Kardiyolojide Yapay Zeka Uygulamaları

Giriş

Kardiyovasküler hastalıklar dünya genelinde tüm nedenlere bağlı ölüm nedenlerinin başında gelmektedir. Dünya Sağlık Örgütü’nün 2022 verilerine göre küresel ölümlerin %32’si kardiyovasküler nedenlere bağlıdır (1). Bu durum kardiyovasküler hastalıkların erken tanı ve tedavisinin önemini ortaya koymaktadır.

Yapay zeka araçlarının kardiyovasküler hastalıklar alanında kullanımı son yıllarda giderek artmaktadır. Yapay zeka kardiyovasküler hastalıklar alanında geleceğe dönük tahmin modellerinin kurulmasını, tanısal yöntemlerde doğruluğun artırılmasını, girişimsel işlemlerde gerçek zamanlı kılavuzluk sağlanmasını ve kişiselleştirilmiş tedavilerin oluşturulmasını sağlamaktadır (2). Bu yazıda yapay modellerinin kardiyovasküler hastalıklar alanında kullanımına ilişkin güncel bilgiler sunulmuştur.

Yapay Zeka Destekli Dijital Stetoskoplar

Bu alanda gerçekleştirilen TRICORDER (Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope in the UK: a cluster-randomised controlled implementation trial) çalışmasına, Birleşik Krallık’ta yer alan 205 merkezden toplamda 1,553,175 hasta dahil edilmiş ve yapay zeka destekli dijital stetoskopların kalp yetersizliği, atriyal fibrilasyon ve kapak hastalığı tanısındaki gücü test edilmiştir. Çalışmanın per-protokol analiz sonuçlarına göre yapay zeka destekli dijital stetoskop kullanımı kalp yetersizliği tanısı koymada 2.3 kat, atriyal fibrilasyon tanısı koymada 3.4 kat ve kapak hastalığı tanısı ise 1.9 kat artış ile ilişkilendirilmiştir (3). Benzer bir başka gözlemsel çalışmada, tek lead elektrokardiyografi özellikli stetoskop kullanımının düşük ejeksiyon fraksiyonlu kalp yetersizliğini tespit etmede %92 sensivite ve %80 spesifiteye sahip olduğu bulunmuştur (4).

Yapay Zeka Destekli Elektrokardiyografi

2019 yılında yapılan bir çalışmada, 91,232 tek lead elektrokardiyografi kaydı kullanılmış ve 12 farklı aritmi tipinin tanısında yapay zeka kullanımı ile kardiyologlar arasında tanı gücü farkı araştırılmıştır. Araştırma sonucunda pozitif prediktif değer ve sensivitenin ortalamasını yansıtan ortalama F1 skoru, derin sinir ağları kullanılarak yapılan analizler için 0.837 saptanır iken board sertifikalı kardiyologların ortalama F1 skoru 0.780 bulunmuştur (5). EAGLE (The ECG AI-Guided Screening for Low Ejection Fraction trial) çalışmasına kalp yetersizliği olmayan 22,641 birey dahil edilmiştir (6). Bazal elektrokardiyografi kayıtlarını takiben 90 gün içerisinde kalp yetersizliği (ejeksiyon fraksiyonu <%50) gelişme riskini tahmin etme gücü açısından yapay zeka destekli elektrokardiyografi analizi ile kontrol grubu karşılaştırılmıştır. Çalışma sonuçlarına göre yapay zeka destekli elektrokardiyografi analizinin, kalp yetersizliği gelişme riskini klasik yöntemlere göre daha iyi tahmin ettiği saptanmıştır (%2.1 karşı %1.6, odds oranı: 1.32 ve P-değeri = 0.007). Çok uluslu ve çok merkezli olarak gerçekleştirilen bir başka çalışmaya kalp yetersizliği olmayan 286,880 birey dahil edilmiş ve yapay zeka destekli elektrokardiyografi analizinin takipte yeni gelişecek kalp yetersizliği tahmin gücü çalışılmıştır. Ortanca 4.5 yıllık takip süresi sonunda, bazal değerlendirmede pozitif saptanan yapay zeka destekli elektrokardiyografi analizinin, yeni gelişen kalp yetersizliği riskinde 4 ile 24 kat risk artışı ile ilişkili olduğu görüldü (7). Yapay sinir ağları modeli ile yapılan 12 derivasyonlu elektokardiyografi analizlerinin, konjenital uzun QT sendromu ile kazanılmış QT uzaması ayrımını %77 duyarlılık ve %87 özgüllük (eğri altında kalan alan: 0.896) ile yapabildiği bildirilmiştir (8).

