KALP RAHATSIZLIKLARININ TESPİTİNDE EKG SİNYALLERİ ÜZERİNDE AÇIKLANABİLİR DERİN ÖĞRENME MODELLERİNİN GELİŞTİRİLMESİ

Abstract

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.This thesis aims to develop explainable artificial intelligence (XAI) approaches for the automatic detection of cardiac disorders using ECG signals. The use of ECG signals in diagnosing cardiac disorders is particularly important for the detection of irregular heart rhythms, such as arrhythmia and atrial fibrillation. In this study, deep learning models are employed to analyze ECG data, and a Multimodal GradCAM (MM-GradCAM) method is developed to enhance the interpretability of these analyses. The hypothesis posits that a method capable of evaluating ECG data in both signal and image forms can improve diagnostic accuracy and reliability. The study involved conducting various experiments on large-scale ECG datasets using deep learning models. Findings indicate that the MM-GradCAM method provides transparency for model outputs by enabling interpretability in both time series and pattern recognition, with validations from expert cardiologists. This thesis contributes to increasing the adoption potential of XAI applications in healthcare by strengthening physicians' trust in AI-assisted systems. In conclusion, the proposed method provides an understandable and reliable framework for AI-based diagnostic models in healthcare applications.