Kalp ritmi bozukluklarını (aritmiyi) belirleyen bir algoritma, suni zekanın tıpta nasıl devir yaratabileceğine sinyâl ediyor; oysa hastalar makinelerine ömür boyu güvenmek durumundalar.
Doktorlar makinelere güvenmeye her zamankinden daha fazla hevesli oldukları sürece algoritmaların uyumlu olarak hayat kurtarması, fazla uzun zaman almayabilir. Stanford Üniversitesi’nde ünlü bir yapay akıl araştırmacısı olan tezgâhtar profesör Andrew Ng liderliğindeki bir grup tahlilci, bir “machine-learning” modelinin, ELEKTROKARDIYOGRAM sonucu alınan baştan savma yürek çarpıntılarını (aritmileri), bir uzmandan daha iyi tespit edebildiğini gösterdi.
Otomatize edilmiş yaklaşımlar potansiyel olarak ölümcül olabilen yürek çarpıntı düzensizliklerinin teşhisini daha güvenilir ülkü getirerek, rutin tıbbi tedavide kayda değer rol oynayabilmesi sağlanabilir. Ayrıca kaynakların kıt olduğu alanlarda, nitelikli bakım yapılabilir hale gelebilir.
Araştırmacılar portatif ELEKTROKARDIYOGRAM cihazlarını çeşitli şekillerde aritmilere sahip hastalardan 30.000 adet 30 saniyelik klips toplamak için kullandı.
Bu alıştırma bununla birlikte, “machine-learning” modelinin tıpta köklü değişiklik yaratması olasılığının en yeni işaretidir. Son yıllarda araştırmacılar cihaz öğrenme tekniklerinin göğüs kanseri, cilt kanseri ve tıbbi görüntülerden gelen göz hastalıkları da dahil olmak üzere bir çok rahatsızlığı tespit etmek için kullanılabileceğini göstermiştir.
Ng, e-posta yoluyla, “İnsanların derin öğrenmenin tanı yatırma konusunda seçkin doktorlardan daha yüksek bir doğruluğa sahip olmasını ne kadar hızlı kabul ettikleri konusunda iddialıyım.” biçiminde görüntü belirtti. Görüntülemenin ötesine geçen araştırmacıların EKG gibi öteki bilgi biçimlerine yönelmesini teşvik etmenin yiğitlik verici olduğunu da ekliyor.
Yakın zamana kadar, Ng, Çinli teknoloji devi Baidu’nun baş bilim insanıydı ve burada ayrı iş problemleri için derin öğrenme yaklaşımlarını uygulamayı amaçlayan bir enstitü kurulmasına takviye ediyordu.
Stanford ekibi, EKG verilerinde öbür aritmileri tanımlamak için bir derin öğrenme algoritmasını “eğitti”. Bazı düzensizliklerde, sinyal algılanması güç olabilir ama bu durumlar, ani kalp krizi gibi ciddi sağlık durumu sorunlarına niçin olabilir. bu nedenle hastalardan sıklıkla birkaç hafta baştan başa bir ELEKTROKARDIYOGRAM sensörü (Ritim holter) takmaları istenir. O süre bile, bir doktorun sıradan düzensizlikleri ve tedaviyi gerektirenlerini ayırt etmesi şiddet olabilir.
Stanford araştırmacıları, ELEKTROKARDIYOGRAM verilerinden gelen bambaşka derme çatma kalp atışlarını ifade etmek için bir derin öğrenme algoritmasını eğitti.
Araştırmacılar, taşınabilir ELEKTROKARDIYOGRAM cihazları üreten bir şirket olan iRythm ile ortaklık kurdu. Öbür aritmi biçimlerindeki hastalarından 30.000 adet 30 saniyelik klips topladılar.
Algoritmaların doğruluğunu vermek için takım, beş farklı kardiyoloğun, tanı konulmamış 300 klipsteki performansıyla karşılaştırdı. Bu sonuçları 3 şahsiyet bilirkişi kardiyoloji ekibi değerlendirdi ve belirlenmiş sonuçlar elde edildi.
Derin öğrenme, büyük miktarda veriyi, geniş bir suni asap ağı içinde beslemeyi ve sorunlu KALP GRAFIĞI sinyallerini kesinkes tanıyana dek parametrelerini optimize etmeyi içerir. Bu yaklaşımın, bakış ve sesteki karışık modellerin belirlenmesinde ustalığı kanıtlanmış ve insanüstü görüntü ve ses tanınma sistemlerinin geliştirilmesine yol açmıştır. Hem “machine learning” uzmanı ayrıca de tıp doktoru olan Microsoft Araştırma Genel Müdürü Eric Horvitz’in de arasında bulunduğu MIT ve Michigan Üniversitesi’nden iki öbür grup, aritmilerinin saptanması için alet öğrenimi tekniklerini uygulamaktalar.
Buna karşın, ileriye dönük olarak bakıldığında, cihaz öğrenimi için fazla sayıda farklı data ile tarama yaparak, hastalık teşhis etme potansiyeli bulunmaktadır. bununla beraber, aşılması gereken kayda değer bir güçlük olarak doktorlar ve hastalar, mantıkları anlaşılamayacak kadar karmaşık olan algoritmalara güvenmek zorundalar. Derin öğrenme, özellikle “machine learning”in açık olmayan bir formudur ve onu daha açıklanabilir kılmanın yollarını bulmak, güven inşa etmek ve tedaviyi daha gelişmiş kılmak için önemlidir.
Yine de, Ng’nin bir devrimin gelmekte olduğuna dair hiç şüphesi değil. “Hala bu algoritmaları sağlık durumu bakım sisteminin rutin akışına sokmak için çalışmalarımız devam ediyor.” diyor. “Bence bundan 10 yıl sonraki sağlık durumu hizmetleri daha fazla yapay zeka kullanacak ve bugünkü durumdan çok ayrı görünecek.”
Kaynak
https://www.technologyreview.com/s/608234/the-machines-are-getting-ready-to-play-doctor/amp/
Kapak Fotoğrafı
https://aiaconnect.files.wordpress.com/2014/03/robotdoctor.jpg
Hiç yorum yok
Yorum Gönder