Tıpta yapay zekâ kullanımı efsane olmaktan çıktı. Artık her alanda doktorların en büyük yardımcısı, algoritmalar, makine öğrenimi sistemleri ve becerikli robotlar…
Yapay zekâ hayatımızın her alanında olduğu gibi sağlıkta da devrim yaratıyor. Dünya genelindeki sağlık hizmetleri de bu değişimden önemli derecede etkileniyor. Makine öğrenimi ve yapay zekâ, doktorları, hastaneleri ve sağlıkla bağlantılı tüm diğer alanları etkiliyor.
Eric Topol’un Nature Medicine dergisinde yayınlanan makalesine göre, gelecekte uzman doktorlardan ilkyardım görevlilerine dek sağlık sektöründeki herkes yapay zekâ teknolojisini kullanacak.
GE’nin verilerine göre sağlık sektörüne yönelik yapay zekâ pazarı 2021 yılı itibariyle 6,5 milyar doları aşacak. Sağlık sektöründeki karar vericilerin yüzde 39’unun makine öğrenimi ve kestirimsel analiz sistemlerine yatırım yapmayı planladığı düşünülürse, bu rakam ilerleyen yıllarda daha da artacak.
PwC’nin Avrupa, Ortadoğu ve Afrika bölgesinde yer alan 12 ülkeden 11.000’i aşkın katılımcı ile hazırladığı “Hangi doktor? Yapay zekâ ve robotbilim yeni sağlık sektörünü neden şekillendirecek?” başlıklı araştırmada tüketicilerin sağlık sektöründe yapay zekâ ve robotlara ne kadar hazır olduğunu inceliyor.
Araştırmada aşağıdaki bulgular ön plana çıkıyor:
– Yapay zekâ ve robot kullanma isteği giderek artıyor, bu artışta temel etken sağlık hizmetlerinden daha kolay faydalanma.
– Teşhis ve tedavinin hızı ve doğruluğu da yapay zekâ ve robotbilime olan istekliliği artıran önemli bir faktör.
– Daha fazla kullanım ve kabullenme için teknolojiye güven kritik önem taşıyor; ancak ‘insan ilişkileri’ sağlık sektörü deneyiminin kilit bileşeni olmaya devam ediyor.
Peki, yapay zekâ, makine öğrenimi ve algoritmalar hastanelerde nasıl değişimler yaratacak, sağlığımıza nasıl katkıda bulunacak?
- Hastalıkların Teşhisi
Hastalıkların doğru bir şekilde tespit edilmesi, yıllarca tıp eğitimi almayı gerektirir. Bu eğitimin ardından bile teşhis koymak zorlu ve zaman alıcı bir iştir. Tıbbın birçok alanında, uzman talebinin arzı aşmış durumda olması doktorları strese sokuyor ve hastalıkların teşhisi daha da gecikiyor.
Makine öğrenimi -özellikle de derin öğrenme– algoritmaları hastalıkların otomatik teşhisi konusunda son dönemde büyük ilerleme kaydetmiş, teşhis sürecini daha ucuz, kolay ve erişilebilir hale getirmiş durumda.
Makineler Teşhis Koymayı Nasıl Öğreniyor?
Makine öğrenimi algoritmaları, belirli kalıpları görmeyi doktorlarla aynı şekilde öğreniyor. Tek fark, algoritmaların öğrenebilmek için çok sayıda somut örneğe ihtiyaç duyması ve bunların titiz bir şekilde dijital ortama aktarılması gerekliliği. Ne yazık ki makineler henüz ders kitaplarını açıp okuyamıyor.
