Yapay zeka aracılığıyla ventriküler taşikardi(VT) ve supraventriküler taşikardi(SVT) ayrımı
Artificial intelligence based differentiation ofventricular tachycardia(VT) and supraventriculartachycardia(SVT)
- Tez No: 811948
- Danışmanlar: PROF. DR. HAVVA ŞAHİN KAVAKLI
- Tez Türü: Tıpta Uzmanlık
- Konular: Acil Tıp, Kardiyoloji, Emergency Medicine, Cardiology
- Anahtar Kelimeler: EKG, Derin öğrenme, Ventriküler taşikardi, Supraventriküler taşikardi, ResNet, Yapay zeka
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
Amaç: Kardiyovasküler hastalıklar (KVH) bulaşıcı olmayan hastalıklar arasında dünya genelinde meydana gelen ölümlerin bağlıca nedenlerindendir. EKG, mortaliteleri son derece yüksek olabilen; ancak büyük oranda önlenebilir olan KVH'nin erken tanısında ve sürecin devamında en sık kullandığımız, hızlı ve kolayca ulaşabildiğimiz, ucuz, güvenilir, noninvaziv ve çok değerli bilgiler sunan bir tanı testidir. Geniş QRS kompleksli taşikardilerde (WCT) olduğu gibi bazı durumlarda EKG'ler, mevcut algoritmalara rağmen tecrübeli klinisyenler tarafından dahi yanlış değerlendirilebilmektedir. Bu çalışmada, yapay zeka (AI) alanında kullanılan derin öğrenme (DL) yöntemiyle VT-SVT ayrımının başarılı bir şekilde yapılması amaçlanmıştır. Materyal ve Metot: Retrospektif olarak yürütülen çalışmamıza, 1 Kasım 2021 – 1 Mart 2023 tarihleri arasında, Ankara Bilkent şehir Hastanesi Erişkin Acil Tıp Kliniği'ne çarpıntı, baş dönmesi, dispne, göğüs ağrısı ve senkop semptomlarının en az biri ile başvuran ve 18 yaşından büyük olup EKG'leri çekilen hastalar dahil edilmiştir. Çalışmamızda önce EKG‟lerinde taşiaritmi saptanan 848 hasta ile EKG‟lerinde normal sinüs ritmi (NSR) saptanan 250 hasta incelenmiştir. Sonrasında dışlama kriterleri gereğince artefaktlı, EKG‟lerine ulaşılamayan ve mükerrer EKG‟leri olan hastalar ayrılarak veri seti oluşturabilmek için NSR EKG‟si olan 248 hasta ile taşiaritmi EKG‟sine sahip 652 hasta değerlendirmeye alınmıştır. Tarafımızca toplanan EKG‟ler ilk olarak iki kardiyoloji uzmanımıza verilerek etiketlendirilmiştir. Etiketlenme sonrası veri setimiz, evrişimli sinir ağı (CNN) modellerimiz ResNet 18-34 ve 50‟nin eğitimi ve testi için kullanılmıştır. Son olarak eğitilip hazır hale getirilen modellerimizin VT-SVT ayrımı konusundaki prediksiyonları ile altın standart olarak kabul ettiğimiz kardiyologlarımızın değerlendirmeleri kıyaslanmıştır. Modellerin başarıları doğruluk, duyarlılık, kesinlik ve F1 skorları olan performans metrikleri ile ölçülmüştür. Bulgular: Çalışmaya 652‟sinin taşiaritmik, 248‟inin NSR EKG‟si olan toplam 900 hasta dahil edildi. Hastaların %61.4‟ü yani 553‟ü kadın olarak gözlenirken tüm hastaların yaş ortalamaları 57±17 yıl olarak gözlendi. SVT-VT ayrımı için performans metriklerine bakıldığında 3 ResNet modelinin de doğruluk ve duyarlılık (ağırlıklı) yüzdeleri %95 olarak gözlenirken; kesinlik (ağırlıklı) ve F1 skoru (ağırlıklı) yüzdeleri Resnet 18 ve 50 için %95 iken ResNet 34 için %94 olarak gözlendi. Tartışma ve Sonuç: Çalışmamızda kullandığımız 3 ResNet modeli de başarılı bir şekilde VT-SVT ayrımı yapmış olup doğru teşhis oranları mevcut klasik algoritmaların üzerindedir. Her geçen gün büyüyen EKG arşivleri sayesinde doğru teşhis oranları şüphesiz daha da artacaktır. Ancak yine de bu uygulamaların büyük çok merkezli çalışmalar ile prospektif olarak uygulanabilirliği test edilmelidir.
