Derin Öğrenme Yöntemleri ile Kalp Hastalıklarının Tespiti

Abstract

Dünya genelinde en yaygın ölüm nedenlerinden biri olan kalp hastalıkları, erken teşhisin zorluğu nedeniyle özellikle gelişmekte olan ülkelerde ciddi bir halk sağlığı sorunu teşkil etmektedir. Elektrokardiyogram (EKG) sinyalleri kalp hastalıklarının tespitinde önemli bir araçtır ve teknolojik gelişmelere bağlı olarak yapay zeka destekli sistemler bu alanda önemli hale gelmiştir. Bu tezde, EKG sinyallerinden kalp hastalıklarının otomatik olarak tespit edilmesi için derin öğrenme tabanlı yaklaşımlar geliştirilmiş ve değerlendirilmiştir. Bu çalışma, derin öğrenme tekniklerini kullanarak elektrokardiyogram (EKG) sinyallerinden kalp hastalıklarını tespit etmek için otomatik bir sistem geliştirmeyi amaçlamaktadır. Çalışmada sinyal ön işleme, derin sinir ağları (DNN'ler) kullanarak otomatik özellik çıkarma ve sınıflandırmayı kapsayan denetimli bir metodoloji kullanılmıştır. Çalışmada, konvolüsyonel sinir ağı (CNN) ve uzun kısa süreli bellek (LSTM) mimarisini eğitmek ve değerlendirmek için 12 derivasyonlu klinik EKG kayıtlarından oluşan geniş bir koleksiyon olan PTB-XL veri seti kullanılmaktadır. Araştırma, ikili sınıflandırma (sağlıklı ve sağlıksız) ve belirli kardiyak durumları (NORM, MI, STTC, CD, HYP) tanımlamak için beş sınıf üzerinden çok sınıflı sınıflandırmaya odaklanmaktadır. Sonuçlar, LSTM modelinin sağlıklı ve patolojik denekleri ayırt etmede üstün olduğunu ve %92,27'lik bir doğruluk ve %97,12'lik bir AUC elde ettiğini göstermektedir. Beş sınıflı bir sınıflandırmaya genişletildiğinde, manuel olarak çıkarılan özelliklerle zenginleştirilmiş CNN modeli, %82,63'lik bir genel doğruluk ve sınıfa bağlı olarak %90 ile %96 arasında bir AUC elde etmiştir. Çoğunluk sınıfları yüksek derecede güvenilirlikle ele alınırken, performans az temsil edilen sınıflar için düşmekte ve sayılardaki dengesizliğin modelin duyarlılığı üzerindeki etkisini vurgulamaktadır. Bu çalışma, EKG analizi için derin öğrenme tekniklerinin etkinliğini göstererek, düşük maliyetli ve taşınabilir tanı araçlarına entegre edilebilen akıllı karar destek sistemlerinin geliştirilmesine katkıda bulunmaktadır. Bu tür sistemler, özellikle tıbbi uzmanlığa erişimin sınırlı olduğu uzak ve yetersiz hizmet alan bölgelerde erken teşhisi geliştirme ve sağlık hizmeti sunumunu iyileştirme potansiyeline sahiptir.Heart disease is one of the most common causes of death worldwide and poses a serious public health problem, particularly in developing countries, due to the difficulties of early detection. Electrocardiogram (ECG) signals are an essential tool in detecting heart disease, and artificial intelligence-assisted systems have become important in this field due to technological developments. In this thesis, deep learning-based approaches for automatically detecting cardiac diseases from ECG signals are developed and evaluated. This study aims to develop an automatic system for detecting heart disease from electrocardiogram (ECG) signals using deep learning techniques. The study employs a supervised methodology encompassing signal pre-processing, automatic feature extraction using deep neural networks (DNNs) and classification. The study uses the PTB-XL dataset, a large collection of 12-lead clinical ECG recordings, to train and evaluate Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) architecture. The research focuses on binary classification (healthy and unhealthy) and multi-class classification over five classes to identify specific cardiac conditions (NORM, MI, STTC, CD, HYP). The results show that the LSTM model is superior in distinguishing between healthy and non-healthy subjects, achieving an accuracy of 92.27% and an AUC of 97.12%. When extended to a five-class classification, the CNN model enriched with manually extracted features achieves an overall accuracy of 82,63% and AUC of different classes varying between 90% and 96%. While most classes are treated with high reliability, performance deteriorates for under-represented classes, highlighting impact of class imbalances on model accuracy. By demonstrating the effectiveness of deep learning techniques for ECG analysis, this study contributes to developing intelligent decision-support systems that can be integrated into low-cost and portable diagnostic tools. Such systems have the potential to enhance early diagnosis and improve healthcare delivery, particularly in remote and underserved areas where access to medical expertise is limited.