Kardiyolojide Görüntüleme ve Yapay Zekâ

Kardiyovasküler görüntüleme; tanı, risk sınıflaması ve tedavi planlamasının temel bileşenlerinden biridir. Son yıllarda yapay zekâ (YZ) ve özellikle derin öğrenme (DL) tekniklerinin entegrasyonu ile bu alan önemli bir dönüşüm geçirmektedir. Artan veri hacmi, görüntü çözünürlüğündeki gelişmeler ve hesaplama gücündeki ilerlemeler, görüntü analizinin otomatikleştirilmesini mümkün kılmıştır. Bu gelişmeler yalnızca ölçüm hızını artırmakla kalmayıp, gözlemciye bağımlılığı azaltmakta, standardizasyonu güçlendirmekte ve klinik karar destek sistemlerini daha erişilebilir hale getirmektedir. Güncel literatür, YZ’nin kardiyak görüntülemede yalnızca teknik bir yenilik değil, aynı zamanda klinik iş akışlarını yeniden şekillendiren bir paradigma değişimi olduğunu göstermektedir.

Bu bölüm, kardiyovasküler görüntülemede yapay zekâ uygulamalarını klinik pratik perspektifinden özetleyen kısa bir rehber niteliğindedir. Ekokardiyografi, kardiyak manyetik rezonans (CMR), koroner BT anjiyografi (CCTA), nükleer kardiyoloji ve intravasküler görüntüleme alanlarında geliştirilen YZ temelli yaklaşımlar; teknik prensipleri, temel performans göstergeleri ve klinik entegrasyon potansiyelleri çerçevesinde ele alınmaktadır. Ekonomik değerlendirmeler, pediatrik uygulamalar, ayrıntılı algoritmik mimari analizleri ve ülkelere özgü kapsamlı mevzuat incelemeleri bu rehberin kapsamı dışında bırakılmıştır. Amaç, mevcut kanıt düzeyini ve dikkat edilmesi gereken sınırlılıkları sistematik bir çerçevede sunmaktır.

Ekokardiyografi

Derin öğrenme temelli otomatik ejeksiyon fraksiyonu (EF) hesaplama sistemleri, uygulamalarda klinik karar desteğini güçlendirme potansiyeli göstermektedir. Asch ve arkadaşlarının çalışmasında, apikal 4 boşluk, apikal 2 boşluk ve parasternal long-axis görüntülerini kullanarak EF tahmini yapan algoritma, referans Simpson biplan yöntemi ile yüksek uyum göstermiştir (ICC 0.86– 0.95; bias <%2; ortalama mutlak fark <%7). Ayrıca sol ventrikül disfonksiyonunun saptanmasında deneyimli kardiyologların görsel değerlendirmesiyle benzer doğruluk bildirilmiştir (9).

Teknik açıdan bu sistemler genellikle iki boyutlu ekokardiyografik görüntüler üzerinde denetimli öğrenme yaklaşımıyla eğitilmiş konvolüsyonel sinir ağı (CNN) tabanlı regresyon modelleridir. Girdi olarak ham görüntü kareleri alınmakta, özellik çıkarımı sonrasında doğrudan sürekli EF çıktısı üretilmektedir. Performans sıklıkla intraclass korelasyon katsayısı (ICC), ortalama mutlak hata (MAE) ve bias ölçütleri ile rapor edilmektedir (9). Bu tür otomasyon sistemlerinin, manuel ölçümlere kıyasla gözlemciler arası varyasyonu azaltabileceği ve raporlama süresini kısaltabileceği bildirilmektedir.

