Geri Dön

Early diagnosis of acute myocardial infarction using ECG signals with explainable artificial intelligence

Akut Miyokard Enfarktüsü'nün EKG sinyalleri üzerinden açıklanabilir yapay zekâ ile erken tanısı

PDF İndir

  1. Tez No: 962328
  2. Yazar: TOYGAR TANYEL
  3. Danışmanlar: DOÇ. DR. İLKAY ÖKSÜZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Göğüs Kalp ve Damar Cerrahisi, Computer Engineering and Computer Science and Control, Thoracic and Cardiovascular Surgery
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 101

Özet

Akut Miyokard Enfarktüsü (AMI), kalbe giden kan akışının azalması veya tamamen kesilmesi sonucu ortaya çıkan ve dünya genelinde önde gelen ölüm ve hastalık nedenlerinden biri olan ciddi bir kardiyovasküler durumdur. AMI, ST Yükselmeli Miyokard Enfarktüsü (STEMI), ST Yükselmesiz Miyokard Enfarktüsü (NSTEMI) ve Tıkayıcı Miyokard Enfarktüsü (OMI) gibi alt türleri içerse de, klinik karar alma süreçlerinde öncelikli olan, miyokard enfarktüsünün genel olarak hızlı ve doğru tespit edilmesidir. Erken teşhis, reperfüzyon terapisi gibi hayat kurtarıcı müdahalelerin zamanında uygulanabilmesi için kritik öneme sahiptir. Ancak, elektrokardiyogram (EKG) sinyallerinin klinik yorumlarına dayanan geleneksel tanı yöntemleri uzmanlık gerektirir, değişkenlik gösterebilir ve özellikle OMI gibi daha sinsi seyreden ya da NSTEMI'nin atipik görünümlerini içeren vakaları gözden kaçırabilir. Bu çalışmanın klinik çerçevesini ve motivasyonunu şekillendiren literatür taraması, AMI'nin patofizyolojisini, alt türlerinin ayrımında yaşanan zorlukları ve mevcut tanı yaklaşımlarının sınırlılıklarını detaylı bir şekilde ortaya koymuştur (Bkz. Bölüm 2). Bununla birlikte, sadece klinik literatürle sınırlı kalınmamış; yapay zeka tabanlı tanı sistemlerinin gelişimi, tıp alanında model açıklanabilirliğinin önemi ve karar destek sistemlerinde karşıolgusal düşünme yaklaşımları da kapsamlı bir şekilde ele alınmıştır. Bu doğrultuda, karşıolgusal açıklamaların tıbbi karar alma süreçlerine katkısı hem teknik hem de felsefi düzlemde tartışılmış; açıklanabilir yapay zeka modellerinin güvenilirliği ve pratik kullanımı üzerine yapılan güncel çalışmalar bu tezin teorik zeminini güçlendirmiştir. Bununla birlikte, klinik karar destek sistemlerinin yalnızca teknik doğrulukla değil, aynı zamanda sağlık hizmeti sağlayıcılarının ihtiyaç ve beklentilerine uygun olarak tasarlanması gerekmektedir. Literatürde sıkça vurgulanan bir gerçek, yapay zekâ sistemlerinin sahada etkili olabilmesi için, geliştirilen modellerin yalnızca matematiksel başarılarına değil, kullanıcı ile kurdukları etkileşime de odaklanmaları gerektiğidir. Bu bağlamda, tıp alanındaki karar verme süreçlerinin doğası gereği açıklanabilirliğe olan ihtiyaç, yalnızca teknik bir zorunluluk değil, aynı zamanda etik bir sorumluluk olarak da ortaya çıkmaktadır. Modelin neden ve nasıl bir sonuca vardığını anlaşılır kılmak, hem klinik güveni artırmakta hem de hasta güvenliğini korumak açısından önem taşımaktadır. Bu nedenle, bu