Yaşar Üniversitesi Elektrik Elektronik Mühendisliği Yüksek Lisans Mezunu Öykü Eravcı, ‘Evrişimsel Otomatik Kodlayıcı Tabanlı Kalp Aritmisi Tespit Sistemi’ tezinde yapay zekanın derin öğrenme yöntemlerinden yararlanarak kalp ritim bozukluklarını tespit edecek ve sınıflandıracak bir sistem geliştirdi.
Dünya genelindeki ölümlerin önde gelen nedenlerinden biri olan kalp hastalıklarında erken teşhis ve tedavi yöntemleri büyük önem arz ediyor. Yaşar Üniversitesi Elektrik Elektronik Mühendisliği Yüksek Lisans Mezunu Öykü Eravcı projesiyle, kalp ritim bozukluklarının tespit ve sınıflandırılmasında kullanılan geleneksel yöntemlerin ötesine geçmeyi hedefledi. Biyomedikal sinyallerin analizinde sıklıkla kullanılan dalgacıkların ve evrişimsel otomatik kodlayıcıların kullanıldığı model, özellikle Atriyal Fibrasyon gibi yaygın ve tehlikeli bir kalp ritim bozukluğu hastalığını tespit edip sınıflandırıyor. Dalgacık tabanlı evrişimsel otomatik kodlayıcı (WBCAE) modeliyle yenilikçi bir yaklaşım sunan Öykü Eravcı, geliştirdiği model ile uzaktan hasta izleme, erken teşhis ve gerçek zamanlı hasta verisi analizi gibi uygulamalarda sağlık sektörüne önemli katkılar sağlayacağını söyledi. Sistem ile yapılan testlerde; halka açık veri tabanlarından alınmış 5 farklı kalp aritmisi, yapay zeka yöntemiyle yüksek başarı ile sınıflandırıldı. En sık görülen kalp aritmisi olan Atriyal Fibrilasyonun da önerilen yöntemle yüzde 99 üzerinde doğrulukla tespit edildiği görüldü.
“Otomatik ve yüksek doğruluk oranı”
Birçok çeşidi olan kalp rahatsızlıklarında erken teşhis ve tedavinin öneminden yola çıkarak projesine başladığını vurgulayan Öykü Eravcı, “Özellikle kalp ritim bozuklukları, bireylerin yaşam kalitesini ciddi şekilde etkileyebilen ve doğru müdahale edilmediğinde ölümcül sonuçlara yol açabilen problemler olarak öne çıkıyor. Çalışmamın temel amacı, derin öğrenme yöntemlerinden yararlanarak kalp aritmilerinin otomatik ve yüksek doğruluk oranlarıyla tespit edilmesini sağlayacak bir sistem geliştirmekti” diye konuştu.
Tespit ediyor ve sınıflandırıyor
Sistemin çalışma şeklini anlatan Eravcı, “Bu çalışmada iki ana yaklaşım ele alındı; birinci yöntem anomali tespiti, ikincisi ise özellik çıkarımı ile sınıflandırma. Anomali tespitinde model, yalnızca normal verilerle eğitildi ve normal verilerle karşılaştırıldığında atriyal fibrilasyon gibi anormal durumları yüksek yeniden yapılandırma hataları yoluyla tanımlayabildi. Özellik çıkarımı ve sınıflandırmada ise model, aritmi ve normal verilerle model geliştirdi ve elde edilen sıkıştırılmış özellikler, bir sınıflandırıcı kullanılarak aritmi türlerinin ayrımında kullanıldı. Modelin başarısını göstermek için geniş kapsamlı deneyler gerçekleştirdim. Model hem anomali tespiti hem de aritmi sınıflandırması alanında üstün performans sergilemiştir. Test sonuçları, modelin atriyal fibrilasyonu normal sinüs ritminden başarıyla ayırt edebildiğini ve benzer şekilde, diğer aritmi türlerini de normal sinüs ritminden doğru bir şekilde ayırabildiğini gösterdi. Bununla birlikte model, atriyal fibrilasyon gibi düzensiz kalp ritimlerini yalnızca yeniden yapılandırma hatalarını temel alarak tespit edebildi. Bu, özellikle sınırlı veri setleriyle çalışan sistemler için etkili bir yöntem olarak öne çıkıyor” açıklamalarında bulundu.
“Giyilebilir kalp takip sistemlerinde yapay zeka kullanımının önünü açtı”
Tez Danışmanı Yaşar Üniversitesi Yapay Zeka Mühendisliği Ana Bilim Dalı Başkanı Dr. Öğr. Üyesi Nalan Özkurt ise şunları kaydetti:
“Kalp hastalıkları, insanların konforlu yaşam sağlamasını engeller ve tedavi edilmezse felç gibi ciddi sonuçlara hatta ölüme dahi sebep olabilir. Bu çalışmamızda derin öğrenme ve ileri sinyal işleme teknikleri ile kalp hastalıklarının tespiti yapıldı. Böyle bir çalışma gelecekte giyilebilir kalp aritmi takip sistemlerinde yapay zekanın kullanımının önünü açtı.”
