Yapay Zeka’nın Tarihi, Temel Kavramları, Sağlık Bilimleri Alanındaki Uygulamaları ve Fırsatları
Yapay zeka, bilim kurgunun parlak sayfalarından çıkıp, gerçek dünyamızın karmaşık sorunlarına çözümler sunmaya başladı ve her geçen gün daha da gelişerek çözümler sunmaya devam ediyor. Tarih boyunca insan zekasının sınırlarını zorlayan birçok alandaki gelişmeler, bugün tıp gibi alanlarda devrim yaratıyor.
Bu yazıda, yapay zekanın büyüleyici tarihçesine dalacak, temel kavramlarını aydınlatacak ve tıbbın geleceğini nasıl şekillendirdiğine dair heyecan verici gelişmeleri ve fırsatları sizlerle paylaşmaya çalışacağım.
Yapay zekanın tıpta nasıl bir dönüşüm yarattığını merak ediyor musunuz? O halde, insanlık tarihinin belki de en önemli buluşlarından birinin, sağlık hizmetlerini nasıl yeniden tanımladığını keşfetmeye hazır olun.
Yapay Zekanın Tarihçesi
Yapay zeka hakkında yapılmış çalışmalar internetin tarihinden bile daha eskiye dayanıyor diyebiliriz.
1940'lı yılların başında ilk tartışmayı, Warren McCulloch ve Walter Pitts’in beynimizdeki sinir ağlarını taklit eden hesaplamalı bir model diyebileceğimiz yapay nöronları tartışmaya açarak başlattılar diyebiliriz.
1950'li yıllarda ise Frank Rosenblatt, Perceptron algoritması ve modelini önererek önemli bir adım attı.
“Yapay Zeka” kavramının isim babası ise 1956 yılında John McCarthy oldu. Alan Turing McCarthy’den yıllar önce, makineler insan davranışlarını taklit edebilir mi, insanlar gibi düşünebilir mi gibi soruları sormuş ve Turing testini geliştirmiştir lakin ilk defa kavram olarak yapay zeka ifadesini John McCarthy borçluyuz.
Ardından yapay zeka, yapay sinir ağlarını ilk kez tanımlayan Marvin Minsky ile gelişim yolculuğuna devam etti ve yukarıdaki öncü isimlerin açmış olduğu bu yol, gerçek dünya problemlerini çözebilecek algoritma noksanlıklarının giderilmesi, girdi depolama ve yüksek hesaplama gücüne ihtiyaç gibi bir çok sorunu çözerek, gelişimine devam etmekte.
Günümüzde, yüz ve el yazısı tanıma, videolardaki konuşmaların metne dönüştürülmesi, e-postalardaki spam filtreleme gibi yapay zeka uygulamaları hayatımızın bir parçası haline geldi. Bu teknoloji, makine öğrenimi ve derin öğrenme gibi gelişmiş yöntemlerle büyük veri setlerinden anlamlı sonuçlar çıkararak karmaşık problemleri çözebilmektedir.
Algoritmaların, eğitildikleri veri setlerini kullanarak daha önce karşılaşmadıkları örnekleri sınıflandırabilme yetenekleri son derece değerlidir. Bu yetenek, özellikle tıp gibi alanlarda büyük önem taşımaktadır. Yapay zekanın tıp alanında giderek daha fazla kullanılması, bu teknolojinin sunduğu avantajlarla ilişkilidir. Bu durum, daha fazla araştırmaya ve elde edilen verilerin düzenlenip işlenmesine olan ihtiyacı da artırmaktadır. Bu nedenle, konunun daha iyi anlaşılabilmesi için şimdi bazı temel kavramlara değinelim.
Yapay Sinir Ağları, Derin Öğrenme ve Makine Öğrenimi Kavramlarına Genel Bakış
Bilim insanları, insan beyninin nöronlarını inceleyerek bu yapıları bilgisayar sistemlerine aktarmayı hedeflediler. Bu çalışmalar, beynin sinirsel ağlarının dijital versiyonlarının, yani yapay sinir ağlarınının (YSA) ya da diğer kullanılan isimleri olan yapay nöral ağlarının, sinir ağının veya nöral ağlarının geliştirilmesine yol açtı.
YSA’lar, insan beyninin sinir sisteminden ilham alınarak oluşturulan bilgi işlem sistemleridir. Öğrenme, hatırlama ve genelleme kabiliyetleri; güncellenen nöronlar arası bağlantılarının gücüne dayanır. Bu sayede, YSA’lar verilerden öğrenir ve sonuç olarak çıktı kalitelerini zamanla artırabilirler. Görüntü ve konuşma tanıma, doğal dil işleme, otonom araçlar gibi alanlarda sıklıkla kullanılan bu teknoloji, veri kalıplarını tanıma ve sınıflandırma konusunda bizlere yüksek doğruluk oranları sunmakta.
