı özetleyen alıcı işletim karakteristiği eğrisi altındaki alan (AUC) gibi yaygın bir metrik, en iyi tek görüşlü modele kıyasla yaklaşık 0,06 ila 0,09 oranında iyileşti. Zaten tek bir görüşten daha iyi performans gösteren ortalama modeller dahi amaç için tasarlanmış çoklu görüntü ağının gerisinde kaldı.

Gerçek dünyada performansı kontrol etmek

Sistemin yalnızca tek bir hastanenin alışkanlıklarına göre ayarlanmadığından emin olmak için yazarlar, eğitilmiş modellerini Kanada’daki Montreal Kalp Enstitüsü’nden yıllar sonra toplanmış ve biraz farklı ölçüm kurallarıyla yorumlanmış ekokardiyogramlar üzerinde test ettiler. Bu farklara rağmen, çoklu görüntü ağı yine odacık problemleri ve kapak kaçakları için güçlü performans gösterdi; diyastolik disfonksiyon için ise yalnızca mütevazı bir düşüş oldu. Ekip ayrıca veriyi yaş, cinsiyet ve kullanılan ultrason cihazı türüne göre dilimleyerek doğruluğun gruplar arasında tutarlı biçimde yüksek kaldığını buldu.

Siyah kutunun içine göz atmak

AI’nın kararlarını en çok hangi görüntü bölgelerinin etkilediğini vurgulayan görselleştirme tekniklerini kullanarak araştırmacılar, ağın tipik olarak tıbben mantıklı yapılara odaklandığını doğruladı: odacık problemleri için kalbin pompalama duvarları, diyastolik disfonksiyon için sol üst odacık ve kapak kaçakları için kapak dokusu ile akış sinyalleri. Bu tür araçlar sistemin “düşüncesine” yalnızca kaba bir pencere sunsa da, klinisyenleri yapay zekânın yanıtlarını görüntülere kazınmış rastgele artefaktlara veya etiketlere dayandırmadığı konusunda rahatlatmaya yardımcı olur.

Gelecekte bakım için bunun anlamı

Uzman olmayan biri için temel mesaj, yapay zekâyı kalbi aynı anda birkaç açıdan izlemeyi öğreterek normal ile anormal arasındaki ayrımı daha iyi yapmasının sağlanması ve hatta insan okuyucuların aynı ham videolardan genellikle çıkaramadığı yeni tanıları mümkün kılmasıdır. Çalışma, gelecekteki ultrason sistemlerinin ciddi sorun olma olasılığı yüksek taramaları otomatik olarak işaretleyerek doktorların bunları daha erken incelemesini sağlayabileceğini, daha rutin çalışmaların ise daha düşük öncelik alabileceğini öne sürüyor. Daha geniş anlamda, çalışma çoklu görüntülü yapay zekâyı birçok tıbbi görüntüleme türünde kullanmak için bir yol haritası sunuyor; bu da vücudun çeşitli bölgelerinde tanıların hızını ve güvenilirliğini artırma potansiyeli taşıyor.

Atıf: Barrios, J.P., Ansari, M.U., Olgin, J.E. et al. Multiview deep learning improves detection of major cardiac conditions from echocardiography. Nat Cardiovasc Res 5, 234–245 (2026). https://doi.org/10.1038/s44161-026-00786-7

Anahtar kelimeler: ekokardiyografi, derin öğrenme, kardiyak görüntüleme, kapak hastalığı, diyastolik disfonksiyon