tez yalnızca algoritmik doğruluğa değil, aynı zamanda insan-merkezli tasarım ilkelerine de önem vermektedir. Bu çok yönlü literatür temelinden hareketle, mevcut AI tabanlı EKG çalışmalarının büyük kısmı yalnızca izole teknik iyileştirmeleri ele almakta; klinik ortama doğrudan entegre edilebilir, uçtan uca ve yorumlanabilir iş akışları konusunda önemli bir boşluk bırakmaktadır. Bu tez tam da bu boşluğu doldurmayı amaçlayarak, nihai tek bir çözüm sunmaktan ziyade, klinik ortama entegre edilebilirliği yüksek ve yol gösterici nitelikte bir sistem yaklaşımı önermektedir. Bu kapsamda çalışmanın önemli bileşenlerinden biri, ileriye dönük klinik işleyişe entegre edilebilecek otomatik bir veri işleme hattının geliştirilmesidir. Pek çok hastanede ham XML biçimindeki EKG sinyallerine doğrudan erişim mümkün olmadığından, bu veriler çoğunlukla PDF formatında görsel raporlar olarak arşivlenmektedir. İş birliği yapılan hastanedeki klinisyenler, bu PDF dosyalarını PACS (Picture Archiving and Communication Systems) üzerinden alarak belirli bir depolama alanına aktarmaktadır. Geliştirilen özel bir yazılım, bu depolama alanını düzenli olarak izleyerek yeni hasta verilerini otomatik olarak tespit eder ve PDF tabanlı EKG görüntülerini, analiz için uygun olan derivasyon bazlı sinyal dizilerine dönüştürür. Bu otomatik süreç, veri akışının düzenli ve verimli bir biçimde sürdürülebilmesini sağlayarak yöntemin ölçeklenebilirliğini ve tekrarlanabilirliğini desteklemektedir. Önerilen sistem, retrospektif açık veri seti PTB-XL'de (≈ 21 000 kayıt) ön-eğitimden geçirilen ve kurumumuzda toplanan prospektif kohortta ince ayarlanan (fine-tuned) bir derin öğrenme modeline dayanmaktadır (Bölüm 3). Veri kısıtları nedeniyle çalışma, klinik pratikte en acil gereksinim olan miyokard enfarktüsü (MI) ile sağlıklı bireylerin hızlı ve güvenilir ayrımına odaklanmıştır; daha ayrıntılı AMI alt türlerinin güvenilir sınıflandırılması için ise ileride daha büyük, kapsamlı etiketli veri setlerine ihtiyaç duyulmaktadır. MI-sağlıklı ikili görevinde model, PTB-XL test bölümünde %96,4 doğruluk elde etmiştir. Aynı model ince ayar yapılmadan doğrudan kurum içi veriye uygulandığında doğruluk %70,9'a düşmüş, ince ayar sonrasında ise %74,2'ye yükselerek dağılım farkına rağmen başarımını artırmıştır. Daha zorlu“STEMI / NSTEMI / OMI / sağlıklı”dört sınıflı senaryoda doğruluk %46,4'ten %51,6'ya çıkmış ve transfer öğreniminin saha verisine uyarlanabilirliğini göstermiştir. Bu tez, yalnızca sınıflandırma başarısına odaklanmamaktadır. 4. Bölümde detaylandırılan ve yayımlanmış çalışmamızda doğrulanan karşıolgusal açıklamalar (counterfactual explanations) aracılığıyla modelin yorumlanabilirliğini de önceliklendirir. Sunduğumuz yenilikçi yöntemimiz, miyokard enfarktüsü vakalarını sağlıklı bireylerden ayıran tanısal özellikleri vurgulamak için karşıolgusal düşünme yaklaşımını kullanmaktadır. Karşıolgusal örnekler, modelin karar süreçlerini daha anlaşılır ve eyleme geçirilebilir hale getirerek klinisyenlerin yapay zeka (YZ) destekli