SAĞLIKTA YAPAY ZEKA UYGULAMALARI
Yazar : Yusuf Talat Katı / Ege Üniversitesi Matematik
Yapay Zeka Nedir?
Yapay zeka terimi ilk defa John McCarthy tarafından, “zeki makineler özellikle de, zeki bilgisayar programları yapma bilimi ve mühendisliği” olarak tanımlanmıştır. Makinelerin muhakeme yeteneği, geçmiş bilgilerden faydalanma, planlama, öğrenme, iletişim kurma, algılama ve nesneleri oynatabilme, yer değiştirebilme yeteneğine sahip olmasını amaçlayan bir bilim dalıdır.
Yapay Zeka Yöntemleri
Başlıca yapay zeka yöntemleri; uzman sistemler, bulanık mantık, genetik algoritma ve yapay sinir ağlarıdır. Uzman sistemler, bir konuda uzman kişi ya da kişilerce yapılabilen muhakeme ve karar verme işlerini modelleyebilen bilgisayar sistemleridir. Bulanık mantık Aristo mantığının siyah-beyaz ikilemine karşılık, Lütfü Asker Zade ’ nin geliştirdiği grinin çeşitli derecelerinin varlığının bilimsel olarak ifade edilebilmesidir. Bulanık mantıktaki nitelendirmeler, uzman sistemlerden farklı olarak, insanların günlük hayatta yaptığı nitelemeler gibi kesin değildir. Kural tabanının oluşturulmasında kesin olamayan hükümlerin kullanılmasına imkan sağlar. Genetik algoritmalar yapay zekanın gittikçe genişleyen bir koludur. Evrimsel bir hesaplama tekniğidir. Genetik algoritmalar, doğada gözlemlenen evrimsel sürece benzer bir şekilde çalışan arama ve en iyileme yöntemidir. Karmaşık çok boyutlu arama uzayında çalışırken, bütünsel en iyi çözümü arar. En iyinin hayatta kalması ilkesine göre hareket eder. Yapay sinir ağları (YSA), insan beyninin bilgi işleme teknolojisinden esinlenerek geliştirilmiştir. Basit bir biyolojik sinir sisteminin çalışma şekline benzer. Sinir hücreleri nöronlar içerir ve bu nöronlar çeşitli şekillerde birbirilerine bağlanarak ağı oluşturur. YSA’ lar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptir.
Sağlıkta Yapay Zeka Uygulamaları
“Tıbbi yapay zeka” nın temel ilgi alanı klinik teşhis işlemlerini gerçekleştirebilecek ve tedavi önerilerinde bulunabilecek yapay zeka programlarının oluşturulmasıdır.
Bulanık Mantığın Uygulanması
Günlük hayatta “… hepatit hastalığındaki tüm olguların %60’ında şiddetli ateş, %45’inde sarımtırak cilt rengi ve %30’unda bulantı görülür” biçimindeki ifadeler tıpta sıklıkla kullanılmaktadır. Bulanık mantık bu ifadedekine benzer dilsel değişkenleri ve belirsizlikleri modelleme yeteneğine sahiptir. Bulanık mantıkta bir değer birden fazla kümenin elemanı olabilir. Ateşin şiddeti için tanımlanmış bulanık kümeler (düşük ateş, normal, yüksek ateş, şiddetli ateş) ve bu kümelerin üyelik fonksiyonları Şekilde gösterilmiştir. Şekilden de görüleceği üzere 38°C’lik ateş değeri yüksek ateş kümesine büyük ölçüde üye iken, şiddetli ateş kümesine çok az üyedir. Bulanıklaştırma işlemi ölçülen giriş bilgilerini dilsel niteleyiciler olan sembolik değerlere dönüştürme işlemidir. Üyelik işlevinden faydalanılarak giriş bilgilerinin ait olduğu bulanık küme/kümeler ve üyelik derecesi tespit edilerek girilen değerler düşük, normal, yüksek gibi dilsel değişkenler olarak atanır.
Tıpta kullanılan çoğu kavram bulanıktır. Tıbbi kavramların ve bu kavramlar arasındaki ilişkilerin kesin olmayan doğası nedeniyle bulanık mantık yöntemi tıbbi uygulamalar için uygundur. Kesin olmayan tıbbi durumlar bulanık kümelerle tanımlanabilir. Bulanık mantık yaklaşık sonuç çıkarma yeteneğine sahip çözüm üretme metodları önermektedir. Bulanık mantığın tıptaki uygulamalarından bazıları : Meme kanseri, akciğer kanseri veya prostat kanserini tespit etmek, santral sinir sistemi tümörlerinin teşhisine yardımcı olmak, iyi huylu lezyonları kötü huylu olanlardan ayırt etmek, ilaç kullanımının nicel tahminlerini göstermek, felç alt türlerini ve eşlik eden iskemik felci karakterize etmek,Radyasyon terapisindeki karar vermeyi geliştirmek, anestezi sırasındaki hipertansiyonu kontrol etmek, fleksör-tendon onarım tekniklerini tespit etmek, uygun lityum dozajını tespit etmek,manyetik rezonans görüntülerindeki beyin dokularının hacim ve oylumunu hesaplamak ve fonksiyonel manyetik rezonans görüntülerini analiz etmek.
