Radyolojide Derin Öğrenme Teknolojisinin Önemi
📝 Yazar ve Editör: Aysuda Ceylan
Sağlıkta yapay zeka ile gelişmiş derin öğrenme algoritmaları tıbbi görüntülemede kullanılarak hastalık teşhislerinde hız ve doğruluğun arttırılması hedefleniyor.
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.
Binlerce veri ile eğitilen bu sistemlerle 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 hız ve tanısal doğruluk gerektiren durumlarda büyük bir gelişim sağlanacağı hiç şüphesiz! Bir radyologun radyolojik görüntüleri yorumlayabilmek için ortalama 10 yılda edindiği bilgileri yapay zekâ teknolojisi Derin Öğrenme (Deep Learning) algoritmalarıyla birkaç gün gibi çok daha kısa bir sürede öğrenmesiyle her yönden tasarruf sağlanabilmesinin haricinde, radyologların yeterli olmadığı ve sağlık hizmetlerinin ulaşamadığı bölgelerde kullanılması insanlık adına çok büyük gelişmeleri de beraber getirecektir.
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.
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 tıbbın birçok farklı alanında hizmet verdiği düşünüldüğünde, farklı türden birçok tıbbi verinin varlığından söz edebiliriz. 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 bu gelişimin sağlanabilmesi için uzun zamana ve yüksek meblağlı yatırımlara ihtiyaç var.
Türkiye’de gerçekleştirilen yapay zekâ ve derin öğrenme çalışmaları içinde bulunan biri olarak ben de bu gelişimin bir parçası olmaktan çok mutlu ve geleceğe dair oldukça umutluyum.
Bizler belki de bu gelişmelerin hepsini göremeyeceğiz fakat geleceğimiz için çalışmak ve insanlığa faydalı olabilme fikri bile beni heyecanlandırmaya yetiyor. Günümüzde bize “demode” gelen sistemler için de birileri çok büyük emek ve zaman harcadı. Çok uzun yıllar sonra eğer bu yazıyı okuyan birileri olursa onlara kalpten bir cümle iletmek isterim…
tekyolbilim.com, Aysuda Ceylan – “Radyolojide Derin Öğrenme Teknolojisinin Önemi”,
://<https://www.tekyolbilim.com/radyolojide-derin-ogrenme-teknolojisinin-onemi>