teşhislere güvenmesini kolaylaştırır. Görselleştirme tekniğimiz, karmaşık yapay zeka modellerinin EKG sinyalleri alanında daha şeffaf ve güvenilir bir şekilde kullanılmasına olanak tanıyabilecek potansiyele sahiptir. İki deneyimli kardiyolog tarafından yapılan nitel incelemede üretilen 46 raporun 31'i“klinik açıdan anlamlı”bulunmuş; yüksek kaliteli raporlar için ortalama uyum skoru 0,83 ± 0,12 ölçülmüştür. Bu sonuç, YZ destekli kararların klinisyenlerce güvenle benimsenmesini kolaylaştıran, eyleme geçirilebilir sinyal-düzeyi ipuçları sunulduğunu göstermektedir. Aynı zamanda bu tez, klinik entegrasyon sürecinde karşılaşılan somut zorlukları görünür kılmayı ve bu zorluklara yönelik uygulanabilir çözüm adımları geliştirmeyi hedeflemektedir. Örnek olarak, derin öğrenme modellerinin kamuya açık veri kümelerinde yüksek performans göstermesine rağmen, gerçek klinik ortamlarda benzer başarıyı yakalamanın önemli zorluklar barındırdığını açıkça ortaya koymaktadır. PTB-XL gibi aktif kullanılan ve halka açık benchmark veri setleri, model geliştirme ve karşılaştırma için değerli olsa da, hastane ortamlarında karşılaşılan veri çeşitliliğini, gürültüyü ve karmaşıklığı tam olarak yansıtmaz. Yaptığımız deneyler bunu net biçimde göstermektedir: PTB-XL üzerinde son derece başarılı olan model, doğrudan kendi kurum içi verimize uygulandığında belirgin bir performans düşüşü yaşamıştır. Bu durum, yalnızca benchmark skorlarına bakılarak modelin sahada hazır olduğu yanılgısına düşülmemesi gerektiğini göstermektedir. Ayrıca, derin öğrenme modellerinin anlamlı EKG temsilleri öğrenebildiğini göstermemize rağmen, bu temsillerin pratik olarak işe yarayabilmesi için uygun şekilde genellenebilmesi gerekmektedir. Çalışmamızda, büyük ve görece gürültülü bir kaynak olan PTB-XL üzerinde ön eğitim yaparak, modelin geniş kapsamlı EKG örüntülerini öğrenmesini sağladık. Bu ön eğitim sayesinde model, kurum içi daha küçük ve gerçekçi veriler üzerinde doğrudan uygulandığında, ham haline göre daha iyi genelleme yapabilmiştir. Bu da transfer öğreniminin yalnızca yerel veriyle yeniden eğitim değil, aynı zamanda geniş veri temelli ön eğitim yoluyla da önemli katkılar sağlayabileceğini göstermektedir. Bu teknik bulguların ötesinde, çalışmanın genel yaklaşımı da sahaya dönük bir perspektifi benimsemektedir. Farklı senaryolarda modellenen deneysel çerçevesi, anjiyografik olarak doğrulanmış etiket kullanımı ve PDF tabanlı sinyal çıkarımı gibi pratik engellerle doğrudan yüzleşmesiyle, bu tez kardiyoloji alanında daha gerçekçi bir yapay zeka geliştirme anlayışını desteklemektedir. Elde edilen sonuçlar, yüksek benchmark skorlarının cesaret verici olsa da, nihai hedef olan klinik uygulamalarda dikkate alınması gereken gerçek koşulları göz ardı etmememiz gerektiğini hatırlatmaktadır. Gelecekte, daha geniş merkezli veri topluluklarıyla yapılacak çalışmalar, klinik metaverilerin dikkatli ve kademeli entegrasyonu ve yerel doğrulama süreçleri, bu araştırma-pratik uçurumunun kapatılmasında kritik rol oynayacaktır.