Kardiyak Manyetik Rezonans (CMR)

CMR görüntülerinde yapay zekâ uygulamaları özellikle segmentasyon ve nicelleştirme alanında yoğunlaşmaktadır. Derin öğrenme modelleri miyokardiyal sınırları, enfarktüs skarını ve ödemi otomatik olarak belirleyebilmekte; ayrıca rekonstrüksiyon ve hareket artefakt düzeltme algoritmaları sayesinde tarama süreleri azaltılabilmektedir (10).

CMR segmentasyon çalışmalarında çoğunlukla U-Net ve türevleri gibi encoder–decoder mimariler kullanılmaktadır. Bu modeller piksel düzeyinde denetimli segmentasyon amacıyla eğitilmekte; kısa veya uzun eksen cine görüntülerden miyokard ve kavite sınırlarını otomatik olarak çıkararak hacim, ejeksiyon fraksiyonu ve doku karakterizasyon parametreleri üretmektedir. Performans genellikle Dice benzerlik katsayısı, Jaccard indeksi ve hacimsel sapma ölçütleri ile değerlendirilmektedir. Bununla birlikte, sistematik incelemeler veri çeşitliliği ve dış doğrulama eksikliğine dikkat çekmektedir (10).

Koroner BT Anjiyografi (CCTA)

CCTA üzerinde geliştirilen YZ sistemleri; koroner plak tespiti, kompozisyon analizi ve toplam plak hacmi hesaplaması gibi görevlerde kullanılmaktadır. Bu uygulamalar, bireyselleştirilmiş risk sınıflaması ve tedavi planlaması açısından potansiyel taşımaktadır (11).

Teknik olarak çoğu sistem 3D CNN veya nnU-Net benzeri segmentasyon mimarileri kullanmaktadır. Ham DICOM BT verilerinden otomatik koroner ağaç segmentasyonu yapılmakta, ardından plak hacmi ve karakterizasyonu gerçekleştirilmektedir. Performans değerlendirmeleri genellikle AUC, duyarlılık/özgüllük ve hacimsel doğruluk ölçütleri üzerinden rapor edilmektedir (11).

Nükleer Kardiyoloji (SPECT ve PET)

Nükleer görüntülemede YZ uygulamaları; düşük doz rekonstrüksiyon, gürültü azaltma ve iskemi sınıflandırması alanlarında kullanılmaktadır. Residual CNN ve generative adversarial network (GAN) tabanlı modeller, düşük sinyal/gürültü oranına sahip görüntülerden yüksek kaliteli rekonstrüksiyon üretmek üzere eğitilmektedir. Klinik sınıflandırma görevlerinde olasılıksal iskemi tahmini yapılmakta ve performans sıklıkla AUC ile rapor edilmektedir. Bu alanda cihaz ve protokol heterojenitesi ile dış doğrulama eksikliği öne çıkan sınırlamalardır (12).

Göğüs BT ve X-ray görüntülerinde kardiyomegali ve kalp yetmezliği ile ilişkili yapısal değişikliklerin yapay zekâ ile taranmasına yönelik çalışmalar da bildirilmiştir (13). Bu tür yaklaşımlar özellikle geniş popülasyon taramalarında ve kaynakları sınırlı ortamlarda erken risk belirleme potansiyeli taşımaktadır.

İntravasküler Görüntüleme (IVUS/OCT)

IVUS ve OCT görüntülerinde CNN ve bazı çalışmalarda transformer tabanlı modeller, plak morfolojisinin piksel düzeyinde segmentasyonu için kullanılmaktadır (11). Girdi olarak intravasküler kesitler alınmakta; lipidik, fibrotik ve kalsifik alanlar sınıflandırılarak alan yüzdesi ve kalınlık ölçümleri üretilmektedir. Performans genellikle doğruluk oranı, Dice katsayısı ve gözlemciler arası uyum ölçütleri ile bildirilmektedir (11).

