YAZAR: ROB VERGER
Teknoloji devi ve New York Üniversitesi’ndeki doktorlar, makine öğrenme teknolojisini deneyerek genel muayeneleri nasıl hızlandırıyor?
Gina Ciavarra, Manhattan’da bulunan NYU Langone Sağlık Merkezi’nde karanlık bir odada oturuyor. Burası, kendisi gibi radyologların röntgen ve MRI taramalarını incelemesi için yapılmış bir okuma odası. Önünde yer alan ekranlarda, kimlik bilgileri kaldırılmış bir hastanın dizini gösteren gri tonlu görüntüler bulunuyor. Ciavarra, bunlarda kilit bir sorun olduğunu tespit ediyor: Kopmuş bir ACL (ön çapraz bağ) var. “Bu kesinlikle anormal” diye açıklıyor.
Fakat Ciavarra’nın; kemik, bağdoku, yağ, kıkırdak ve kirişlerden meydana gelen girdaplarda, yırtık ya da eklem iltihabı gibi sorunlar aramaya ek olarak yapması gereken başka bir değerlendirme daha var. Bu özel diz taramasını yapay zeka mı oluşturmuştu; yoksa bu tarama, geleneksel şekilde bir MRI makinesinden mi gelmişti? Kesin konuşmayan Ciavarra, “İçimden bir ses, yapay zeka yaptı” diyor. “Biraz bulanık gibi görünüyor.”
Ciavarra ve NYU’daki meslektaşları, yapay zekanın ürettiği taramalar ile geleneksel taramaların karşılaştırıldığı bir çalışmada yer alıyorlar. Bilgisayar bilimcileri ve radyologlar, yapay zeka ile MRI makinelerini birleştirerek, genel bir tıbbi inceleme türünü büyük oranda hızlandırabileceklerini düşünüyorlar; bu hem hastalar, hem de hastaneler için büyük bir rahatlık demek. Bu durum, on dakika süren bir diz taramasının dört dakikaya inmesi veya bir saat uzunluğundaki bir kalp taramasının yarım saate düşmesi anlamına gelebilir. Ayrıca hastaneler bu sayede para tasarrufu yapabilir ve hareketsiz durmakta zorlanan pediatri hastalarının anestezi ihtiyacı azalabilir.
NYU’nun şimdilerde akademik denetime göndermek üzere hazırladığı bu çalışma, birbirine yabancı olan iki kurum; NYU Tıp Fakültesi ile Facebook arasındaki ortak bir projenin parçasını oluşturuyor. Facebook’un Yapay Zeka Araştırma bölümünün önayak olduğu ve bir yıldan uzun süre önce ilan edilen bu ortaklık, basit bir amaç taşıyor: Yapay zeka kullanarak, hızlı fakat yüksek kaliteli MRI taramaları oluşturmak ve bu sayede, günün birinde yoğun şekilde çalışan tıp merkezlerinin daha fazla insana hizmet etmesine; kıt kaynaklı ülkelerin ellerindeki teçhizatı daha iyi kullanmasına ve yaşlı, genç ve kapalı alan korkusu olan kişilerin dar ve gürültülü manyetik bir tüp içerisinde daha az geçirmesine olanak sağlamak.
Yapay zekayı bu şekilde kullanmanın sonucunda; doktorların insan vücudunun içine bakmasını sağlayan görüntüler oluşturulurken, (ters Fourier dönüşümü şeklinde adlandırılan) iyi yapılandırılmış bir yaklaşıma kıyasla çok daha az bilgiye ihtiyaç duyuluyor. NYU Langone Sağlık Merkezi’nde radyoloji bölümü başkanı olan Michael Recht, şöyle söylüyor: “MRI’da, belli miktarda bir bilgi elde ediyor ve daha sonra yeniden inşa yöntemleri kullanarak bir görüntü oluşturuyoruz. Fakat görünüşe göre her zaman, muhtemelen ihtiyacımız olandan daha çok veri toplamışız.” Bunu biraz; su gibi benzin tüketen eski bir arabayı, yakıt tasarruflu bir arabayla değiştirmek gibi düşünün: Bu yeni algoritma, MRI makinesi ile aynı mesafeyi kat etmek (veya bu vakadaki gibi, doğru görüntüyü elde etmek) için daha az sayıdaki ölçümden, daha az veriye ihtiyaç duyuyor.
FAIR’de araştırmacı bir bilim insanı olan Larry Zitnick’in açıkladığına göre; yapay zekanın oluşturduğu bir görüntünün, bir radyolog veya cerraha gerekli bilgiyi vermesi (ve bu deneyin başarılı şekilde addedilmesi) için, iki şartı sağlaması gerekiyor. Birincisi, doğru olması gerekiyor: Bir bağdokudaki yırtığı atlayan veya gerçekte olmayan bir şeyi uyduran tarama, hem faydasız hem de tehlikeli olabilir. İkincisi ise, “radyologların görüntüyü beğenmesi gerekiyor” diyor Zitnick. Ciavarra gibi doktorlar, karanlık okuma odalarında gözlerini saatlerce taramalara diktikleri zaman, keskin ve göze güzel görünen fotoğraflara ihtiyaç duyuyorlar.