YSA belirli bir kalıbı tanıyıp istenen bir formata dönüştürme yeteneğine sahiptir; bu süreçte, kalıbın tanınması “girdi (Input)” ve dönüştürülen format “çıktı (Output)” olarak adlandırılır. YSA mimarisi, insan beynindeki nöronların işlevlerini taklit edecek şekilde düğümlerden (node) oluşur. Bu düğümler, katmanlar halinde organize edilir ve bir düğümün girdi ve çıktıları, diğer düğümlerle bağlantılar kurar. Giriş ve çıkış katmanlarının arasındaki bir veya daha fazla gizli katmandan (Hidden Layer) geçen veriler, belirli ağırlık ve eşik değerleri aşılırsa bir sonraki katmana aktarılır; bu sürece ileri yayılım (Feed-forward) denir. Bu işlem, bir kararın alınabilmesi için birçok kez tekrarlanabilir. Derin öğrenme algoritmaları genellikle birden fazla katmana sahip olma eğilimindedirler.
Yapay sinir ağları (YSA), optimize edilebilen “ağırlık (Weight)” değerleri üzerinden çalışır; işte bu ağırlıkların optimizasyonu işlemine ise “öğrenme” diyebiliriz. Basit bir YSA, giriş, ara katman(lar) ve çıkış katmanından oluşmaktadır. Derin öğrenme (DÖ) kavramı ise, sinir ağlarında çokça katman sayısını ifade eder ve daha fazla katmanın, genellikle daha doğru ve optimize sonuçlar üretmesini bekleriz.
Tüm bu modelimizin nihai amacı, büyük miktarda veriyle sistemin bir insanmış gibi öğrenebilmesi ve bu modelin yeni veriler üzerinde tecrübeli bir uzman insan gibi tahminlerde bulunabilmesidir.
Peki makineler hangi çeşitli yollar ile öğrenebiliyorlar?
Biz insanlar, günümüz modern dünyasında birçok farklı öğrenme yöntemine sahibiz. Kimimiz sözel, kimimiz işitsel kimimiz ise görsel öğrenme çeşitleri ile beynimizdeki nöronlar arasında bilişsel bağlar inşa edebiliyor yani bir şeyleri öğreniyoruz. Peki bu süreç 0 ve 1'lerden oluşan, “silikon ve metal parçalarından” oluşan makineler için nasıl işliyor?
Makinelerin öğrenmesi konusunu ise aslında en temelde denetimli (Supervised) ve denetimsiz (Unsupervised) öğrenme ile iki şekilde açıklayabiliriz.
Denetimli öğrenmede yukarıdaki resimde de ifade edildiği gibi elimdeki verilerdeki örneklerin (sample) ne oldukları, öznitelikleri (feature) belirli ve bu bilgiler üzerinden makinemize bir öğrenme işlemi yaptırıyoruz. Aslında başka bir örnek verecek olursak 4 ayağı olan, tüylü, genelde x boyutlarında olan canlı kedidir diyoruz. Ve modelimiz bu tarz özelliklere sahip yeni bir canlı gördüğü zaman bunun kedi mi değil mi olduğunu anlayabiliyor, yani kediyi öğrenmiş oluyor.
Denetimsiz öğrenmede ise elimizde labellanmış bir veri yok. Bizler algoritmalara tüm verimizi veriyoruz ve bu algoritmalar, arka planla bazı istatistiksel ve matematiksel işlemler sayesinde kedinin 4 ayaklı olduğu, tüylü olduğu gibi öznitelikleri, paternleri çıkartıyor ve öğrenme işlemini gerçekleştiriyor.
Yapay zekanın tıp disiplinindeki yerine geçmeden önce son olarak ise günlük hayatta sıklıkla duyduğumuz ve neredeyse iç içe geçmiş diyebileceğimiz bazı kavramlara değinelim.
Yapay zeka (YZ) ve alt kümelerinin tanımındaki karmaşıklığı giderebilmek için, bu terimleri YZ’nin iç içe geçmiş kümeleri şeklinde düşünebiliriz. Bu çerçevede, derin öğrenme (DÖ), yapay sinir ağlarına (YSA) dayalı olarak ve bir makinenin belirli görevleri yerine getirebilmesi için kendi kendine öğrenmesini sağlayan makine öğrenimi (MÖ)’nün bir alt kümesi olarak ifade edilebilinir. Böylece, MÖ, DÖ’yi içerirken; MÖ de daha geniş yapay zeka alanının bir parçası olarak belirli yöntem ve teknikleri barındırır. Bu yapılandırma, YZ’nin MÖ’yi ve dolayısıyla DÖ’yi kapsadığını gösterir.
