Ayın Makalesi
Akut Miyokard Enfarktüsünde Derin Öğrenme ve Açıklanabilir Yapay Zeka ile EKG Tanısı
“Precise ECG diagnosis and validation of educational utility for acute myocardial infarction using deep learning and explainable artificial intelligence” çalışma değerlendirmesi.
Çalışmanın Amacı ve Metodolojisi
Çalışmada yapay zeka tabanlı EKG analizi ile akut miyokard enfarktüsü tanısı ve ST segment yükselmeli MI lokalizasyonunu değerlendirmenin yanı sıra, sadece EKG analizi ile saptanması zor olan ST segment yükselmesiz MI vakalarının teşhis başarısını artırmak ve bunu yaparken açıklanabilir yapay zeka kullanarak bu sistemin tıp eğitimi üzerindeki pratik faydasını doğrulamak amaçlanmıştır.
Çalışmada toplam 2.070 adet EKG görüntüsü kullanılmıştır. Veri seti test, geliştirme, eğitim ve doğrulama kümelerine ayrılmış; her hastadan yalnızca tek bir EKG alındığı için tüm bölünmeler hasta düzeyinde gerçekleşmiş ve veri sızıntısı riski ortadan kaldırılmıştır.
414Bağımsız test EKG'si
1.656Geliştirme kümesi
1.324Eğitim EKG'si
332Doğrulama EKG'si
Hiyerarşik Yapay Zeka Modeli
Bu çalışmada, 12 kanallı EKG görüntüleri üzerinden MI teşhisi, ST segment yükselmesi tespiti, STEMI/NSTEMI sınıflandırması ve enfarktüs bölgesinin belirlenmesi amacıyla dört aşamalı hiyerarşik bir yapay zeka modeli önerilmiştir.
- Ön filtreleme: Veri artırımı uygulanmış EKG görüntüleri, ImageNet ile ön eğitilmiş mimariler arasından seçilen ResNet18 modeli ile değerlendirilmiştir.
- ST elevasyon lokalizasyonu: MI olarak sınıflandırılan görüntülerdeki patolojik STE bölgeleri Faster R-CNN nesne tespit modeli ve Soft-NMS ile lokalize edilmiştir.
- Sınıflandırma: Tespit edilen ST segment yükselme verileri 12 boyutlu ikili öznitelik vektörüne dönüştürülmüş; AutoGluon platformundaki algoritmalarla STEMI/NSTEMI olasılığı elde edilmiştir.
- Nihai karar: Olasılıkların zincir kuralı ve ikili tümleyen aksiyomu kullanılarak Kontrol, STEMI ve NSTEMI olasılıkları hesaplanmış; en yüksek olasılıklı sınıf klinik teşhis olarak belirlenmiştir.
Metodoloji ayrıca yapay zeka kanıtlarını görselleştiren web tabanlı bir ECG Viewer arayüzünün geliştirilmesini ve 4. sınıf tıp öğrencileriyle yürütülen pre-test/post-test tasarımlı prospektif pilot çalışmayı içermektedir.
Çalışmanın Sonuçları ve Tartışma
Önerilen hiyerarşik modelin performans analizinde ResNet18 mimarisi %98.3 AUROC ve %98.7 AUPRC değerleriyle MI vakalarını yüksek kararlılıkla ayırt etmiştir. Faster R-CNN modeli %71.5 AP ve %42.4 mAP değerlerine ulaşarak ST segment yükselmesi bölgelerini konumlandırmıştır.
STEMI sınıflandırması %91.3 AUROC, %95.1 AUPRC ve %95.9 hassasiyet sergilemiştir. Enfarktüs bölgesi tahminlerinde anterior (%91.1) ve inferior (%84.2) duvarlarda yüksek F1 skorları elde edilmiş; lateral (%73.8) ve sol ana koroner arter hastalıklarında (%68.4) göreceli olarak daha yüksek yanlış pozitiflik oranları gözlenmiştir.
Klinik ve Eğitsel Değer
Özellikle ST elevasyonu olmayan akut koroner sendromlarda EKG'de milimetrik ve gözden kaçabilecek sinyal değişikliklerini tespit etmek üzere bu yapay zeka algoritması düzenlenmiştir. STEMI/NSTEMI paradigması akut koroner oklüzyonu olan birçok hastayı tespit edememekte, bu da tedaviyi geciktirmekte ve sonuçları kötüleştirmektedir.
Yapay zeka desteği, hekimin eğitim ve çalışma hayatı boyunca sürekli ihtiyaç duyacağı EKG analiz yeteneğini destekleyerek tanısal hassasiyette artış sağlayabilir. Çalışmada kullanılan sistem “mavi kutu” ve “kırmızı kutu” işaretleriyle neden, neresi ve nasıl sorularına yanıt verebilmekte; kararlarını görsel kanıtlarla gerekçelendirebilmektedir.
Ön test/son test tasarımında tıp öğrencilerinin genel doğruluğunda %43'ten %82'ye, ana koroner vakalarının tespitinde ise %17'den %60'a artış gözlenmesi, açıklanabilir yapay zekanın eğitsel katkısını vurgulamaktadır.
Kısıtlılıklar
Çalışmanın tek merkezli verilere dayanması, verilerin geriye dönük olması, enfarktüs bölgelerini belirlerken esnekliğin azaltılmış olması, ön test/son test tasarımında az sayıda öğrencinin kullanılması ve dış merkez validasyonunun yapılmamış olması temel kısıtlılıklardır.
Kaynaklar
- Aslanger EK, Aggül B, Yıldırımtürk Ö, Karabay CY, Meyers HP, Smith SW, Değertekin M; DIFOCCULT-3 Study Investigators. A Diagnostic Paradigm Shift in Acute Myocardial Infarction: Rationale and Design of the DIFOCCULT-3 Trial. JACC Adv. 2025 Nov;4(11 Pt 2):102227.
- Wang CX, Zhang YC, Kong QL, Wu ZX, Yang PP, Zhu CH, Chen SL, Wu T, Wu QH, Chen Q. Development and validation of a deep learning model to screen hypokalemia from electrocardiogram in emergency patients. Chin Med J (Engl). 2021;134(19):2333-2339.