Fakat bir algoritmaya, bunun gibi test edilip onaylanmış bir makinenin ürettiği bilgileri yorumlatmak da kolay iş değil. Facebook takımı; yapay zeka yazılımına, frekans verisini doğru bir şekilde görüntülere dönüştürmeyi öğretmek için, gerçek MRI taramalarından alınan bilgilerle beraber yaklaşık 1.000 farklı çeşit model denediklerini söylüyor. Algoritmaya ham bilgileri vermişler ve ayrıca, yapay sinir ağının doğru görüntüleri oluşturmasına yardımcı olmak için buna karşılık gelen görüntüleri de göstermişler. (Yapay sinir ağları; yazılım mühendislerinin, bir fotoğrafta neler olduğunu tanımak gibi farklı işleri gerçekleştirmek üzere eğitebildikleri yaygın birer makine öğrenim araçları)
Facebook bu modeli geliştirdiğinde, modelin keskin gözlü uzmanlar üzerinde kör bir teste tabi tutulması gerekmiş. NYU’da çalışan Ciavarra gibi radyologlar, yapay zekanın ortaya çıkardığı diz taramalarını ve eski usül ile yapılan taramaları inceleyerek, her ikisinden de aynı tanı bilgisini elde edip edemediklerine bakmışlar. Ardından, hangisinin hangisi olduğunu tahmin etmeleri gerekiyormuş. Takım, hastaları (her zamanki, daha yavaş yöntem ve daha hızlı, yapay zekalı yaklaşım ile) iki defa taramadan geçirmek yerine; sıradan taramalarda bulunan ham verilerden bazılarını geçmişe dönük biçimde kaldırarak, makineyi daha hızlı hale getirmenin nasıl bir şeye benzeyeceğini taklit (simüle) etmiş.
Zitnick ayrıca kendi ekibinin, yapay zekanın oluşturduğu görüntülere biraz kusur ekleyerek, onları daha gerçekçi hale getirdiğini ve niyetlerini doktorlara belli etmekten kaçındıklarını belirtiyor. “Bunlar üzerinde, tam da doğru şekilde ufak tefek düzenlemeler yaptığınızda, radyologlar hangisinin yapay zekadan gelip hangisinin gelmediğini anlamakta çok zorlanıyorlar çünkü daha önce orada olan ipucunu kaldırıyorsunuz” diyor. (İlave edilen bu kusurun, taramanın tanısal değerini etkilemediğini söylüyor.)
Genelde, yapay zeka ve radyolojinin kesiştiğine dair bir şeyler duyduğunuzda, algoritmalar görüntüleri analiz ediyor oluyor; Facebook-NYU projesindeki gibi görüntü oluşturmuyorlar. Duke Üniversitesi’nde doçent olan ve radyoloji ile yapay zekaya odaklanan ancak bu MRI çalışmasında yer almayan Maciej Mazurovski, “Bence bu, çok heyecan verici ve önemli bir çalışma istikameti” diyor. “Çoğu radyoloji yapay zeka çalışmasından farklı.” Örneğin Mazurovski, yapay bir sinir ağı kullanarak, ultrason taramalarında insanların tiroitlerindeki nodülleri değerlendirmiş. Diğer çalışmalarda ise, göğüs kafesi görüntülerinde verem gibi sorunlar aramak üzere makine öğreniminin kullanılmasına odaklanılmış.
Facebook, YZ-MRI algoritmasını kamuya açacağını ve bu sayede, makineleri daha hızlı hale getirmek ve yapay zeka kullanarak verileri görüntülere yorumlatmak üzerinde çalışmak isteyen araştırmacıların bu isteklerini gerçekleştirebileceğini söylüyor. “Bu durum, bir kliniği çok büyük şekilde etkileyebilir çünkü MRI tarayıcılar pahalı şeylerdir ve sıklıkla desteklenirler” diyor Mazurovski. Ancak bu sürece yapay zeka enjekte etmenin bazı muhtemel tehlikeleri de bulunuyor. Bunlardan biri, bir algoritmanın gerçekte var olmayan bir sorun oluşturması olabilir (yapay doku gibi). Mazurovski’nin söylediğine göre daha da önemlisi, gerçek bir problemi gözden kaçırabilir; yani radyolog, bir ACL yırtılmasını hiç fark etmeyebilir.
Bu; çok önemli getirileri olabilecek, yüksek riskli bir proje: Bir cerrah, bir taramanın sonuçlarına dayanarak bir şeyi kesebilir veya kesmeyebilir. “Bu bizi tamamen geriyor” diyor Zitnick. “Bu şeyleri doğru yapmak önemli. İşte bu yüzden, bunu çok sistemli bir şekilde yapıyoruz.”
Değiştirilebilirlik konulu bu çalışma akademik inceleme beklerken, NYU araştırmacıları da; yapay zekanın ürettiği görüntülerin, bir cerrahın diz içerisinde artroskopi yaptığı zaman gerçekte gördükleriyle eşleşip eşleşmediğini değerlendirmek amacıyla daha ileri karşılaştırmalar yürütmek üzere hazırlık yapıyorlar. Gelecekteki hedef, bu teknolojiyi sadece dizlerle sınırlı tutmayıp; bunu, şu an çok daha fazla süreli tarama gerektiren beyin MRI’ları gibi, vücudun diğer bölümlerinde de kullanmak.
NYU’da çalışan Recht, yapay zekanın yaptığı bu hızlı taramaların, hekim ve hastaların MRI’lar ile olan ilişkilerini de değiştirmesini umduğunu söylüyor. “Benim hayalim,” diyor, “her eklemin beş dakikada taranması.”