Görüntü Tabanli Hemodinamik Modelleme

CCTA verilerinden otomatik segmentasyon sonrası makine öğrenmesi destekli akım tahmin modelleri veya hızlandırılmış CFD benzeri hesaplamalar ile noninvaziv FFR tahmini yapılabilmektedir (11). Çıktılar genellikle invaziv FFR ile korelasyon ve AUC değerleri üzerinden değerlendirilmektedir (11). Bu yaklaşımlar hemodinamik risk değerlendirmesini hızlandırma potansiyeli taşımakla birlikte, prospektif klinik doğrulama gereksinimi devam etmektedir.

Yapay Zekâ Modellerinde Performans Değişkenliği ve Sinirliliklar

YZ temelli görüntüleme modelleri yüksek performans gösterebilse de dış doğrulama çalışmalarında performans düşüşleri bildirilmektedir (10,14). Tek merkezli veri ile eğitilen modeller farklı cihaz üreticileri, protokoller veya popülasyonlarda test edildiğinde AUC ve doğruluk değerlerinde azalma görülebilmektedir. Bu durum “domain shift” veya “data drift” olarak tanımlanmaktadır (14).

Bazı CMR ve CCTA çalışmalarında dış merkez testlerinde Dice katsayısında %5–15 düşüş bildirilmiştir (10,11). Etiket standardizasyon farklılıkları, küçük örneklem büyüklükleri ve dengesiz veri dağılımı performansın olduğundan yüksek görünmesine neden olabilmektedir. Bu nedenle çok merkezli ve prospektif doğrulama çalışmaları klinik uygulama öncesinde kritik öneme sahiptir.

Türkiye’de Klinik Uygulama ve Düzenleyici Çerçeve

Türkiye’de YZ destekli kardiyovasküler görüntüleme uygulamaları artış göstermektedir; ancak rutin entegrasyon sınırlı ve heterojendir. Çok merkezli ulusal validasyon çalışmaları henüz yeterli düzeyde değildir.

YZ tabanlı yazılımlar tıbbi cihaz kapsamında değerlendirilmekte ve Türkiye İlaç ve Tıbbi Cihaz Kurumu tarafından Avrupa Birliği MDR çerçevesine uyumlu biçimde ruhsatlandırılmaktadır. Klinik karar desteği sağlayan sistemlerde performans izleme, veri güvenliği ve sorumluluk paylaşımı gibi konular uygulamada netlik gerektirmektedir (14). KVKK kapsamında sağlık verilerinin işlenmesine ilişkin yükümlülükler, çok merkezli veri paylaşımında operasyonel zorluklar yaratabilmektedir.

Sonuç

Kardiyovasküler görüntülemede yapay zekâ uygulamaları; ölçüm otomasyonu, risk sınıflaması, hemodinamik modelleme ve multimodal veri entegrasyonu gibi alanlarda klinik pratiği dönüştürme potansiyeli taşımaktadır. Bununla birlikte, dış doğrulama eksikliği, veri çeşitliliği, model genellenebilirliği ve düzenleyici çerçeveye ilişkin belirsizlikler sürdürülebilir entegrasyon açısından önemli sınırlılıklar oluşturmaktadır (10,14).

Gelecekteki çalışmaların çok merkezli, prospektif ve gerçek dünya verilerine dayalı tasarlanması; performansın sürekli izlenmesi ve güvenlik mekanizmalarının yapılandırılması gerekmektedir. Bu koşullar sağlandığında yapay zekâ, kardiyovasküler görüntülemede güvenilir bir klinik karar destek bileşeni haline gelebilecektir.

