ORİJİNAL ARAŞTIRMA makalesi
Front. Digit. Health, 10 Kasım 2026
Bölüm: Sağlık Bilişimi
Cilt 8 – 2026 | https://doi.org/10.3389/fdgth.2026.1946730
- SS
- KN
- AT
- RS
Sreyas Sanil Kumar
Kishore N.
Amirthalakshmi T. M. *
Rahul S. G.
Elektronik ve İletişim Mühendisliği Bölümü, Amrita Mühendislik Okulu, Amrita Vishwa Vidyapeetham, Chennai, Tamil Nadu, Hindistan
Makale metrikleri
Özet
Çok modlu kardiyovasküler yapay zeka sistemleri, göğüs radyografileri, 12-kanallı elektrokardiyogramlar (EKG’ler) ve yapılandırılmış elektronik sağlık kaydı (EHR) değişkenlerinin birlikte mevcut olmasından fayda sağlar. Uygulamada, çok kurumsal model geliştirmesi, gizlilik düzenlemeleri, kurumsal veri siloları ve daha az yaygın bulgular için sınıf dengesizliği nedeniyle kısıtlanmaktadır. Mevcut açık kaynaklı sentetik veri araçları büyük ölçüde modaliteye özgüdür: Synthetic Data Vault (SDV)/Conditional Tabular Generative Adversarial Network (CTGAN) gibi tablo tabanlı kütüphaneler, gizli difüzyona dayalı görüntü üreteçleri ve Time-series Generative Adversarial Network (TimeGAN) gibi zaman serisi yöntemleri, her biri kendi kurulumunu, yapılandırmasını ve doğrulamasını gerektirir. Bu çalışma, göğüs röntgeni (CXR), 12-kanallı EKG ve EHR modaliteleri arasında komut odaklı sentetik veri seti üretimi için çok modlu bir orkestrasyon çerçevesi olan SynForge-Cardio’yu sunmaktadır. SynForge-Cardio yeni bir üretken temel mimari sunmak yerine, yerleşik bileşenleri koordine eder: CXR için isteğe bağlı düşük-ranklı adaptasyonlu gizli difüzyon; EKG için parametrik ve sınırlı morfolojiyi koruyan artırma (isteğe bağlı bir TimeGAN yoluyla); ve EHR için jitter artırma, Gauss kopulası ve CTGAN/Tabular Variational Autoencoder arasında boyut duyarlı yönlendirme; bunların hepsi ortak bir klinik komut arayüzü, kural tabanlı bir yönlendirici ve üretim sonrası kalite/gizlilik raporlama katmanının arkasında yer alır. Üç modalite ayrı veri setlerinden bağımsız olarak üretilmiştir; çerçeve hasta düzeyinde ortak sentez yapmaz ve modaliteler arasında anatomik veya fizyolojik tutarlılık iddiasında bulunmaz. Bu sistem bir FastAPI arka ucu ve bir React ön ucu olarak uygulanmıştır ve tek bir iş istasyonu GPU’sunda çalışabilir. Burada, orkestrasyon hedefini resmileştiriyor, modaliteye özgü modelleri ve metrikleri [Fréchet Inception Distance (FID), dinamik zaman bükme (DTW), güç spektral yoğunluğu benzerliği, Kolmogorov–Smirnov istatistikleri, korelasyon koruması ve en yakın kayda mesafe gizlilik taraması] belirtiyor ve halka açık veri kümeleri (NIH Chest X-ray14, PTB-XL ve UCI Cleveland Kalp Hastalığı veri seti) üzerinde bir değerlendirme protokolünü açıklıyoruz; buna beş rastgele tohumla dört rejimli sentetik veriyle eğitim/gerçek veriyle test (TSTR) fayda analizi de dahildir. Sadece çerçeve üzerinde %94,6 modalite yönlendirme doğruluğu, değerlendirilen vakalarda doğrudan üretim ile yönlendirilmiş üretim arasında %100 denklik, 59 gereksiz üretici çağrısından kaçınma ve %100 doğrulama/raporlama bütünlüğü (1.105/1.108 test geçildi, 3 atlandı) ölçtük. Sonraki fayda sonuçları karışıktı: %25’lik gerçek veri içeren bir eğitim setinin sentetik verilerle artırılması, üç CXR görevinde tutulan AUROC’yu −0,041’den +0,050’ye değiştirdi (beş tohumda hiçbiri anlamlı değildi); ECG MI-vs.-NORM için +0,019 [mod B (sınırlı gerçek dalga formu artırması, sentetik örnekleri gerçek kaynak kayıtlarıyla yaklaşık %42,7–43,4’lük en yüksek-1 eşleşmeyle eşleştirilebilen ve dolayısıyla mod B’nin bağımsız olarak öğrenilmiş bir üretken model olmadığı) tarafından üretilmiştir]; ve 61 kayıtlı tutulan veri seti göz önüne alındığında fayda kanıtı olmayan EHR kalp hastalığı sınıflandırması için +0,017 (farkın test seti bootstrap %95 güven aralığı sıfırı içerir). Tıbbi Bilgi Pazarı Yoğun Bakım IV edinimi, yetkili erişim mevcut olmadığı için tamamlanmadı; bildirilen tüm EHR sonuçları UCI tabanlıydı. SynForge-Cardio, gizlilik bilincine sahip kardiyovasküler veri artırımı ve prototip geliştirme için pratik, tekrarlanabilir bir araştırma çerçevesi olarak tasarlanmıştır.