Yapay Sinir Ağları
YSA modelleme ve karar verme işlemlerinde kullanılan en önemli araçlardandır. Bunun nedeni, sınırlı ve tamamlanmamış olan veri tabanlarından en iyi sonucu çıkarabilmesi ve farklı eğitim algoritmaları ile eğitilmeleri durumunda başarının artırılabilmesidir. Bu özelliklerinin yanı sıra, YSA’nın klinik protokollerden çıkarılan veriler, ölçümlerden elde edilen laboratuvar verileri, işaretler veya görüntülerden çıkarılan öznitelikler gibi bir sistemin farklı yapıdaki verilerini birleştirerek tümleşik teşhis sistemi oluşturma özelliği vardır. Farklı disiplinlerdeki problemlerin çözümlenmesinde kullanılabilen YSA için farklı ağ mimarileri ve farklı eğitim algoritmaları geliştirilmiştir. YSA hesaplama ve bilgi işleme gücü bakımından güçlüdür. YSA bu gücü paralel dağılmış yapısından, öğrenebilme ve genelleme yeteneğinden alır. Genelleme, YSA’nın eğitim ya da öğrenme sürecinde karşılaşmadığı girişler için de uygun tepkileri üretebilmesidir. Tüm bu özellikler YSA’nın karmaşık problemleri de çözebilme yeteneğine sahip olduğunu göstermektedir. YSA’nın temel işlem elemanı olan nöron, doğrusal değildir ve bu özellik bütün ağa yayılmış durumdadır. Bu özellikle doğrusal olmayan karmaşık problemlerin çözümünde YSA en önemli araç olmuştur.
YSA’nın akut sağ kasık ağrısı bulunan hastaların teşhisindeki rolünü değerlendirmek amacıyla geliştirilen sistemde bir eğitim hastanesinden elde edilen hasta verileri YSA’nın eğitim ve testinde kullanılmıştır. Geri yayılımlı YSA kullanılmış ve sistem performansı deneyimli doktorların yaptığı değerlendirmeler ve Alvarado* skor ile karşılaştırılmıştır.YSA ada daha az hata payı çıkmıştır. YSA’da giriş olarak kullanılan hasta verileri şunlardır :Semptomlar ve işaretler ,En çok acı veren bölge, Anoreksi (evet/hayır),Mide bulantısı (evet/hayır),Kusma (evet/hayır), Hassasiyet bölgesi, Peritonizm (evet/hayır),Ateş.Hematolojik değerlendirmeler:Beyaz kan hücresi sayısı (x 109/L),Nötrofil sayısı.Demografikler: Yaş,Cinsiyet.
Sonuç
YSA ve bulanık mantık gibi yapay zeka yöntemleri, çeşitli tıbbi uygulama alanlarındaki kompleks klinik verilerin doktorlar tarafından analizi, modellenmesi ve anlaşılması için kullanılabilecek çok güçlü araçlardır. Tıpta bulanık mantık yöntemi sağlık hizmetlerinin verimliliğini ve güvenilirliğini artırmak üzere kullanılabilecek umut veren fakat henüz tam anlamıyla yararlanılamayan geniş bir alandır. Bulanık mantık yönteminin anlaşılması kolaydır ve yazılım olarak uygulanması da zor değildir. Ancak tıptaki uygulamaları yetersizdir. Karar verme işlemlerinde kullanılabilecek bilgisayar uygulamalarına uygun bir algoritma sağlamaktadır. Bulanık mantık sağlık hizmetlerinde kullanılan bazı aygıtların otomatikleştirilmesinde destek sağlayabilir. YSA’lar günümüzde tıbbi teşhis sistemlerini geliştirebilecek güçlü bir araçtır. Tıptaki uygulamaları genellikle otomatik tümör sınıflandırma gibi hastalıkların sınıflandırılması veya hayatta kalma oranları, hastanın belli bir tedaviye verdiği tepkiyi tahmin etme gibi hastalığın sonucunu tahmin etmek şeklindeki problemlerle ilgilenmektedir.
*Alvarado Skoru, akut apandisit tanısında kullanılan, duyarlılığı ve seçiciliği oldukça yüksek bir skorlama sistemine verilen isimdir. Dr. Alfredo Alvarado tarafından tanımlanmıştır.
Kaynakça
Hiç yorum yok:
Yorum Gönder