Makine öğrenimi doktorların incelediği teşhis bilgilerinin dijital ortama aktarıldığı aşağıdaki benzer alanlarda faydalı oluyor:
– Bilgisayarlı tomografi taramalarını analiz ederek akciğer kanseri ve felç teşhisi
– Elektrokardiyogramlarını analiz ederek ani kalp krizi riskinin belirlenmesi
– Deri görüntülerini analiz ederek lezyonların sınıflandırılması
– Göz görüntülerini analiz ederek diyabetik retinopati göstergelerinin belirlenmesi
Bu alanlarda bol miktarda veri bulunması sayesinde, algoritmalar teşhis konusunda en az uzman doktorlar kadar başarılı olabiliyor. Tek fark algoritmaların çok kısa sürede teşhisi ve bunu dünyanın herhangi bir yerinden masrafsız şekilde yapılabilmesi. Kısa süre içerisinde dünyanın her yerindeki insanların radyoloji teşhisinde aynı kaliteli hizmeti çok düşük bir ücret karşılığında alabilmesi hedefleniyor.
Yapay zekânın en yoğun ilgi gördüğü alanlardan biri radyoloji. Dünyada her yıl iki milyardan fazla göğüs röntgeni çekiliyor. Yapılan araştırmalara göre, yapay zekâ algoritmaları bu röntgenlerin değerlendirilmesi ve hastalıkların teşhisinde insanlardan daha başarılı oluyor. Bu algoritmalardan, röntgen filmlerinin yanı sıra BT, MR, ekokardiyogram ve mamografi gibi her türlü tıbbi görüntüleme sisteminde de yararlanılıyor ve insanlara kıyasla 150 kata varan hızlarda sonuç elde ediliyor.
Radyolojide yapay zekânın faydalarından bazılarının şunlar olması bekleniyor:
– Meme, akciğer veya prostat kanserini tespit etmek
– Santral sinir sistemi tümörlerinin teşhisine yardımcı olmak
– İyi huylu lezyonları kötü huylu olanlardan ayırt etmek
– MR görüntülerindeki beyin dokularının hacim ve oylumunu hesaplamak ve fonksiyonel MR görüntülerini analiz etmek
Teşhisin Kalitesini Artıran Sistemler Yolda
Teşhis alanında makine öğreniminin kullanımı henüz başlangıç aşamasında. Yakında farklı veri kaynaklarını -BT verileri, MR verileri, genom ve proteomik veriler, hasta dosyaları, hatta el yazısıyla yazılmış dosyalar- bir araya getirerek teşhisin kalitesini artıran sistemler de ortaya çıkmaya başlayacak.
Ancak bütün bunlardan yapay zekânın doktorların yerini alacağı sonucunu çıkarmamak gerekiyor.
2016 yılında gerçekleştirilen bir araştırmaya göre, doktorlar veri girişi ve masa başı işlere hastalara ayırdığından daha fazla zaman ayırıyor. Veri girişi, test sonuçlarının analizi gibi süreçlerde otomasyona gidilmesi durumunda, yapay zekâ sistemleri potansiyel sorunlar konusunda uyararak ve bilgilendirerek, doktorların hastalarla daha fazla ilgilenmesini, sinyalleri daha sağlıklı yorumlamasını sağlayacak. Dünya nüfusunun giderek yaşlandığı, doktor ihtiyacının giderek arttığı düşünülürse, kazanılan her saniye çok sayıda insanın hayatının kurtulmasını ve yaşamının uzamasını sağlayabilir.
Üstelik yapay zekâ doktorlara zaman kazandırmakla kalmayacak, yeni ufuklar açacak birçok bilgiyi de ortaya çıkaracak. Araştırmalara göre, bir hastane her yıl 50 petabayt veri üretiyor -20 milyon adet dört çekmeceli dosya dolabını dolduracak kadar. Ancak bu verilerin yüzde 97’si hiç kullanılmıyor. Yapay zekâ algoritmaları bu boşa giden verileri derleyerek ve analiz ederek teşhis ve tedavide yepyeni yöntemler ortaya çıkarma potansiyeli de taşıyor.
Yapay zekâ mı doktorlar mı sorusu da işin popüler tarafında sık sık gündeme gelen konu başlıkları arasında. Örneğin Çin televizyonlarında yapay zekâ sistemleriyle doktorları karşı karşıya getiren yarışma programları oldukça revaçta. Bu programlardan birinde 25 uzman doktordan oluşan bir ekip, beyin tümörlerinin teşhisi konusunda Biomind adlı bir yapay zekâ sistemiyle yarışıyor ve şu anda makine, insanlara karşı 2-0 önde bulunuyor.
