Kalp rahatsızlıklarının tespitinde EKG sinyalleri üzerinde açıklanabilir derin öğrenme modellerinin geliştirilmesi

Bu tez çalışması, kalp rahatsızlıklarının EKG sinyalleri üzerinden otomatik tespiti için açıklanabilir yapay zeka (XAI) yaklaşımlarının geliştirilmesini amaçlamaktadır. Kalp rahatsızlıklarının tanısında EKG sinyallerinin kullanımı, özellikle aritmi ve atriyal fibrilasyon gibi düzensiz kalp ritimlerinin tespiti açısından önem arz etmektedir. Tezde, derin öğrenme modelleri kullanılarak EKG verilerinin analizi yapılmış ve bu analizlerin açıklanabilirliğini artırmak amacıyla Multimodal GradCAM (MM-GradCAM) yöntemi geliştirilmiştir. Hipotez olarak hem sinyal hem de görüntü formundaki EKG verilerini değerlendirebilen bir açıklanabilirlik yöntemiyle tanı doğruluğunun ve güvenilirliğinin artırılabileceği öne sürülmüştür. Bu tez kapsamında, büyük ölçekli EKG veri setleri üzerinde derin öğrenme modelleri kullanılarak çeşitli uygulamalar yapılmıştır. Bulgular, geliştirilen MM-GradCAM yöntemi ile model çıktılarının hem zaman serileri hem de örüntü açıklanabilirliği açısından şeffaf hale getirildiğini ve uzman kardiyologların yorumları ile doğrulandığını göstermiştir. Bu tez, sağlık alanında XAI uygulamalarının kullanım potansiyelini artırarak, doktorların yapay zeka destekli sistemlere duyduğu güveni güçlendirmektedir. Sonuç olarak, geliştirilen yöntemle yapay zeka tabanlı tanı modellerinin sağlık alanındaki uygulamaları için şeffaf ve güvenilir bir yaklaşım oluşturulmuştur.