MEKANİK ÖĞRENME YAPAY ZEKÂ

Algoritmalar iyi sayabilir, açıklamak onlar için zor değildir. ABD’li araştırmacılar, Yapay Zekâ’ya gereken tıbbi bilgileri yükleyerek, dolayısıyla Yapay Zekâ’ya tıbbi bilgileri öğrettiler

Mekanik Öğrenme: Yapay Zekâ Mesane Kanserini Tanır ve Bulgularını Açıklar Algoritmalar iyi sayabilir, açıklamak onlar için zor değildir. ABD’li araştırmacılar, Yapay Zekâ’ya gereken tıbbi bilgileri yükleyerek, dolayısıyla Yapay Zekâ’ya tıbbi bilgileri öğrettiler. Yapay Zekâ’nın edindiği bu bilgiler, günlük yaşamda doktorlara yardımcı olabilir. Mesane Kanseri Tanısı, şimdiye kadar sadece bir patolog tarafından konulabilirdi. Doktor, hastalığı mikroskop altında çok ince kesilmiş doku örnekleri ile teşhis eder. Bu biyopsileri doğru bir şekilde değerlendirmek zordur ve yıllarca süren bir eğitim gerektirir. Ve böylece verilen bazen kararlar, onları kimin yaptığına bağlı olarak ayrıntılı olarak farklılık gösterir. Bunun, terapi kararı için de sonuçları olabilir. Yeni bir çalışmanın sonuçları, teknolojinin gelecekte buradaki doktorlara çok yardımcı olacağını göstermektedir. Ve bu teknolojiyle hastalara yardımcı olunabilir. Amerikalı araştırmacılar tarafından geliştirilen bir algoritma, Mesane Kanseri’ni doku bölümlerine göre farklı aşamalarda sınıflandırabilmektedir. Özel ve yeni olan şey: Yapay Zekâ’nın sonuçlarının, hekimler tarafından anlaşılabilir olabileceğinin iddia edilmesidir. Bilim adamları bunu, Florida Üniversitesi’nden Doğal Makine Zekası – Nature Machine Intelligence Dergisi’ndeki bilgisayar bilimci Zizhao Zhang’a dayandırmaktadırlar. Numunelerin Yorumlanması Terapiyi Belirler Almanya’da her yıl yaklaşık 30.000 Kişi Mesane Kanseri’ne yakalanmaktadır. Bir tür ileri mesane aynalaması kullanarak tümör, mümkün olduğu kadar çıkarılır ve patologlar daha sonra kesin teşhis için mikroskop altında doku örneklerini inceler. Örneğin, doğru yorumlanması halinde, tümörün ne kadar saldırgan bir şekilde büyüme olasılığı olup olmadığını söyleyebilirler. O zaman başka sorular ortaya çıkar: Ameliyat yoluyla ilk uzaklaştırma ya da çıkarma yeterli mi? Ameliyat tekrar yapılmalı mı? Kemoterapi gerekli midir? Bu sorular sadece, doku bölümleri doğru yorumlanırsa cevaplandırılabilirler. Bunu başarmak için, Zhang ve arkadaşları üç farklı sözde sinir ağını birleştirdi. Bunlardan İlk Sinir Ağı, bir doku örneğindeki bölgelerin hangi şiddetle değiştirildiğini tespit etmektedir. Aynı zamanda, tanıda yardımcı olabilecek tümörün yakınındaki alanları tanımlar. İkinci Sinir Ağı, bu bölgeleri detaylı olarak inceler ve değişikliklerin niteliğini sınıflandırır: Hücre çekirdekleri benzer mi değil mi? Hücreler nasıl biraraya gelip toplanır? Özellikle birçok çekirdek bölüm var mı? gibi soruların yanıtları aranır. Bunların tümü, bir tümörün tehlikesini doğru bir şekilde değerlendirmeye yardımcı olan özelliklerdir. Algoritma Tanıyı Yapar ve Açıklar Şimdiye kadar bu, niteliksel olarak yeni bir şey değildir. Diğer alanlarda, örneğin sinir ağları da cilt kanseri gibi tümörleri tespit etmek için bir süredir kullanılmaktadır. Algoritmaların performansı, tıp uzmanlarınınkiyle karşılaştırılabilir. Geçen yıl, Google tarafından geliştirilen bir algoritma manşetlere yansıdı. Gözlerin arka kısmındaki küçük değişikliklerine bağlı olarak, kalp damar hastalığı riskini, oluşmadan önce dahi tahmin edebilmelidir. Ancak şimdiye kadarki algoritmalar, genellikle “kara kutu” ya benzer şekilde hesaplamakta ve yalnızca bir sonuç çıkarmaktadır. Doktorların “Çözümü” anlamaları ve kendi sonuçlarıyla karşılaştırmaları mümkün olmadı. Sonuç olarak, Zhang’ın Mesane Kanseri Çalışması’ndaki araştırmaları daha belirleyici bir adım daha attı. Diğer iki sinir ağının bilgisiyle, “A-net” adı verilen üçüncü bir sinir ağını beslediler. Bundan algoritma, metin parçaları ve görüntüler şeklinde bir tanı oluşturuldu. Katılan hekimlere bilgisayarın değerlendirmesinin nasıl onların fikrine geldiği açıklanmalıdır. Bunun için örneğin doku örneğinin belirli bölgelerini renkli olarak vurgulamakta ve onlar hakkındaki tanılarını kısa bir metinle anlatmaktadır. Örneğin, özellikle çok sayıda tümör hücresinin