Yapay zekâ insanların fiziksel durumu hakkında değil, ruhsal durumu hakkında da teşhiste bulunmayı kolaylaştırıyor. Makine öğrenimi sistemleri kişilerin dijital verilerini, etkileşimlerini, ses tonlarını, yüz ifadelerini analiz ederek psikolojik sorunların teşhisinde uzmanlara yardımcı oluyor.
- Yapay Zekâ Destekli Ameliyatlar
Yapay zekâ sistemleri, ameliyat öncesinde hastanın verilerini analiz ederek cerrahlara operasyon sırasında yol gösterebiliyor. Sistemler, geçmişteki ameliyatlara dair verileri bir araya getirerek yeni ve daha etkin cerrahi teknikler de geliştirebilir. Gerçekleştirilen araştırmalara göre, yapay zekâ destekli operasyonlarda komplikasyonlar beş kat azalıyor ve hastanede yatma süresi yüzde 21 oranında kısalıyor.
Yapay zekânın insan hayatlarını kurtaracağı bir yer de acil servisler olacak. Zamana karşı bir yarışın yaşandığı acil servislerde, örneğin trafik kazası geçiren bir insana doğru teşhis konabilmesi ve etkin bir tedavi uygulanabilmesi için onlarca görüntünün, hastanın tıbbi geçmişinin ve daha birçok unsurun incelenmesi gerekiyor. Yapay zekâ ve derin öğrenme algoritmaları bu verileri insanlardan çok daha hızlı şekilde derleyerek ve analiz ederek doktorlara yol gösterebilir.
- İlaç Geliştirme
İlaç geliştirmek çok pahalı bir süreçtir. İlaç geliştirme sırasındaki analitik süreçlerin çoğunluğu, makine öğrenimi tarafından çok daha etkin bir şekilde gerçekleştirilebilir. Bu durum, yıllarca sürebilen çalışmaları kısaltacak, milyonlarca dolarlık yatırımı azaltacaktır.
Yapay zekâ ilaç geliştirme sürecinin dört temel aşamasında da başarıyla kullanılıyor:
– Müdahale edilecek hedeflerin belirlenmesi
– Olası ilaç adaylarının belirlenmesi
– Klinik deneylerin hızlandırılması
– Hastalığın teşhisine yönelik biyo-işaretlerin bulunması
Kişiye Özel Tedavi
Farklı hastalar ilaçlara ve tedavilere farklı tepkiler verir. Dolayısıyla, kişiye özel tedavi hastaların yaşam süresinin uzatılması açısından kritik önemdedir. Ancak hangi tedavi yönteminin seçilmesi gerektiğini belirlemekte kullanılan etkenleri tespit etmek kolay değildir.
Yapay zekâyı “21’inci yüzyılın stetoskopu”olarak niteleyen Doktor Bertalan Meskó’nun makalesinde belirttiği gibi, yapay zekâ “tek tip” tedaviyi tarihe gömerek, kişiye özel tedaviler, terapiler ve ilaçlar önerebilir.
Makine öğrenimi bu karmaşık istatistiksel çalışmayı otomatik hale getirebilir ve hastanın belirli bir tedaviye vereceği tepkiyi tespit etmekte yararlanılacak göstergelerin belirlenmesini sağlayabilir. Sistem bunu benzer hastaların çapraz değerlendirmesini yaparak, hastalara uygulanan tedavileri ve sonuçları karşılaştırarak öğrenir. Ortaya çıkan öngörüler doktorların nasıl bir tedavi uygulanacağını belirlemesini kolaylaştırabilir.