Yapay Zekanın Tıp Disiplinlerindeki Yeri
Günümüzde artık birçok tıbbi cihazın içerisinde yapay zeka tabanlı yazılımlar bulunmaktadır. Her gün sağlık hizmet icrasında büyük miktarda veri üretilmekte. Bu durum ise ana kaynağı veri olan MÖ aksiyonları için önemli bir potansiyel yaratmaktadır.
Yapay Zeka (YZ) ve Makine Öğrenimi (MÖ), tıbbi inovasyonun başlıca konularıdır. Özellikle, FDA’nın (Food and Drug Administration — Amerika Birleşik Devletleri Gıda ve İlaç Dairesi) 2022 raporlarına göre, MÖ teknolojisi tıbbi cihazlar için vazgeçilmez bir bileşen haline gelmiş ve her geçen gün artan bir oranla birçok tıbi cihazın içerisine girmeye devam etmektedir. Sağlık hizmetlerinde her gün üretilen devasa veriler, MÖ’nün sağlık sektöründe ortaya koyabileceği daha birçok önemli aksiyonun olabileceğini bizlere gösteriyor. Bu ilgi ve veri artışı, FDA’nın daha fazla medikal cihazı incelemesine ve onaylamasına yol açmış, özellikle radyoloji ve kardiyovasküler alanlarında 500'den fazla cihazın onaylandığını söyleyebiliriz. Bu durum, YZ ve MÖ’nün medikal disiplinlerde nasıl bir devrim yaratabileceğinin sadece bir örneği. FDA’nın sürekli güncellenen listesi, bu teknolojilerin sağlık sektöründeki yayılımını ve etkisini somut bir şekilde gözler önüne seriyor, böylece YZ ve MÖ’nün sağlık alanındaki geleceği hakkında heyecan verici bir durumun olduğunu söyleyebiliriz.
Tıpta yapay zeka çeşitli klinik alanlarda etkisini göstermeye başlamıştır. Özellikle MR, BT, X-Ray gibi tıbbi görüntüleme alanlarında YZ teknolojilerinin kullanımı yaygınlaşmıştır. YZ sistemleri, hastalıkların tanı ve teşhis süreçlerinde doktorların yürüttüğü işlemleri taklit ederek, hızlı ve doğru sonuçlar elde etmeye yardımcı olmaya çalışmaktadır. Bu sistemler, tıbbi görüntülerin çözünürlüğünü artırma, görüntü segmentasyonu yapma, tümör gibi anormallikleri otomatik olarak tespit etme ve bu bilgileri raporlama gibi işlevleri yerine getirebilmektedir. YZ’nin bu kullanımı, tanı sürecini hızlandırarak tedaviye geçiş süresini önemli ölçüde kısaltmaktadır. Tıbbi görüntüleme ve hastalık teşhisi konusunda YZ ile sağlanan yüksek doğruluk, sürecin hızlanmasına doğrudan katkı sağlamaktadır.
Biyoinformasyon
Biyoinformasyon, yapay zeka (YZ) teknolojilerinin entegrasyonuyla önemli başarılar elde edilen bir başka alan olarak öne çıkmaktadır. Bu alanda, biyolojik verilerin büyük miktarlarda toplanması, saklanması, analiz edilmesi ve yorumlanması süreçleri, bilgisayar bilimi, biyoistatistik ve matematik gibi disiplinlerin bir araya gelmesiyle mümkün olmaktadır. Genetik, moleküler biyoloji, biyokimya, biyofizik, biyoteknoloji ve doku bilimi gibi çeşitli disiplinler, biyoinformatik verilere yoğun bir şekilde ihtiyaç duymaktadır. Bu veriler, genom, proteom, transkriptom, metagenom, metabolom gibi biyolojik veri türlerini kapsamaktadır.
Özellikle genomik analizler, genetik hastalıkların teşhisi, tedavisi ve önlenmesi konusunda moleküler tekniklerin geliştirilmesine yardımcı olurken; proteomik analizler, proteinlerin yapısı ve işlevi üzerine detaylı bilgiler sunmakta ve protein-protein etkileşimleri ile hücre sinyalleşmesi konularında önemli bulgular sağlamaktadır. Metagenomik analizler ise, mikrobiyal toplulukların yapısını anlamak ve mikrobiyal çevreyi belirlemek için kullanılmakta, çeşitli bakteri ve virüslerin tanımlanmasına olanak tanımaktadır.