1 Giriş
1.1 Klinik motivasyon
Kardiyovasküler hastalıklar küresel ölümlerin başlıca nedeni olmaya devam etmektedir (). Klinik değerlendirme genellikle birbirini tamamlayan kanıtları birleştirir: kardiomegali ve plevral efüzyon gibi yapısal belirtiler için göğüs radyografileri; aritmi ve iskemik paternler dahil elektriksel anormallikler için 12-kanallı EKG; ve demografik bilgiler, vücut fonksiyonları, laboratuvar biyobelirteçleri ve komorbiditeler için elektronik sağlık kaydı (EHR) değişkenleri. Bu akışlardan birden fazlasını kullanan makine öğrenmesi modelleri bu nedenle caziptir, ancak büyük, iyi karakterize edilmiş çok modlu kohortlar gerektirirler.
Şekil 1
Şekil 2
Şekil 3
Şekil 4
Şekil 5
Şekil 6
Şekil 7
Şekil 8
Tablo 1
Temsilci açık kaynaklı araçların çerçeve düzeyindeki gereksinimlerle karşılaştırması. Gözden geçirilmiş tablo, somut araçları adlandırır ve bir yeteneğin doğrudan doğrulanmadığı durumlarda ihtiyatlı bir dil kullanır; her giriş, temel makalelerin her bir varyantından ziyade yaygın halka açık araçları özetler.
Yine de bu tür kohortları oluşturmak zordur. Gizlilik düzenlemeleri, korunan sağlık bilgilerinin sınırsız paylaşımını kısıtlar, tek merkezli koleksiyonlar genellikle boyut ve sınıf dengesi açısından sınırlıdır ve kurumlar arası anlaşmalar yavaş olabilir. Sentetik veriler tamamlayıcı bir stratejidir: üretken modeller, ham hasta kayıtlarının doğrudan maruziyetini azaltırken, artırma, stres testi ve yöntem geliştirme için ek örnekler üretebilir. Sentetik veriler, gerçek klinik doğrulama ihtiyacını ortadan kaldırmaz, ancak çok merkezli verilere erişimin sınırlı olduğu erken model geliştirme aşamalarında sürtünmeyi azaltabilir.
1.2 Modaliteler arası araç parçalanması
Pratik bir engel, sentetik veri yazılımlarının modaliteye göre parçalanmış olmasıdır. Tablo üreteçleri karışık tipli EHR tablolarını, difüzyon modelleri görüntüleri ve zaman serisi yöntemleri dalga formlarını işler. Her yığın farklı bağımlılıklara, yapılandırma arayüzlerine ve değerlendirme prosedürlerine sahiptir. Göğüs röntgeni (CXR), EKG ve EHR’yi birlikte gerektiren bir kardiyovasküler proje için araştırmacılar genellikle üç ayrı araç zincirini elle birleştirirler. Bu süreç hata yapmaya açıktır: ön işleme konvansiyonları farklılık gösterir, doğrulama ad hoc olarak gerçekleştirilir ve bir klinik üretim talebini bir kez ifade edip tutarlı bir çıktı paketi elde etmek için ortak bir arayüz yoktur.
Bu nedenle, bu makale bu koordinasyon sorununa odaklanmaktadır. SynForge-Cardio’da kullanılan temel üreticiler yerleşik yöntemlerdir. Katkı, kardiyovasküler odaklı bir orkestrasyon katmanıdır: ortak bir doğal dil klinik talep arayüzü, kural tabanlı modalite yönlendirme, boyut duyarlı EHR arka uç seçimi, ortak API’lerin arkasında bağımsız modalite boru hatları, ortak bir doğrulama/raporlama yolu, entegre gizlilik taraması ve tekrarlanabilir bir çıktı/provenans yönetimi şeması; tüm bunlar iş istasyonu ölçeğinde tam bir yığın uygulaması içinde yer almaktadır. Yeni bir difüzyon mimarisi, yeni bir üretken temel mimari, en son teknoloji üretim veya evrensel olarak üstün sentetik veri kalitesi önermiyoruz.
1.3 SynForge-Cardio’nun kapsamı
Temel Bulgular ve Genel Değerlendirme
11.
