İnsan & Sağlık

Tıpta Yapay Zeka: Güncel Trendler ve Gelecekteki Olasılıklar

Tıpta Yapay Zeka: Güncel Trendler ve Gelecekteki Olasılıklar


Fotoğraf: paysa.com aracılığıyla

Medikal yapay zeka nedir?

Geçmiş verilere dayanarak ‘klinik’ karar verme, kanıta dayalı tıbbın özüdür. Geleneksel olarak istatistiksel yöntemler, veri içindeki paternleri matematiksel denklemler halinde karakterize etmişlerdir. “Makine öğrenimi(machine learning-ML)” sayesinde yapay zeka, bir denkleme kolayca indirgenemeyen karmaşık ilişkileri ortaya çıkaran teknikler sağlar. Örneğin, sinir ağları (bilgisayar), insan beynine benzer bir tarzda, çok sayıda birbirine bağlı nöronlar aracılığıyla verileri temsil eder. Bu, ML sistemlerinin, karmaşık problemlerin çözümüne bir klinisyen gibi yaklaşımına izin verir. Bununla birlikte, tek bir klinisyenin aksine bu sistemler, eşzamanlı olarak neredeyse sınırsız sayıda girdiyi gözlemleyebilir ve hızla işleyebilir. Örneğin; yapay zeka ile çalışan bir akıllı telefon uygulaması artık Kuzey Londra’da 1.2 milyon kişinin Kaza ve Acil Durum (A & E) ile görevlendirilmesini sağlayabilir. Ayrıca, bu sistemler bir klinisyenin yaşamında görebileceğinden daha fazla vakaya, birkaç dakika içinde maruz kalabilir. Bu nedenle, yapay zeka ile çalışan bir uygulama, şüpheli cilt lezyonlarını doğru bir şekilde sınıflandırarak dermatologları dışarıda bırakabilir ya da akciğer grafilerinde akciğer tüberkülozunu güvenilir bir şekilde tanımlayabilir.

Medikal yapay zekada güncel trendler nelerdir?

Tıp alanına giren yeni teknolojiler, üstün etkinlik göstermenin yanı sıra mevcut uygulamalarla bütünleşmeli, uygun yasal onayları almalı ve belki de en önemlisi, sağlık personelini ve hastaları yeni bir paradigmaya yatırım yapmaları için etkilemelidir. Bu zorluklar yapay zeka araştırmalarına ve yapay zekanın benimsenmesine karşı bir dizi eğilim geliştirmiştir.

• Yapay zeka iyi tanımlanmış görevlerde üstünlük sağlar.

Araştırma, yapay zekanın bir doktor ile ilgili performansını etkili bir şekilde gösterebildiği görevlere odaklanmıştır. Genel olarak, bu görevler açıkça tanımlanmış girişlere (input) ve kolayca onaylanabilen bir ikili çıktıya (binary output) sahiptir. Şüpheli deri lezyonlarının sınıflandırılmasında, giriş dijital bir fotoğraftır ve çıktı basit bir ikili sınıflandırmadır: iyi huylu veya kötü huylu. Bu koşullar altında, araştırmacılar, biyopsi ile doğrulanmış lezyonların daha önce görülmemiş fotoğraflarını sınıflandırırken, yapay zekanın dermatologlardan üstün bir duyarlılığa ve özgüllüğe sahip olduğunu göstermek zorunda kalmıştır.

• Yapay zeka doktorları destekliyor, doktorların yerine geçmiyor.

Makineler empati ve şefkat gibi insan niteliklerine sahip değildir. Bu nedenle hastalar konsültasyonların doktorlar tarafından yönetildiğini unutmamalıdır. Ayrıca hastaların hemen yapay zekaya güvenmeleri beklenemez. Dolayısıyla yapay zeka, genellikle gerekli olan görevleri ele alır ancak hasta yönetiminin birincil sorumluluğunu doktora bırakır. Baş ve boyun radyoterapisi için hedef bölgeleri bir insandan daha doğru ve çok daha hızlı hesaplamak için yapay zekanın kullanıldığı bir klinik çalışma var. Burada girişimsel radyolog hala tedavinin uygulanmasından sorumludur, ancak yapay zeka hastayı radyasyondan korumada önemli bir arka plan rolüne sahiptir.

• Yapay zeka zayıf kaynaklı hizmetleri destekliyor.

Tek bir yapay zeka sistemi büyük bir nüfusu destekleyebilir ve bu nedenle insan uzmanlığının zayıf bir kaynak olduğu durumlar için idealdir. Tüberkülozun yaygın olduğu birçok ülkede merkeze uzak yerlerde radyolojik uzmanlık eksikliği vardır. Yapay zeka kullanılarak, bu merkezlerden yüklenen radyografiler tek bir merkezi sistem tarafından yorumlanabilir; yakın zamanda yapılan bir çalışma, yapay zekanın % 95 duyarlılık ve % 100 özgüllüğü ile tüberkülozu doğru bir şekilde teşhis ettiğini göstermektedir.

• Yapay zeka çok seçici bir yiyicidir.

