Kalp ritmi bozukluklarının derin öğrenme ile otomatik tespiti

Bu tez çalışmasında, kalp ile ilgili anormallikler üzerine yapay zeka çalışması yapılmıştır. Kişilerin kaliteli bir yaşam sürdürebilmesi için kalp hastalıkları ve türlerinin erken teşhis edilmesi ve hastalığının derecesinin belirlenmesi tedavide kolaylık sağlaması için önemli bir rol oynamaktadır. Bu çalışmada kalp ritmi bozukluklarından atriyal fibrilasyon, ventriküler aritmi, ventriküler taşikardi, ventriküler fibrilasyon ritim bozuklukları ele alınmıştır. Ayrıca kalp hastalıkların tanı ve tedavisinde EKG vurularından çeşitli hastalıklar hakkında ön bilgi içermektedir. Modelleme aşamasında ResNet50, EfficientNetB0, MobileNetV3Large, Deit Base, Swin Tiny ve Beit Base gibi farklı modeller kullanılarak Miyokard Enfarktüsü (MI) ille ilgili komplikasyonların otomatik tanısına yönelik makine öğrenmesi ve derin öğrenme araştırmalarını desteklemektedir. Elde edilen sonuçlara göre Beit Base tüm değerlendirme ölçütlerinde en yüksek başarıya ulaşarak %98.39 doğruluk ve %1.61 hata oranı vermiştir. F1 skoru ile veri seti üzerinden en iyi sonucu veren modeldir. Ayrıca hassasiyet yönünden Swin Tiny doğruluk açısından Beit modeli aynı değerde olsa da doğruluk açısından düşük sonuçlar vermiştir. Diğer modellere bakıldığında ResNet50 MobileNetV3Large ve EficientNetB0 sırasıyla daha düşük performans göstermişlerdir. ResNet50 modeli %96.77 ile doğruluk ile öne çıkmıştır. MobileNetV3Large %95.16 ve EfficientNetB0 %94.09 düşük doğruluk değerlerini göstererek en düşük başarıyı ulaşmıştır. Sonuç olarak farklı dönüştürücü mimarilerinin EKG görüntülerinden MI ve ilgili komplikasyonları ayırt etmede üstün başarı sunmuştur. Bu modellerden Beit ve Swin Tiny yüksek doğruluk bir çözüm sunmaktadır. Bu tez çalışması derin öğrenme tabanlı teşhis sistemlerinin klinik karar destek sistemi olarak kullanılabileceğini ve hızlı uygulanabilir alternatifler sunabileceğini göstermektedir.