WagnerPStrodthoffNBousseljotR-DKreiselerDLunzeFISamekWet al. PTB-XL, büyük ve halka açık bir elektrokardiyografi veri seti. Sci Data. (2020) 7:art. 154. 10.1038/s41597-020-0495-6
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
12.
JohnsonAEWBulgarelliLShenLGaylesAShammoutAHorngSet al. MIMIC-IV, serbestçe erişilebilir bir elektronik sağlık kaydı veri seti. Sci Data. (2023) 10:art. 1. 10.1038/s41597-022-01899-x
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
13.
YaleADashSDuttaRGuyonIPavaoABennettKP. Gizliliği koruyan sentetik sağlık verilerinin üretimi ve değerlendirilmesi. Neurocomputing. (2020) 416:244–55. 10.1016/j.neucom.2019.12.136
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
14.
GonzalesAGuruswamyGSmithSR. Sağlık hizmetlerinde sentetik veriler: bir anlatısal derleme. PLoS Digit Health. (2023) 2(1):e0000082. 10.1371/journal.pdig.0000082
- Pubmed Özet
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
15.
HuangGLiuZVan Der MaatenLWeinbergerKQ. Yoğun bağlantılı evrişimli ağlar. Proc. IEEE CVPR. (2017:2261–9). 10.1109/CVPR.2017.243
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
16.
HeKZhangXRenSSunJ. Görüntü tanıma için derin kalıntı öğrenme. Proc. IEEE CVPR. (2016:770–8). 10.1109/CVPR.2016.90
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
17.
BreimanL. Rastgele ormanlar. Mach Learn. (2001) 45(1):5–32. 10.1023/A:1010933404324
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
18.
ShortenCKhoshgoftaarTM. Derin öğrenme için görüntü verisi artırımı üzerine bir derleme. J Big Data. (2019) 6:art. 60. 10.1186/s40537-019-0197-0
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
19.
FonsecaJBacaoF. Tablo ve gizli uzay sentetik veri üretimi: bir literatür taraması. J Big Data. (2023) 10:art. 115. 10.1186/s40537-023-00792-7
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
20.
Dünya Sağlık Örgütü, “Kardiyovasküler hastalıklar (KVD’ler),” Bilgi formu (31 Temmuz 2025). Cenevre: Dünya Sağlık Örgütü. Çevrimiçi olarak mevcut:https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)(Erişim tarihi: 29 Ekim 2026).
- Makaledeki referansı görüntüle
21.
HeuselMRamsauerHUnterthinerTNesslerBHochreiterSet al. İki zaman ölçekli güncelleme kuralıyla eğitilen GAN’lar yerel bir Nash dengesine yakınsar. Proc NeurIPS. (2017) 30:6626–37.
- Google Scholar
- Makaledeki referansı görüntüle
22.
BińkowskiMSutherlandDJArbelMGrettonAet al. MMD GAN’ları çözmek. Proc ICLR. (2018). Çevrimiçi olarak mevcut:https://openreview.net/forum?id=r1lUOzWCW(Erişim tarihi: 29 Ekim 2026).
- Google Scholar
- Makaledeki referansı görüntüle
23.
HirschATenFWKrügerKSGeyerRCRöschlTGröschelMIet al. Çok modlu anonimleştirici: tıbbi veri kimlikten arındırma için tamamen yerel çok ajanlı bir yapay zeka sistemi. medRxiv. (2026). 10.64898/2026.05.28.26353952
- CrossRef
- Google Scholar
- Makaledeki referansı görüntüle
Özet
Anahtar Kelimeler
12-kanallı EKG sentezi, kardiyovasküler yapay zeka, CTGAN, en yakın kayda olan mesafe, elektronik sağlık kayıtları, gizli difüzyon, çok modluluk orkestrasyonu, gizlilik riski taraması
Atıf
Sanil Kumar S, N. K, T. M. A ve S. G. R (2026) SynForge-Cardio: gizliliği koruyan kardiyovasküler yapay zeka için birleşik çok modlu sentetik veri seti oluşturma çerçevesi. Front. Digit. Health 8:1946730. doi: 10.3389/fdgth.2026.1946730
Alındı
23 Temmuz 2026
Revize edildi
23 Eylül 2026
Kabul edildi
01 Ekim 2026
Yayınlandı
10 Kasım 2026
8 – 2026
Hadi Akbarzadeh Khorshidi, Melbourne Üniversitesi, Avustralya
Julian Madrid, Ortenau Klinikum, Almanya
Raida Hentati, Sfax Üniversitesi, Tunus
© 2026 Sanil Kumar, N., T. M. ve S. G.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltmaya izin verilmez.
*Yazışma: T. M. Amirthalakshmi tm_amirthalakshmi@ch.amrita.edu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