ML modelleri geliştirmek, zaman içinde nispeten sabit kalan bir olgu hakkında iyi yapılandırılmış eğitim verileri gerektirir. Bu durumdan sapma, yapay zekanın geçmiş verilere ait sahte korelasyonlara gereksiz yere önem verdiği ‘aşırı uydurma (overfitting)’ ile sonuçlanır. Google 2008’de yalnızca arama motoruna girilen arama terimlerini kullanarak influenzanın mevsimsel yaygınlığını tahmin etmeye çalıştı. İnsanların arama alışkanlıkları her geçen yıl önemli ölçüde değiştiği için, model geleceği çok zayıf bir şekilde öngörüyordu ki hızla kesildi.

Genel uygulamada gelecekteki olasılıklar

Yapay zeka hastanın dijital ayak izinden (internet’i kullanırken geride bıraktığımız tüm izler) önemli bilgiler çıkaracaktır. İlk başta bu, zamandan tasarruf edecek ve verimliliği artıracaktır, ancak yeterli testten sonra da hasta yönetimine doğrudan rehberlik edecektir. Tip 2 diyabetli bir hasta ile bir konsültasyon örneğini alın; şu anda bir klinisyen ayakta tedavi gören hastanın belgelerini okumak, kan testlerini kontrol etmek ve bir dizi bağlantısız sistemden klinik yönergeler bulmak için önemli zaman harcıyor. Aksine, yapay zeka hastanın klinik kaydına göre en önemli riskleri ve eylemleri otomatik olarak hazırlayabiliyor. Ayrıca, konsültasyonun kayıtlı diyaloğunu klinisyenin onaylaması veya değiştirmesi için özet bir belgeye otomatik olarak dönüştürebiliyor. Bu uygulamaların her ikisi de kayda değer bir zaman kazandıracak ve çok hızlı bir şekilde uygulanabilecektir, böylece klinisyenlerin yerini almak yerine onlara yardımcı olacaktır.

Bu sistemler daha valide hale geldikçe daha fazla sorumluluk verilecektir. Tip 2 diyabetli hasta için, statinin başlangıç eşiği, yapay zeka tarafından herkese uygunluk algoritması yerine hastanın öyküsü göz önüne alınarak bireyselleştirilmiş bir zeminde belirlenebilir. Kişiselleştirilmiş tıp için gerekli araştırma, yapay zeka tarafından sadece muazzam miktardaki tıbbi bilginin akıllıca özetlenmesiyle mümkün olacaktır. Ayrıca, yapay zeka aynı anda milyonlarca girişi izleyebildiğinden, önleyici tıpta önemli bir role sahip olacaktır. Yapay zeka, hastanın belirli bir diyabetik komplikasyon geliştirme riskinin müdahale gerektirdiğini belirlediğinde, proaktif konsültasyonlar önerebilir. Buna karşılık, her test sonucunun yakından takip edilmesi ve her diyabetik hastanın eş zamanlı olarak muayene edilmesi sorumluluğunun bir insana yüklenmesi elverişsiz olabilir.

Yapay zeka tabanlı sistemler ‘uzman tanı uzmanlığı’nı birincil basamak sağlık hizmetlerine getirecektir. Bir deri lezyonunun görüntüsü, etiyolojisini yeterli bir şekilde teşhis etmek için uygunsa, görüntüler bir GP uygulamasında yakalanabilir ve anında analiz için bir uzman dermatoloji yapay zeka sistemine gönderilebilir. Düşük riskli olarak tanımlanan hastalar anında güvence alırken, yüksek riskli hastalar daha az sevk bekleme süresi geçireceklerdir, çünkü klinikler sadece seçilmiş vakaları alacaktır. Bu kavram cilt lezyonları ile sınırlı değildir. Yapay zeka, retina taramaları, radyografiler ve ultrason da dahil olmak üzere birçok farklı görüntü verilerinin yorumlanmasında potansiyel göstermiştir. Bu görüntülerin çoğu, nispeten ucuz ve yaygın olarak kullanılan ekipmanlarla yakalanabilir.

Gelecek yapay zeka araştırması, burada özetlenen trendlere geniş biçimde uyum sağlayan, dikkatle seçilmiş görevlere yöneltilmelidir. Bu sistemleri klinik uygulamaya entegre etmek, yapay zeka ile klinisyenler arasında karşılıklı olarak faydalı bir ilişki kurulmasını gerektirir ki burada yapay zeka klinisyenlere daha yüksek verimlilik ve maliyet etkinliği sağlar; klinisyenler de, karmaşık klinik vaka yönetimini öğrenmek için ihtiyaç duydukları temel klinik maruziyeti yapay zekaya sunarlar. Süreç boyunca yapay zekanın, tıbbın insan tarafını örtbas etmemesini sağlamak kritik olacaktır. Çünkü yapay zekanın yaygın olarak benimsenmesinin önündeki en büyük engel, insanların giderek tartışmalı bir hal alan bu teknolojiyi kucaklamakta tereddüt etmesidir.

Kaynak: https://bjgp.org/content/68/668/143.full

Varun H Buch, Irfan Ahmed and Mahiben Maruthappu, Br J Gen Pract 2018; 68 (668): 143-144. DOI: https://doi.org/10.3399/bjgp18X695213

Çeviren ve düzenleyen: Dilan BOÇNAK / Moleküler Biyoloji ve Genetik Bölümü Mezunu – Araştırmacı

Eklenme Tarihi : 26 Kasım 2018

Yorum Yap