farklı gelişim aşamalarında olduğu bir alanda. Sonunda, iyi farklılaşmış bir tümör için “düşük dereceli” ya da daha saldırgan bir form için “Yüksek Dereceli” gibi bir tanı sözkonusudur. Yapay Zekâ 17 Deneyimli Patoloğa Karşı Sistemi test etmek için araştırmacılar bilinen Mesane Kanseri Hastaları’ndan gelen 600’den fazla Doku Örneği üzerinde eğitim almışlardır. Her bireyin farklılaşma derecesini değerlendirmek ve ayrıca doku bölümlerindeki belirli ilgili bölgelerini belgelemek amacıyla önceden dört Patolog, bu doku örneklerini yaklaşık iki yıl boyunca tespit etmişti. Eğitimden sonra bilim adamları, algoritmalarını 17 bağımsız patoloğa karşı çalıştırdılar. Her iki grup da önceden bilinmeyen 100 doku kesitini değerlendirmek zorunda kaldı. Model, patologların ortalama değerini biraz aşmayı başardı. Bazı patologların tanısal doğruluğu geniş çeşitlilik gösterirken; ayrıca bilgisayar sistemi, performansında istikrarını korumuştur. Bununla birlikte, hesaplanan bilgilerden otomatik olarak anlaşılabilir özetler ve teşhisler geliştirmek mümkün olmuştur. Yazarlar “Yöntemimizin tanı önerileri için yenilikçi ve güvenilir bir araç olduğuna inanıyoruz” diyor. Onlara göre algoritma, doktorlar için bir tür ikinci görüş olarak hizmet etmeli ve belirsizliklere yardımcı olmalıdır. Özellikle, yalnızca birkaç deneyimli Patolog’un çalıştığı küçük kliniklerde yöntem, tanı koymak ve sonra doğru tedaviye başlatmak için yardımcı olabilir. “İnsan Genel Dünya Bilgisi’nde Geri Kalabilir” Bonn Üniversite Hastanesi Patoloji Merkezi’ndeki Rudolf Becker Laboratuarı’ndaki Çeviri Prostat Kanseri Dönüşüm ve Araştırma Merkezi Direktörü Uzman Patoloji Doktoru Michael Muders, “Bu modelin klinik önemi oldukça yüksektir”, ifadesini kullanmaktadır. Model, makine öğrenmesi ve yapay zekâ kullanımında mikroskobik tanıda önemli bir ilerlemeyi temsil etmektedir. Özellikle artan vaka sayısı ve artan patolog eksikliği karşısında bu, iyi bir gelişmedir. Darmstadt Teknik Üniversitesi Makine Öğrenimi Bölüm Başkanı Kristian Kersting, bunun daha kritik olduğunu düşünüyor. “Açıklayıcı yapay zekâ sistemleri konusundaki araştırmalar, oldukça güncel bir araştırma konusu ve gerçekten çok iyi gidiyor.” Genel olarak, yapay zekâ sistemlerinin açıklamaları, tıp mesleğinden çok daha düşük düzeydedir. İnsan, verinin çok ötesine geçen “genel dünya bilgisinin” gerisine düşebilir. Açıklamalarını daha fazla açıklayabilir, daha fazla detaylandırabilir ve revize edebilir. Sistem bunu yapamadı. Ne yazık ki, bu çalışmada da, “Verilen açıklamaların patologlar için ne kadar yararlı olduğu hala belirsizliğini korumaktadır”. Patologlarla bir kullanıcı çalışması yapılmadığından, daha fazla araştırma bu soruyu netleştirmek zorunda kalacaktır. Yapay Zekâ Diğer Hastalıklara da Tanı Koyabilir mi? Daha büyük bir soru ise mesane kanseri teşhis sonuçlarının diğer hastalıklar için de bir teşhis ve tanı koymada sözkonusu olup olmayacağıdır. Yazarlar bunu doğruluyor: Çünkü sistemi, karmaşık doku yapılarından ve hücre düzenlerinden öğrenebilmektedirler. Araştırmacılar, diğer birçok kanser için de geçerli olacağına inanmaktadır. Kersting, “Uygun veriler mevcut olduğu sürece bu, açık ve kolay görünüyor” açıklamasını yaptı. Böylece sistem, yeniden eğitilebilir ve değerlendirilebilir. Jena Üniversitesi Bilgisayar Bilimleri Profesörü Joachim Denzler, ancak uygulamada bunun bir problem olduğunun ortaya çıkabileceğini vurgulamaktadır. “Tıbbi bağlamda, bu bir zorluktur, meydan okumadır. Çünkü hasta verilerinin güvenliği ve gizliliği önemlidir.” Ancak başarılı olursa, metin biçimindeki açıklamalar gelecekte yapay zekâ yöntemlerinin daha iyi kabul göreceği konusunda yardımcı olabilir. O zaman daha az deneyimli doktorlar dahi bu yardıma geri dönüp, onu iyi niyetle kullanabilirler. Henüz hazır değildir. Patologlar her doku örneğini şahsen incelemelidir ve tedavi eden hekimler kendi değerlendirmelerine bağlı kalmaya devam etmelidir. Ancak, eğer algoritmaların sonuçları güvenilir ise, muhtemelen sadece birkaç doktor küçük bir mekanik desteğe itiraz edecektir. Özellikle yapay zekâ eylemlerinin anlaşılabilir olduğunu açıkladığında.