Özet (Çeviri)
Objective: Cardiovascular diseases (CVDs) are among the leading causes of non-communicable deaths worldwide. Electrocardiogram (ECG) is a commonly used, rapid, easily accessible, inexpensive, reliable, non-invasive diagnostic tool that provides valuable information in the early diagnosis and ongoing management of CVDs, which can have high mortality rates but are largely preventable. However, despite existing algorithms, ECGs can still be misinterpreted by experienced clinicians, especially in cases of wide QRS complex tachycardias. In this study, the aim was to successfully differentiate Ventricular Tachycardia (VT) and Supraventricular Tachycardia (SVT) using deep learning (DL) methods, a branch of artificial intelligence. Material and Method: Our retrospective study was conducted at Ankara Bilkent City Hospital Adult Emergency Medicine Clinic between November 1, 2021 and March 1, 2023. Patients who presented with at least one of the symptoms of palpitation, dizziness, dyspnea, chest pain, and syncope, and who were 18 years of age or older and had ECG‟s taken were included in our study. Among the patients, 848 with tachyarrhythmia detected on ECG and 250 with normal sinus rhythm (NSR) on ECG were evaluated after excluding patients with artifact, unavailable ECG‟s, and duplicate ECG‟s, resulting in a dataset of 248 patients with NSR ECG and 652 patients with tachyarrhythmia ECG. The ECG‟s collected by our team were initially labeled by two cardiology experts. After labeling, our dataset was used for training and testing convolutional neural network models, specifically ResNet 18-34 and 50. Finally, the predictions of our trained and prepared models on VT-SVT differentiation were compared with the evaluations of our cardiology experts, whom we considered as the gold standard. The performance of the models was measured using accuracy, sensitivity, specificity, and F1 score as performance metrics. vii Results: In the study, a total of 900 patients were included, with 652 having tachyarrhythmic ECG‟s and 248 having NSR ECG‟s. Among the patients, 61.4% or 553 were female, and the mean age of all patients was observed to be 57±17 years. When looking at the performance metrics for SVT-VT differentiation, all three ResNet models showed an accuracy and sensitivity (weighted) of 95%. The specificity (weighted) and F1 score (weighted) were also observed to be 95% for ResNet 18 and 50, and 94% for ResNet 34. Conclusion: Our study successfully used three ResNet models to differentiate between VT and SVT, with accuracy rates surpassing those of traditional algorithms. With the growing ECG archives, the accuracy of these diagnoses is expected to further improve. However, the applicability of these applications should still be tested prospectively in large multicenter studies. Keywords : ECG, Deep learning, Ventricular tachycardia, Supraventricular tachycardia, ResNet, Artificial intelligence
Benzer Tezler
- Heart failure detection with deep networks based on electrocardiography and impedance cardiography signals
Kalp yetersizliğinin elektrokardiyografi ve empedans kardiyografi işaretleri kullanılarak derin ağlara dayalı tespiti
ŞEVKET GÜNDÜZ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CABİR VURAL
PROF. DR. ALİ SERDAR FAK
- Yapay zeka aracılığıyla elde edilen getirilerin vergilendirilebilirliği: Türkiye'de yapay zeka okuryazarlığı ve vergilendirme algısı tespiti
Taxability of returns generated through artificial intelligence: Artificial intelligence literacy and taxation perception in Turkey
NURULLAH BÜYÜKTAŞ
- Yapay zeka tabanlı dijital reklam içeriği optimizasyonu ve etkinliğinin incelenmesi
User benefits of artificial intelligence-based digital advertising content optimization review
KEMAL DEMİR
Yüksek Lisans
Türkçe
2024
ReklamcılıkBahçeşehir Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURÇAK CEBECİ PERKER
- Yapay zekâ öneri sistemlerinin tüketicilerin davranışsal niyetleri üzerindeki etkilerinin birleştirilmiş teknoloji kabul ve kullanım modeli 2 çerçevesinde incelenmesi: Online pazar yerlerine yönelik bir pilot araştırma
Analyzing the effects of artificial intelligence recommendation systems on consumer's behavioral intentions within the framework of unified theory of acceptance and use of technology 2: A pilot study on online marketplaces
ARDA YANIK
Yüksek Lisans
Türkçe
2024
İşletmeİstanbul Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. AHMET KEMAL ŞEKERKAYA
- Havadan alınan termal kamera görüntülerinde canlı tasnifinin yapılmasında derin öğrenme tabanlı tekniklerin uygulanması
Application of deep learning-based techniques for performing live sorting on aerial thermal camera images
HALİL USLU
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI