Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

Koroner arter hastalıkları, dünya çapında ölümlerin başlıca nedenidir ve zamanında tedavi için erken teşhis çok önemlidir. Bu sorunu ele almak amacıyla, çeşitli sinyal işleme, öznitelik çıkarma, denetimli, ve denetimsiz makine öğrenmesi yöntemlerini birleştiren yeni bir otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği öneriyoruz. Otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği, 12-derivasyonlu elektrokardiyogram (EKG) ve kardiyak sempatik sinir aktivitesi (KSSA) verilerini birlikte ve eş zamanlı analiz ederek, koroner arter hastalıklarının hızlı, erken, ve doğru teşhisini gerçekleştirmektedir. Önerilen otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniğini geliştirmek ve değerlendirmek için, 260 denekten non-invaziv olarak elde edilen 12-derivasyonlu geniş bantlı ham kayıtları içeren tamamen-etiketlenmiş STAFF III ve PTBD veri tabanlarını kullandık. Bu veri tabanlarındaki geniş bantlı ham kayıtları kullanarak, tüm deneklerin 12-derivasyonlu EKG ve KSSA sinyallerini eş zamanlı olarak tespit eden bir sinyal işleme tekniği geliştirdik. Ön-işlenmiş 12-derivasyonlu EKG ve KSSA sinyallerini kullanarak, koroner arter hastalıklarının güvenilir teşhisi için kritik olan istatistiksel EKG ve KSSA özniteliklerini elde eden bir zaman-düzlemi öznitelik çıkarma tekniği geliştirdik. Elde edilen ayırt edici öznitelikleri kullanarak, 12-derivasyonlu EKG ve KSSA verilerindeki anomalileri eş zamanlı olarak tespit eden yapay sinir ağı-tabanlı bir denetimli sınıflandırma tekniği geliştirdik. Ayrıca, koroner arter hastalıklarını temsil eden aykırı değerlerin gürbüz tespitini gerçekleştiren, Gauss karışım modeline ve Neyman-Pearson kriterine dayalı bir denetimsiz kümeleme tekniği geliştirdik. Otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniğini kullanarak, koroner arter hastalığı sırasında KSSA sinyalinin genliğindeki artış ile EKG sinyalindeki anomaliler arasında önemli bir ilişki olduğunu gösterdik. Otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği, 98.48% duyarlılık, 97.73% özgüllük, 98.11% doğruluk, 97.74% kesinlik, 98.47% negatif tahmin değeri, ve 98.11% F1-skoru ile koroner arter hastalıklarının oldukça güvenilir tespitini gerçekleştirmiştir. Bu nedenle, yapay zekâ-tabanlı hibrit anomali tespit tekniği, koroner arter hastalıklarını teşhis etmek için altın standart tanı testi olarak kullanılan EKG'ye kıyasla daha üstün başarım göstermiştir. Ayrıca, yapay zekâ-tabanlı hibrit anomali tespit tekniği, bu çalışmada geliştirilen ve sadece KSSA verilerini veya sadece EKG verilerini kullanan diğer tekniklerden daha üstün başarım göstermiştir. Bu sebeple, farklı veri türlerinin çeşitliliğinden ve güçlü yönlerinden faydalanarak, koroner arter hastalıklarının tespit başarımını önemli ölçüde arttırmıştır. Ayrıca, yapay zekâ-tabanlı hibrit anomali tespit tekniğinin başarımı, koroner arter hastalıklarını teşhis etmek veya sınıflandırmak için yalnızca EKG verilerini kullanmış olan literatürdeki birçok makine öğrenmesi ve derin öğrenme yöntemlerinin başarımından daha üstündür. Ek olarak, klinik ortamlarda gerçek-zamanlı koroner arter hastalığı tespiti için oldukça arzu edilen çok kısa bir uygulama süresine sahiptir. Önerilen otomatik yapay zekâ-tabanlı hibrit anomali tespit tekniği, koroner arter hastalıklarının hızlı, erken, ve doğru teşhisi konusunda doktorların başarısını arttıran etkili bir karar destek sistemi olarak hizmet edebilir. Özellikle EKG tarafından sağlanan teşhis bilgilerinin, hastalığın güvenilir teşhisi için tek başına yeterli olmadığı asemptomatik koroner arter hastaları açısından oldukça faydalı ve değerli olabilir. Bu nedenle, hasta sonuçlarını önemli ölçüde iyileştirebilir, zamanında tedavilere olanak sağlayabilir ve kardiyovasküler hastalıkların mortalitesini azaltabilir. İkinci olarak, Koronavirüs hastalığının (COVID-19) hızlı ve doğru teşhisini gerçekleştirmek için ters transkriptaz-polimeraz zincir reaksiyonu (RT-PCR) eğrilerini, toraks bilgisayarlı tomografi görüntülerini, ve laboratuvar verilerini birlikte analiz eden yeni bir otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniği