Yapay zekâ tıbbi görüntülemede nasıl kullanılıyor?

Yapay zekâ, makine öğrenmesi ve derin öğrenme ne demek?

"Yapay zekâ" geniş bir kavramdır ve bilgisayarların genellikle insan zekâsı gerektiren görevleri yerine getirmesini anlatır. Tıbbi görüntülemede en çok konuşulan iki alt başlık şunlardır:

• Makine öğrenmesi: Bilgisayarın, kuralların tek tek yazılması yerine çok sayıda örnek veriden örüntüleri "öğrenmesi". Örneğin binlerce akciğer filminden, nodül içeren ve içermeyen görüntülerin özelliklerini ayırt etmeyi öğrenen bir program.
• Derin öğrenme: İnsan beyninin sinir ağlarından esinlenen, çok katmanlı yapay sinir ağlarının kullanıldığı bir makine öğrenmesi türü. Görüntü tanımada özellikle başarılı olduğu için görüntüleme alanında yaygın kullanılır.

ABD Ulusal Biyomedikal Görüntüleme ve Biyomühendislik Enstitüsü (NIBIB), bu teknolojileri karmaşık tıbbi görüntü ve verilerin analizini geliştirmek amacıyla destekleyen bir program yürütür. Kurumun destek verdiği alanlar arasında görüntülerdeki gürültünün azaltılması, derin öğrenmeye dayalı doğrudan görüntü oluşturma (rekonstrüksiyon), bilgisayar destekli tanı ve tarama, görüntülerdeki yapıların otomatik olarak ayrıştırılması (segmentasyon), radyomik ve görüntü kılavuzluğunda cerrahi yer alır.

Görüntülemede hangi işlerde kullanılıyor?

Yapay zekâ uygulamaları, görüntüleme sürecinin farklı aşamalarında görev alabilir.

Görüntünün elde edilmesi ve kalitesi

• Daha net görüntü: Gürültüyü azaltan algoritmalar, daha düşük kaliteli ham veriden daha anlaşılır görüntüler üretmeye yardımcı olabilir. NIBIB, kompakt ve taşınabilir MR cihazlarındaki düşük görüntü kalitesi sorununun yapay zekâ desteğiyle giderilmesine yönelik bir araştırmayı, bu cihazların demans ile ilgili beyin görüntülemede kullanılabilirliğini gösteren bir örnek olarak öne çıkarır.
• Daha kısa çekim, daha düşük doz: Görüntü oluşturma aşamasında kullanılan yöntemler, aynı tanısal bilgiyi daha kısa MR çekimleriyle ya da daha düşük radyasyon dozlu tomografilerle elde etmeyi hedefleyen araştırmaların konusudur.

Görüntünün yorumlanması

• Şüpheli alanları işaretleme: Mamografide şüpheli alanlar, akciğer tomografisinde nodüller veya kemik filmlerinde kırık olabilecek bölgeler gibi bulguları radyoloğun dikkatine sunan yazılımlar.
• Önceliklendirme: Beyin kanaması veya büyük damar tıkanıklığı gibi acil bulgular içerebilecek tetkikleri iş listesinde öne alan araçlar. Amaç, acil görüntülerin daha hızlı değerlendirilmesine yardımcı olmaktır.
• Otomatik ölçüm: Organ hacimleri, tümör boyutları, kalp odacıklarının işlevi veya kemik yoğunluğu gibi ölçümleri hızlandıran, tekrarlanabilirliği artırmayı hedefleyen yazılımlar.
• Göz dibi ve patoloji görüntüleri: Radyoloji dışında, göz dibi fotoğraflarında diyabete bağlı retina hasarının taranması ve dijital patoloji preparatlarının incelenmesi de yapay zekânın sık çalışıldığı alanlardır.

İş akışı ve raporlama

Görüntü arşiv sistemleriyle (PACS) birlikte çalışan yazılımlar; önceki tetkiklerle karşılaştırma, rapor taslağı hazırlama veya rapordaki önemli bulguların ilgili hekime iletilmesi gibi işlerde destek sağlayabilir.

Düzenleyici kurumlar nasıl yaklaşıyor?

Tıbbi amaçla kullanılan yapay zekâ yazılımları birçok ülkede tıbbi cihaz olarak değerlendirilir. FDA, ABD'de pazarlanmasına izin verilen yapay zekâ destekli tıbbi cihazları bir listede toplar. Kurum, listenin amacını; geliştiricilere düzenleyici bilgi sunmak ve sağlık çalışanlarıyla hastaların bir cihazın yapay zekâ teknolojisi kullandığını açıkça görebilmesi için şeffaflık sağlamak olarak açıklar. Listedeki cihazların büyük bölümü radyoloji alanındadır; bunu kardiyoloji ve nöroloji gibi alanlar izler.

FDA, listenin yapay zekâ destekli cihazların eksiksiz bir dökümü olmadığını, cihazların büyük ölçüde özet açıklamalarındaki yapay zekâyla ilgili terimlere göre belirlendiğini de not eder. Kurum ayrıca büyük dil modelleri gibi "temel modelleri" içeren cihazları tanımlamanın ve işaretlemenin yollarını araştıracağını belirtir.

