Radyolojide Derin Öğrenme Teknolojisinin Önemi
Son zamanlarda yapay zekâ kavramı hepimizin bildiği üzere çok popülerleşti. Bu kadar çok konuşulmasının sebeplerinden bir tanesi de kuşkusuz bu teknolojinin çoğu alanda insan hatalarının en aza indirgenmesini sağlamasıdır. Yapay zekânın becerilerini genel olarak insana özgü olan özelliklerin makineler tarafından yapılması ve öğrenme, planlama, bilgi sağlama, iletişim kurma, çevreyi algılama, nesneleri hareket ettirme vb. olarak tanımlayabiliriz. Kimi bilim insanı için insanlığın kurtuluşu olarak görülen bu teknolojiyi sağlık sektörü için ele alacak olursak, hastanelerin bel kemiği olan Tıbbi Görüntüleme bünyesinde neler yapılabileceği konusunda kesinlikle daha çok fikir sahibi olmalıyız.
Bir hastalığın ortaya çıkış süreci ve seyrinde en önemli sağlık hizmetlerinden biri radyolojidir.Örneğin; trafik kazası nedeniyle hastaneye gelmiş bir insanın yaşadığı travmatik bulguların (kanama, kırık vb.) radyolojik görüntülemeye başvurmadan tedavi edilmesi mümkün değildir. Hastalıkların teşhis ve tedavisinde bu kadar önemli bir rol alan bir bilim dalının yapay zekadan destek alması kadar doğal bir durum yoktur.
Radyolojik görüntüler, radyoloji uzmanları tarafından raporlanırken zaman zaman hatalar yapılabiliyor. Bunun sonucunda yanlış uygulanan ameliyatlar, yanlış verilen ilaçlar gibi istenmeyen durumlarla karşılaşabiliyoruz. İşte yapay zekâ tam da bu noktada devreye giriyor. Bir radyoloji uzmanı çalışma hayatı boyunca ortalama olarak 20 bin görüntüyü yorumlayabiliyorken, derin öğrenme prensibiyle çalışan yapay zekâ sistemleri milyonlarca radyolojik görüntüyü işleyebiliyor.
PEKİ BU SÜREÇ NASIL İŞLİYOR?
Kullanılacak yapay zekâ sistemine milyonlarca tıbbi görüntü, raporlar ve klinik bulgular ekleniyor. Kısacası makineler daha kaliteli sağlık hizmeti verebilmek amacıyla doğru teşhis ve tedavi tavsiyesi için eğitiliyor. Daha sonra bu bulgular, raporlanarak tanıları hızlandırmak ve doğruluğunun artması amaçlanıyor.
Bu sistemle en kısa zamanda raporlanması gereken akut kanama boyutu, lokalizasyonu, şiddeti, tümörlerin iyi veya kötü huylu olup olmadığı, herhangi bir anomalinin hangi yapıyla ilişkili olduğu gibi yukarıda bahsettiğim hız ve tanısal doğruluk gerektiren durumlarda şüphesiz kalite artacak. Bir radyoloji uzmanının radyolojik görüntü yorumlamak için ortalama 10 yılda öğrendiği bilgileri, yapay zekâ teknolojisi Derin Öğrenme (Deep Learning) yoluyla daha kısa bir sürede öğrenerek her yönden tasarruf sağlandığı gibi, radyologların yeterli olmadığı ve sağlık hizmetlerinin ulaşamadığı yerlerde kullanılması açısından insanlık adına çok büyük gelişmeler olacak.
Stanford Üniversitesi’nin Makine Öğrenmesi Grubu’nda bu konuyla alakalı somut çalışmalar mevcut. Doktora öğrencilerinden oluşan bu ekip, ölüm oranlarının çok yüksek olduğu bir akciğer rahatsızlığı olan zatürre (pnömoni) hastalığının teşhisinde kullanılacak olan 14 farklı patolojinin gelişmiş NLP (akıllı doğal dil işleme) algoritmalarıyla raporlanmasını sağlayan geniş çaplı bir derin&makine öğrenim sistemi kurdular.
Sonuçlarda da görüldüğü üzere sistem, ortalama radyolog performansını geçti.
NIH (National Institiues of Health)’ın halka açık olarak paylaştığı, 30.805 hastanın 112.120 akciğer röntgenini kullanarak kurulan sistemin, radyografik görüntüleri radyologlar gibi raporlanması sağlandı.
Geliştirilen CheXNet isimli bu sistem, görüntüleri işleyerek ısı haritalarını çıkarıyor. Pnömoni olasılığı yüksek olan alanların lokalizasyonu çok net saptandığı gibi, doğruluk payı da oldukça tatmin edici.
Tıbbi Görüntüleme Tekniklerinin bütün alanlarını genel olarak değerlendirecek olursak çok fazla tıbbi bilgiden bahsetmiş oluyoruz. Binlerce bulguyu, hastalık çeşidini, bunların görüntüye nasıl yansıdığını makinelere öğretmek ve doğru teşhis beklemek sanıldığı kadar kolay değil. Şu an gelişmekte olan bu teknolojinin bazı bilim insanlarına göre kesin olarak (%100 doğruluk) tanı koyma ve tedavi tavsiyesinde bulunma gibi bir durumu ancak 2030–40’lı yıllardan sonra gerçekleşebilecek. Yani önümüzde uzun yıllar ve yüksek meblağlı yatırımlara ihtiyaç var.
Ben de yapay zekâ ve derin öğrenmenin Türkiye’deki çalışmaları içinde olduğum için kendi adıma çok mutlu ve umutluyum. Biz bu gelişmelerin hepsini göremeyecek bile olsak da, geleceğimiz için çalışmak, insanlığa faydalı olabilme fikri bile beni hep heyecanlandırıyor. Günümüzde bize “demode” gelen sistemler için sonuçta birileri çok büyük emek ve zaman harcadı. Çok uzun yıllar sonra eğer bu yazıyı okuyan birileri olursa onlara kalpten bir cümle iletmek isterim;
About The Author