öneriyoruz. Bu amaçla, tamamen-etiketlenmiş Ankara Üniversitesi Tıp Fakültesi COVID-19 (AÜTF-CoV) veri tabanını geriye dönük olarak oluşturduk. AÜTF-CoV veri tabanı, RT-PCR eğrileri, toraks bilgisayarlı tomografi görüntüleri, ve laboratuvar verileri de dahil olmak üzere çok çeşitli tıbbi veriler içermektedir. AÜTF-CoV veri tabanı, COVID-19 pnömonisi (CVP), diğer viral ve bakteriyel pnömoniler (VBP), ve parankimal akciğer hastalıkları (PAH) gibi ayırıcı tanısı çok zor olan toraks bilgisayarlı tomografi görüntülerini içeren en kapsamlı veri tabanıdır. İki ön-işleme yöntemi, uzun kısa-süreli bellek ağı-tabanlı derin öğrenme yöntemi, evrişimsel sinir ağı-tabanlı derin öğrenme yöntemi, ve yapay sinir ağı-tabanlı makine öğrenmesi yönteminden oluşan bir topluluk öğrenmesi tekniği olan yeni bir otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniği geliştirdik. Önerilen otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniği, RT-PCR eğrilerini, toraks bilgisayarlı tomografi görüntülerini, ve laboratuvar verilerini birlikte analiz ederek, COVID-19'un güvenilir tespiti için kritik olan farklı veri türlerinin çeşitliliğinden ve güçlü yönlerinden faydalanmaktadır. Önerilen evrişimsel sinir ağı-tabanlı derin öğrenme yönteminin AÜTF-CoV veri tabanı üzerindeki çok-sınıflı sınıflandırma başarım sonuçları, yöntemin 91.9% duyarlılık, 92.5% özgüllük, 80.4% kesinlik, ve 86% F1-skoru ile COVID-19'un oldukça güvenilir tespitini sağladığını göstermiştir. Bu nedenle, COVID-19 teşhisinin özgüllüğü bakımından toraks bilgisayarlı tomografiye kıyasla daha üstün başarım göstermiştir. Ayrıca, evrişimsel sinir ağı-tabanlı derin öğrenme yönteminin, radyolojik bulguları çok benzer olan COVID-19 pnömonisini (CVP), diğer viral ve bakteriyel pnömonileri (VBP), ve parenkimal akciğer hastalıklarını (PAH) çok yüksek başarım ile ayırt ettiği gösterilmiştir. Bu nedenle, cam opasitelerini içeren akciğer hastalıklarının ayırıcı tanısında yüksek başarım ile kullanılma potansiyeline sahiptir. Önerilen evrişimsel sinir ağı-tabanlı derin öğrenme yönteminin iki-sınıflı sınıflandırma başarım sonuçları, yöntemin COVID-19 teşhisinde 91.5% duyarlılık, 94.8% özgüllük, 85.6% kesinlik, ve 88.4% F1-skoru elde ettiğini göstermiştir. Bu nedenle, COVID-19 teşhisinde toraks bilgisayarlı tomografi ile karşılaştırılabilir duyarlılığa sahiptir. Ayrıca, önerilen uzun kısa-süreli bellek ağı-tabanlı derin öğrenme yönteminin AÜTF-CoV veri tabanı üzerindeki iki-sınıflı sınıflandırma başarım sonuçları, yöntemin 96.6% duyarlılık, 99.2% özgüllük, 98.1% kesinlik, ve 97.3% F1-skoru ile COVID-19'un oldukça güvenilir tespitini sağladığını göstermiştir. Bu nedenle, COVID-19 teşhisinin duyarlılığı bakımından altın standart RT-PCR testine kıyasla daha üstün başarım göstermiştir. Önerilen otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniğinin AÜTF-CoV veri tabanı üzerindeki çok-sınıflı sınıflandırma başarım sonuçları, tekniğin 66.3% duyarlılık, 94.9% özgüllük, 80% kesinlik, ve 73% F1-skoru ile COVID-19'u teşhis ettiğini göstermiştir. Bu durum, hibrit klinik karar destek tekniğinin, COVID-19 pnömonisini (CVP) ve diğer pnömonileri çok başarılı bir şekilde ayırt edebildiğini göstermektedir. Otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniğinin iki-sınıflı sınıflandırma başarım sonuçları, tekniğin 90% duyarlılık, 92.8% özgüllük, 91.8% kesinlik, ve 90.9% F1-skoru ile COVID-19'un oldukça gürbüz tespitini sağladığını göstermiştir. Bu nedenle, hibrit klinik karar destek tekniği, COVID-19 teşhisinde laboratuvar verilerine kıyasla daha üstün duyarlılığa ve özgüllüğe sahiptir. Önerilen otomatik yapay zekâ-tabanlı hibrit klinik karar destek tekniğinin AÜTF-CoV veri tabanı üzerindeki başarım sonuçları, tekniğin RT-PCR verilerini, toraks bilgisayarlı tomografi görüntülerini ve laboratuvar verilerini birlikte analiz ederek, oldukça güvenilir COVID-19 teşhisi sağladığını göstermektedir. Sonuç olarak, önerilen teknik, doktorların COVID-19'u teşhis etme başarısını önemli ölçüde artırabilir, COVID-19 hastalarını hızlı izole etme ve tedavi etme konusunda onlara yardımcı olabilir ve günlük klinik uygulamadaki iş yüklerini azaltabilir.