Kaynakça

1. https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
2. Biondi-Zoccai G, D'Ascenzo F, Giordano S, Mirzoyev U, Erol Ç, Cenciarelli S, Leone P, Versaci F. Artificial Intelligence in Cardiology: General Perspectives and Focus on Interventional Cardiology. Anatol J Cardiol. 2025;29(4):152-163.
3. Kelshiker MA, Bächtiger P, Petri CF, Nakhare S, Mansell J, Chhatwal K, Alrumayh A, Zaman J, Shah M, Young H, Roy H, Almonte MT, Costelloe C, Razak Y, Majeed A, Howard JP, Barton C, Kramer DB, Plymen CM, Peters NS. Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trial. Lancet. 2026;407(10529):704-715.
4. Bachtiger P, Petri CF, Scott FE, Ri Park S, Kelshiker MA, Sahemey HK, Dumea B, Alquero R, Padam PS, Hatrick IR, Ali A, Ribeiro M, Cheung WS, Bual N, Rana B, Shun-Shin M, Kramer DB, Fragoyannis A, Keene D, Plymen CM, Peters NS. Point-of-care screening for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled stethoscope examination in London, UK: a prospective, observational, multicentre study. Lancet Digit Health. 2022;4(2):e117-e125.
5. Hannun AY, Rajpurkar P, Haghpanahi M, Tison GH, Bourn C, Turakhia MP, Ng AY. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65-69.
6. Yao X, Rushlow DR, Inselman JW, McCoy RG, Thacher TD, Behnken EM, Bernard ME, Rosas SL, Akfaly A, Misra A, Molling PE, Krien JS, Foss RM, Barry BA, Siontis KC, Kapa S, Pellikka PA, Lopez-Jimenez F, Attia ZI, Shah ND, Friedman PA, Noseworthy PA. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic, randomized clinical trial. Nat Med. 2021;27(5):815-819.
7. Dhingra LS, Aminorroaya A, Sangha V, Pedroso AF, Asselbergs FW, Brant LCC, Barreto SM, Ribeiro ALP, Krumholz HM, Oikonomou EK, Khera R. Heart failure risk stratification using artificial intelligence applied to electrocardiogram images: a multinational study. Eur Heart J. 2025;46(11):1044-1053.
8. Bos JM, Liu K, Attia ZI, Noseworthy PA, Friedman PA, Ackerman MJ. Deep Neural Network Analysis of the 12-Lead Electrocardiogram Distinguishes Patients With Congenital Long QT Syndrome From Patients With Acquired QT Prolongation. Mayo Clin Proc. 2025;100(2):276- 289.
9. Asch FM, Mor-Avi V, Rubenson D, Goldstein S, Saric M, Mikati I, Surette S, Chaudhry A, Poilvert N, Hong H, Horowitz R, Park D, Diaz-Gomez JL, Boesch B, Nikravan S, Liu RB, Philips C, Thomas JD, Martin RP, Lang RM. Deep Learning-Based Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction: A Point-of-Care Solution. Circ Cardiovasc Imaging. 2021;14(6):e012293.
10. Aromiwura AA, Cavalcante JL, Kwong RY, Ghazipour A, Amini A, Bax J, Raman S, Pontone G, Kalra DK. The role of artificial intelligence in cardiovascular magnetic resonance imaging. Prog Cardiovasc Dis. 2024;86:13-25.
11. Schulze K, Stantien AM, Williams MC, Vassiliou VS, Giannopoulos AA, Nieman K, Maurovich- Horvat P, Tarkin JM, Vliegenthart R, Weir-McCall J, Mohamed M, Föllmer B, Biavati F, Stahl AC, Knape J, Balogh H, Galea N, Išgum I, Arbab-Zadeh A, Alkadhi H, Manka R, Wood DA, Nicol ED, Nurmohamed NS, Martens FMAC, Dey D, Newby DE, Dewey M. Coronary CT angiography evaluation with artificial intelligence for individualized medical treatment of atherosclerosis: a Consensus Statement from the QCI Study Group. Nat Rev Cardiol. 2026;23(2):100-115.
12. Golub IS, Thummala A, Morad T, Dhaliwal J, Elisarraras F, Karlsberg RP, Cho GW. Artificial Intelligence in Nuclear Cardiac Imaging: Novel Advances, Emerging Techniques, and Recent Clinical Trials. J Clin Med. 2025;14(6):2095.
13. Kajrolkar A. Artificial Intelligence in Cardiac Imaging: A Comprehensive Review of Clinical Implementation and Validation. Premier Journal of Cardiology. 2025;2:100003.
14. Howard JP, Zhang Q, Salih AM, Petersen SE, Lekadir K, Raisi-Estabragh Z. Artificial intelligence in cardiovascular imaging: risks, mitigations and the path to safe implementation. Heart. 2026;112(5):246-252.