Hastalıkların tanı ve tedavi süreçlerinin hızlandırılmasında büyük bir potansiyel sunan YZ, bu geniş veri yelpazesini hızlı ve etkin bir şekilde analiz edip sınıflandırarak biyoinformatik alanında giderek artan bir gelişime sahne olmaktadır.
Araştırma ve geliştirme faaliyetlerinde, ilaç-ilaç etkileşimlerinin incelenmesi ve yeni ilaçların geliştirilmesi süreçlerinde yapay zeka (YZ)-temelli teknolojilere giderek daha fazla başvurulmaktadır. YZ sistemleri, milyonlarca bileşiği hızla tarama yeteneği sayesinde, potansiyel ilaç adaylarını öngörme, tanımlama ve inceleme konusunda etkili bir araç haline gelmiştir. Bununla birlikte, YZ teknolojilerinin tıbbın diğer alanlarına kıyasla in vitro fertilizasyon (IVF) laboratuvarlarına entegrasyonu henüz sınırlıdır.
YZ destekli teknolojilerin IVF laboratuvarlarındaki rutin kullanımı, fertilizasyon sürecine kadar laboratuvarda geçirilen sürenin kısalmasına, özellikle birden fazla başarısız IVF denemesi sonucu ileri yaştaki anne adayları için zaman kazanılmasına, IVF sürecinin maliyetli ve zaman alıcı doğası nedeniyle aileler üzerindeki yükün hafiflemesine, oosit, embriyo veya blastomer seçimindeki subjektif değerlendirmelerdeki belirsizliklerin azalmasına, laboratuvarlar arasındaki tutarsız bilimsel verilerin azalmasına ve güvenilir verilere dayanarak sağlıklı canlı doğum oranlarının artırılmasına katkı sağlayabilir.
Ancak, bu gelişmelerin gerçekleşebilmesi için güvenilir veri setlerinin oluşturulması gerekmektedir. Geniş bir veri seti üzerinde önceden eğitilmiş bir sinir ağı modeli içeren YZ uygulamaları, tekrarlanabilir, standart, düşük maliyetli ve hızlı biyomedikal yazılım veya ekipmanların geliştirilmesini mümkün kılacaktır.
Bugün sizlerle bu yazımızda;
- Yapay zekanın tarihsel gelişimine,
- Yapay zekanın temel kavramlarına (makine öğrenmesi, derin öğrenme, yapay sinir ağları v.b),
- Makinelerin öğrenme yöntemlerine (denetimli ve denetimsiz öğrenme),
- Yapay zekanın tıp ilmindeki yerine,
- Biyoinformasyon,
konularına değinmiş olduk. Veri biliminin, yapay zekanın yakıtı veridir, özellikle sağlık hizmeti icraa edilirken bir gün içerisinde çok sayıda veri oluşturulmaktadır. Bundan mütevellit sağlık verileri KVKK kapsamında her ne kadar çalışılması ekstra dikkat gerektiren özel nitelikli veriler olsa da büyük bir potansiyel taşımakta, hali hazırda birçok sağlık sisteminde doğrudan veya dolaylı olarak kullanılmaktadır.
MR, BT, X-Ray gibi alanlarda önemli başarılar ve karar destek mekanizmaları sunmakla birlikte klinik uygulamalarda daha halen istenilen kullanım oranına sahip değildir. Bu durum aslında bizlere birçok çalışma fırsatı ve motivasyonu sağlayabilmektedir.
Son olarak ise önümüzdeki yılları ziyadesiyle meşgul edecek ve bir o kadar da istikbalde kendinden söz ettirecek biyoinformasyona değinmeden yazımı bitirmek istemiyorum. Naçizane günümüz t anını değerlendirecek olursak, bu alanda çok fazla iş fırsatının ve çalışılması gerekilen konunun var olduğunu ama bu alana alaka gösteren kişi sayısının halen yeterli olmadığını söyleyebilirim. Bu yüzden gelecekte, sağlık gibi hayati bir konuda büyük devrimlere imza atabilecek bu alanda şu anda bir şeyler yapanlar geleceğin anahtarını ellerinde tutacaklardır.
Kaynakça
- Amisha, Malik, P., Pathania, M. ve Rathaur, V. K. (2019). Overview of artificial intelligence in medicine. Journal of Family Medicine and Primary Care, 8(7),2328. /pmc/articles/PMC6691444/
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097–1105)
- Sarman, E (2023). Sağlık bilimleri alanında uluslararası araştırmalar XV,
- Zhang, Y., Chen, K., Sloan, R. A., & Chan, L. (2018). AI in healthcare: Past, present and future. Stroke and Vascular Neurology, 3(4), 230–243
