2B ekokardiyografinin otomatik analizi için görünüm esnek bir derin öğrenme çerçevesi

Kalp taramalarının yardıma neden ihtiyacı var

Kalbin ultrason görüntüleri modern kardiyolojinin temel taşlarından biridir, ancak bunlardan güvenilir bilgiler elde etmek genellikle yıllarca eğitim gerektirir. Yoğun polikliniklerde, acil servislerde veya uzak bölgelerde bu uzmanlık her zaman mevcut olmayabilir ve bu da kalp sorunları olan hastaların bakımını geciktirebilir. Bu çalışma, yapay zekanın (YZ) hemen hemen her standart açıdan çekilmiş yaygın kalp ultrasonu videolarını okuyup okuyamayacağını araştırıyor; böylece az deneyimli kullanıcılar tarafından elde taşınır cihazlarla çekilen görüntülerde bile yüksek kaliteli kalp değerlendirmeleri yapılabilmesini sağlayabilir.

Hareketli kalp görüntülerini okumanın yeni bir yolu

Araştırmacılar, iki boyutlu ekokardiyogramlardan—atan kalbin hareketli siyah‑beyaz görüntülerinden—kısa video klipler analiz edebilen bir derin öğrenme çerçevesi geliştirdiler. Çok belirli bir kamera açısı bekleyen geleneksel bilgisayar araçlarının aksine, bu sistem ana pompa odası olan sol ventrikül görüntüde olduğu sürece birkaç yaygın görüşü kabul ediyor. Bu çeşitli açılardan YZ üç şeyi tahmin ediyor: kalbin kan pompalama gücü (sol ventrikül ejeksiyon fraksiyonu, LVEF), hastanın yaşı ve hastanın cinsiyeti. Temel fikir, ultrasonu katı görünüm gereksinimlerinden kurtarmak; böylece görüntüler kusurlu olsa bile iyi ölçümler yapılabilsin.

Sistemi farklı hasta türlerinde test etmek

Çerçevenin ne kadar iyi çalıştığını görmek için ekip, onu Minnesota ve Wisconsin’deki Mayo Clinic merkezlerinden on binlerce standart ekokardiyogram üzerinde eğitti. Ardından Arizona ve Florida’dan daha fazla hastayı, Stanford’un büyük bir açık veri kümesini ve iki elde taşınır ultrason koleksiyonunu içeren birkaç bağımsız grupta test etti. Bu elde taşınır setlerden biri, aynı ziyarette hem standart makine muayenesi hem de elde taşınır tarama yapılan hastalardan geldi. Diğer set ise ABD ve İsrail’deki hastanelerden sağlandı; burada hem uzman sonograflar hem de kısa bir eğitim kursu ve gerçek zamanlı rehberlik yazılımı alan hemşireler ve tıp asistanları gibi acemi kullanıcılar elde taşınır görüntüler kaydetti.

YZ’nin kalp ve vücut tahminleri ne kadar doğruydu?

Bu çeşitli veri kümelerinde, YZ’nin LVEF tahminleri uzman okuyucular tarafından hesaplanan değerleri yakından izledi; çoğu durumda tipik farklar on yüzdelik puanın altındaydı. Ayrıca pratik açıdan önemli bir soruda da iyi performans gösterdi: kalbin pompalama fonksiyonunun belirgin şekilde azalıp azalmadığını belirleme. Hem standart makineler hem de elde taşınır cihazlar için, belirgin şekilde düşük LVEF’li kalpleri işaretlemede sistemin performansı insan uzmanlara benzerdi. Önemli olarak, sonuçlar elde taşınır tarayıcılarla görüntüler alındığında ve hatta bu tarayıcılar rehberlik yazılımı kullanan acemiler tarafından işletildiğinde de güçlü kaldı. Hastanın aynı klibi için acemi tarafından elde edilen LVEF tahminleri ile uzman tarafından elde edilen klipler arasındaki anlamlı farklılıklar yalnızca küçük bir azınlıkta görüldü.

Kalp hareketindeki gizli ipuçları: yaş ve cinsiyet

Pompalama gücünün ötesinde, YZ yalnızca kalp ultrasonundan bir kişinin yaşını ve cinsiyetini tahmin etmede şaşırtıcı derecede başarılıydı. Tahmini yaş gerçek yaşla güçlü bir şekilde eşleşti; görüntüler standart makinelerden veya elde taşınır cihazlardan gelsin fark etmedi. Cinsiyet sınıflandırması da tüm test gruplarında yüksek doğruluk gösterdi. Bu özellikler klinikte zaten biliniyor olsa da, kalp hareketinden güvenilir şekilde çıkarılabilmesi, ultrason görüntülerinin insan gözüyle rutin olarak nicelendirilmeyen yaşlanma ve biyolojik farklılıklara ilişkin ince desenler içerdiğini gösteriyor. Yazarlar, örneğin YZ tarafından tahmin edilen yaş ile gerçek yaş arasındaki uyumsuzlukların bir gün “biyolojik kalp yaşı”nı yansıtabileceğini ve daha yüksek kardiyovasküler risk taşıyan kişileri belirlemeye yardımcı olabileceğini öne sürüyorlar.

Gelecekteki kalp bakımına etkisi

Bu çalışma, tek bir YZ çerçevesinin, mükemmel kamera açıları veya uzman operatör ısrarında bulunmadan rutin kalp ultrason kliplerini kullanışlı klinik bilgilere dönüştürebileceğini gösteriyor. Hem standart hem de elde taşınır taramalardan kalbin pompalama fonksiyonunu doğru şekilde değerlendirmek ve hastaya ilişkin daha geniş ipuçları çıkarmak suretiyle, yöntem kliniklerde, acil servislerde ve hatta hastane öncesi bakımda daha hızlı triajı destekleyebilir. Çalışmanın daha ırksal ve etnik açıdan çeşitli gruplarda ve daha az kontrollü gerçek dünya ortamlarında ek testlere ihtiyacı olsa da, yakında basit elde taşınır tarayıcılarla donanmış daha fazla bakım sağlayıcısının yatak başında kalp sağlığına ilişkin güvenilir içgörüler elde edebileceği bir geleceğe işaret ediyor.

Atıf: Anisuzzaman, D.M., Malins, J.G., Jackson, J.I. et al. A view-flexible deep learning framework for automated analysis of 2D echocardiography. npj Cardiovasc Health 3, 17 (2026). https://doi.org/10.1038/s44325-025-00100-7

Anahtar kelimeler: ekokardiyografi, yapay zeka, elde taşınır ultrason, ejeksiyon fraksiyonu, kardiyovasküler görüntüleme