Bir yazılımın izin almış olması, belirli bir kullanım amacı ve koşulları için değerlendirildiği anlamına gelir. Her hastada, her cihazda ve her hastanede aynı performansı göstereceği anlamına gelmez.

Sınırlılıklar ve riskler

Veri ve yanlılık

NIBIB'in görüntülemede adil ve etik algoritmalar üzerine yayımladığı yazıda, makine öğrenmesi sürecinin pek çok aşamasında yanlılık oluşabileceği vurgulanır. Bu yazıda verilen örnekler şunlardır:

• Nüfus uyumsuzluğu: Belirli bir hasta grubundan toplanan verilerle geliştirilen bir algoritma, hasta profili farklı olan bir hastanede aynı başarıyı göstermeyebilir.
• Zamanla eskime: Hastalıkların özellikleri, cihazlar ve çekim teknikleri zamanla değiştikçe algoritmalar güncelliğini yitirebilir.
• Veri kalitesi: Kötü kaliteli veriyle eğitilen bir model iyi sonuç üretemez.

Aynı yazıya göre tıbbi görüntü veri setleri çoğu zaman güvenilir ürünler geliştirmek için gereken nitelik, nicelik ve çeşitlilikten yoksundur. Bu durum, yeterince temsil edilmeyen grupları zarar görme riskine açık bırakabilir ve sağlıktaki eşitsizlikleri derinleştirebilir.

Hata türleri

Yapay zekâ yazılımları iki yönde de yanılabilir: Var olan bir bulguyu kaçırabilir (yanlış negatif) ya da olmayan bir sorunu işaretleyebilir (yanlış pozitif). Yanlış pozitifler gereksiz kaygıya ve ek tetkiklere, yanlış negatifler ise gecikmiş tanıya yol açabilir. Ayrıca hekimlerin yazılımın önerisine gereğinden fazla güvenmesi (otomasyon yanlılığı) de dikkat edilen bir risktir.

Mahremiyet ve güvenlik

Algoritmaların geliştirilmesi büyük miktarda sağlık verisi gerektirir. Dünya Sağlık Örgütü (WHO), sağlıkta yapay zekâya ilişkin raporunda sağlık verilerinin etik olmayan biçimde toplanması ve kullanılması, algoritmalara yerleşmiş yanlılıklar, hasta güvenliği ve siber güvenlik risklerine dikkat çeker.

WHO'nun altı ilkesi

WHO, sağlıkta yapay zekânın tasarımı ve kullanımı için altı yol gösterici ilke belirlemiştir:

1. İnsan özerkliğini korumak: Sağlık sistemlerinin ve tıbbi kararların kontrolü insanlarda kalmalı; mahremiyet ve bilgilendirilmiş onam güvence altına alınmalıdır.
2. İnsan esenliğini, güvenliğini ve kamu yararını gözetmek: Yapay zekâ ürünleri güvenlik, doğruluk ve etkinlik açısından düzenleyici gereklilikleri karşılamalıdır.
3. Şeffaflık ve anlaşılabilirlik: Bir teknoloji tasarlanmadan veya kullanıma sunulmadan önce yeterli bilgi yayımlanmalı ya da belgelenmelidir.
4. Sorumluluk ve hesap verebilirlik: Kurumlar, yapay zekânın eğitimli kişilerce uygun koşullarda kullanılmasından sorumludur; itiraz ve telafi yolları bulunmalıdır.
5. Kapsayıcılık ve hakkaniyet: Yapay zekâ yaş, cinsiyet, gelir, köken, engellilik gibi özelliklerden bağımsız olarak herkese hizmet edecek şekilde tasarlanmalıdır.
6. Duyarlılık ve sürdürülebilirlik: Sistemler sürekli değerlendirilmeli ve olumsuz etkileri en aza indirilmelidir.

WHO ayrıca yapay zekânın sağlığa yararlarının abartılmasına, özellikle bu durum herkese erişilebilir sağlık hizmetleri için gereken temel yatırımların önüne geçtiğinde karşı uyarır.

Hasta olarak bilmeniz gerekenler

• Rapordan hekim sorumludur: Görüntüleme raporunu bir uzman hazırlar ve onaylar. Yazılım önerileri bu değerlendirmenin bir parçası olabilir ama nihai yorum hekime aittir.
• Soru sorabilirsiniz: Tetkikinizde yapay zekâ destekli bir yazılım kullanılıp kullanılmadığını ve bunun sonucu nasıl etkilediğini sormak hakkınızdır.
• İnternet araçlarına dikkat: Görüntülerinizi veya raporunuzu genel amaçlı sohbet uygulamalarına ya da tanı vaat eden uygulamalara yüklemek, mahremiyet riskleri taşır ve yanlış yorumlara yol açabilir. Sonuçlarınızı hekiminizle değerlendirin.
• Tarama ve kontrolleri aksatmayın: Yapay zekâ destekli araçların varlığı, hekiminizin önerdiği mamografi, kontrol tomografisi veya göz dibi muayenesi gibi düzenli kontrollerin önemini azaltmaz. Teknoloji ne kadar gelişirse gelişsin, erken tanı için önerilen izlem programlarına düzenli katılım temel koşuldur.
• Verileriniz: Sağlık verilerinizin araştırma veya ürün geliştirme amacıyla kullanılması, kişisel verilerin korunmasına ilişkin mevzuata ve onamınıza bağlıdır.