Özet (Çeviri)

Acute myocardial infarction (AMI)—a life-threatening reduction or interruption of coronary blood flow that encompasses ST-elevation, non-ST-elevation, and occlusion subtypes—remains a leading cause of death worldwide. Although dozens of AI-based ECG studies exist, most highlight isolated technical advances; an end-to-end, interpretable workflow suitable for routine clinical use is still lacking. Rather than proposing a single“black-box”diagnostic device, this thesis presents a practical blueprint that spans automated signal extraction from PDF ECG reports, model training, counterfactual explanation generation, and clinical validation. The workflow begins with an automated pipeline that converts PDF ECGs into lead-specific time-series signals. A deep-learning model, pretrained on PTB-XL and fine-tuned on an in-house cohort, first distinguishes myocardial-infarction traces from normal ones. To complement this model, we introduce a fully interpretable machine-learning framework that maps salient ECG features to clinically recognised patterns and generates counterfactual explanations—offering clinicians actionable, signal-level cues and reinforcing trust. Two experienced cardiologists oversaw every stage of development: they validated the preprocessing pipeline, confirmed the diagnostic logic, and conducted a qualitative review of model outputs and counterfactuals, ensuring alignment with everyday cardiology practice. The deep-learning model achieved 96.4% accuracy on the PTB-XL test set but dropped to 70.9% on the in-house cohort, revealing a marked cross-dataset gap. The decline was sharper for the four-class task (“MI subtypes + healthy”), where accuracy fell to 46.4%. Fine-tuning with PTB-XL weights partially recovered performance, raising accuracy to 74.2% (binary) and 51.6% (four-class). Among traditional learners, XGBoost remained strongest, posting 89.4% accuracy on PTB-XL. The cardiologists' review judged 31 of 46 counterfactual reports clinically meaningful; high-quality reports averaged an alignment score of 0.83 ± 0.12. By detailing both system architecture and practical hurdles—such as extracting raw signals from PDFs and showing performance gaps between public and real-world data—this thesis underscores that high benchmark scores alone do not guarantee clinical utility. Future work should emphasise rigorous local validation, thoughtful incorporation of metadata, and multi-centre collaborations to narrow the remaining gulf between AI research and day-to-day cardiology practice.

Benzer Tezler

  1. Tez No

    904146

    Akut miyokard enfarktüsü biyogöstergelerinden homosistein, miyoglobin ve yağ asiti bağlayıcı proteinin (FABP) girişimsiz tayini için ters iyontoforez tabanlı elektrokimyasal immünosensörün geliştirilmesi

    Development of a reverse iontophoresis-based electrochemical immunosensor for the noninvasive determination of homocysteine, myoglobin and fatty acid binding protein (FABP), biomarkers of acute myocardial infarction

    FATMA GÜLAY DER

    Doktora

    Türkçe

    Türkçe

    2024

    Eczacılık ve FarmakolojiEge Üniversitesi

    Analitik Kimya Ana Bilim Dalı

    PROF. DR. MUSTAFA EMRAH KILINÇ

  2. Tez No

    374391

    Early diagnosis of acute coronary syndromes automatically by using features of ECG recordings

    EKG kayıtlarının öznitelikleri kullanılarak akut koroner sendromların otomatik olarak erken teşhisi

    MERVE BEGÜM TERZİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  3. Tez No

    464081

    Göğüs ağrısı nedeni ile acil servise 112 tarafından getirilen hastaların akut miyokard infarktüsü tanısı alma oranlarının retrospektif olarak değerlendirilmesi

    Başlık çevirisi yok

    NUR KAPLAN DEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Aile Hekimliğiİnönü Üniversitesi

    Aile Hekimliği Ana Bilim Dalı

    DOÇ. DR. ENGİN BURAK SELÇUK

  4. Tez No

    714839

    Acil servise göğüs ağrısı şikayeti ile başvuran hastalarda hesaplanan tei indeksinin (miyokard perfüzyon indeksi) akut koroner sendrom tanısındaki diagnostik değeri

    Diagnostic value of tei index for acute myocardial infarction in patients presenting to emergency department with ischemic chest pain and correlation with hs-troponin

    ASLI BAHAR UÇAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Acil TıpSağlık Bakanlığı

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. TUBA CİMİLLİ ÖZTÜRK

    DR. EBRU ÜNAL AKOĞLU

    DR. HASAN DEMİR

  5. Tez No

    507452

    Primer perkütan koroner girişim yapılan st segment yükselmeli miyokart enfarktüsü hastalarında koroner akımsızlık ile elektrokardiyografik iskemi drade arasındaki ilişki

    Başlık çevirisi yok

    HÜLYA CEBE

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    KardiyolojiSağlık Bilimleri Üniversitesi

    Kardiyoloji Ana Bilim Dalı

    DOÇ. DR. FATMA NİHAN TURHAN ÇAĞLAR

Geri Dön