Örneğin, Brezilya’da kolon kanseri hastaları, kültürleri gereği, ameliyat olmaya yanaşmıyor. Bu yüzden doktorlar radyoterapi ve kemoterapi gibi yöntemlere yöneliyor. Ancak bu yöntemlere sadece hastaların yüzde 20’si olumlu tepki veriyor. Peki, hangi hastanın bu yüzde 20’lik gruba girdiği nasıl belirlenecek? İşte burada derin öğrenme algoritmaları devreye giriyor. Algoritmalar hastaların verilerini tarayarak uygun tedavi yöntemini kısa sürede ve isabetli bir şekilde belirliyor.
- Gen Düzenleme Becerisi
CRISPR, özellikle de CRISPR-Cas9 sistemi DNA’ları daha hızlı, daha ucuz ve daha yüksek doğrulukla düzenleme konusunda büyük kolaylık sağlamış durumda.
Bu teknik, rehber RNA’nın DNA’daki spesifik bir bölgeyi hedeflemesi ve düzenlemesine dayanır. Ancak rehber RNA, DNA’daki hedeflenen alandan faklı bir alana da yönelebilir ve bu da istenmeyen yan etkiler doğurabilir.
Makine öğrenimi modellerinin, hem rehber-hedef etkileşimlerinin hem de rehber RNA’nın farklı bir hedefe yönelmesinin ortaya çıkarabileceği yan etkileri öngörme konusunda başarısı kanıtlanmış haldedir. Bu durum, insan DNA’sının tüm bölgelerine yönelik rehber RNA’ların geliştirilme sürecini büyük ölçüde hızlandırabilir.
Elbette bu sistemlerin temel hedefi doktorların işlerini kolaylaştırmak ve sağlık hizmetlerinin kalitesini artırmak. Amaç basitleştirmek, düzenlemek ve bu yolla hizmet kalitesini artırmak olmalıdır. İlave tıklamalar, kapsamlı eğitimler, yanıp sönen ışıklarla doktorların dikkatini dağıtacak sistemler işleri kolaylaştırmak bir yana güçleştirebilir.
Bu yüzden yapa zekâ çözümlerinde uzman isimlerle çalışmak büyük önem taşıyor. Bu konudaki en güvenilir ve deneyimli iş ortaklarının başında ise GE geliyor. GE’nin yapay zekâ sistemleri birçok hastanede başarıyla kullanılıyor. Örneğin Massachusetts Devlet Hastanesi’nde GE tarafından kurulan akıllı sistemler ve çözüm paketleri nörolojik hastalıkların ve felcin teşhis ve tedavisinde yeni ufuklar açıyor.
Verilere göre, ABD’de her 40 saniyede bir insan felç geçiriyor. Bundan kaynaklanan tedavi ve ilaç masraflarıyla kayıp işgücünün toplamı ABD ekonomisine 34 milyar dolarlık bir yük getiriyor. GE’nin görüntüleme sistemleri ve bunlardan elde edilen verileri yorumlayan yapay zekâ uygulamaları hem erken teşhis ve müdahale olanağı vererek hayat kurtarıyor hem de milyarlarca dolarlık tasarrufa olanak veriyor.
Vanderbilt Üniversitesi Tıp Merkezi de kanser teşhis ve tedavisinde GE’nin yapay zekâ sistemlerinden yararlanıyor. GE’nin sistemleri demografik verileri, genom verilerini, görüntüleme sistemlerinin verilerini analiz ederek mevcut ve gelecekteki hastalara yönelik en uygun tedavi yöntemini ortaya koyuyor.
GE’nin Edison Platformu farklı kaynaklardan gelen tüm verileri entegre ederek, ileri analiz sistemleri ve yapay zekâ sistemleri kullanarak yorumluyor ve kullanılabilir, somut veriler üretiyor. Bu sayede performans ve verimlilik artıyor, karar süreçleri hızlanıyor.
Bu platform üzerinde çalışan birçok uygulama geliştiriliyor. MR görüntülerinin iş akışını otomatik hale getiren AIRx, Yoğun Bakım Paketi (Critical Care Suite), bilgisayarlı tomografi yazılımlarını otomatik güncelleyen CT Smart Subscription bunlardan sadece birkaçı.