Yapay zekâ destekli robot ordusu şizofreniyi yüksek doğrulukta teşhis etti
Güncelleme Tarihi:
Teknolojik gelişmeler ve Endüstri 4.0 ile dijital dönüşüm yaşayan dünya her alanda kabuk değiştiriyor. Hemen hemen her gün teknoloji konusunda yeni bir çalışma ya da farklı bir ürün haberi duyuyoruz. Bunların arasında en dikkat çeken gelişmeler ise yapay zekâ alanında yaşanıyor. Teknolojinin sağlık alanında kullanımı ise yeni değil. Bugün sonuçlarını gördüğümüz pek çok çalışmanın temelleri geçtiğimiz on yıllık sürece dayanıyor.
Daha önce tıbbi açıdan ele aldığım Nature Şizofreni’de (Npj Schizophrenia) yayımlanan çalışmaya bu defa konuğumla ‘Makine Öğrenimi’ ve ‘Yapay zekâ’ (AI) açısından bakacağız. Şizofreni tanısında %87’lik bir başarı sağlayan algoritmanın arkasındaki isim ve araştırmanın baş yazarı olan Sunil Vasu Kalmady’den bilgi aldım. Kanada Alberta Üniversitesi Bilgisayar Bilimleri ve Psikiyatri Bölümü’nde doktor araştırma görevlisi olan Sunil Vasu Kalmady ile çalışmaları, yapay zekâ, makine öğrenimi ve derin öğrenme konusunda konuştuk.
Sunil Vasu Kalmady’nin eğitimi de aslında geleceğin mesleklerini merak edenlere bir yanıt olabilir. Çünkü Kalmady, medikal biyoteknoloji, bilgisayar bilimleri ve nörobilim üzerine eğitim almış. Yılardır yaptığı bilimsel çalışmalar da bu yönde. Görüldüğü gibi yapay zekâ konusunda konuşmak için sadece hekim ya da sadece avukat vb. olmak yeterli değil. Eğitimi bu yönde çeşitlendirmek ve bilimsel çalışmalar ortaya koymak gerekiyor. Aksi hâlde herkes okuduğunu anlatabilecek yeteneğe sahip.
Sunil Vasu Kalmady yapay zekâ konusunda uzman ama insan zekâsına da övgüde bulunuyor “Eski filozoflardan daha az şey biliyor olsak da insan zihni, doğada görebileceğimiz en güzel şeylerden biri. Yapay zekâ ise belirli bir görev için tasarlanmış bir mutfak bıçağı gibidir, ancak bazı insanlar bunları yanlış amaçlar için kullanabilir. Bence karar vermeyi gerektiren hemen hemen her alanda yapay zekâ kullanılacak.” diyor.
Dolayısıyla, bu araştırma bir yandan bize daha iyi psikiyatrik bakım diğer yandan ise insan zihnini ve bilincini daha iyi anlayabilme olanağı sunuyor. Sunil Vasu Kalmady’nin sorularıma verdiği yanıtlar ise şöyle.
Derin Öğrenme ve Makine Öğrenimi tanımlarını sık sık duyuyoruz. Bunların arasındaki fark ne? Kullanım alanları nereler?
'Derin öğrenme'(Deep learning), 'yapay zekâ'nın bir alt alanı olan 'makine öğrenimi' (Machine learning) genel tanımı altındaki belirli bir alandır. Makine öğrenimi çoğu zaman, bilgisayar programına “verilerden hangi özellikleri öğrenmesi gerektiğini” söylerken, ‘derin öğrenme’ genellikle otomatik olarak yapılır. Örneğin, derin öğrenmeyi kullanarak, hayvan resimleri koleksiyonundaki 'kedi' resimlerini, bir hayvanı “kedi” yapan özellikleri (bıyık, büyük camsı gözler, kulaklar gibi) belirtmek zorunda kalmadan belirleyebiliriz. Bunun yerine derin öğrenme kendi başına 'özellikleri' öğrenecektir, ancak bu özelliklerin insanlar için bir anlamı veya yorumu olmayabilir.
Derin öğrenme çok şaşırtıcı ise neden her problem için kullanmıyoruz? derseniz, bu sorunun cevabı, büyük miktarlarda veri bulunmamasıdır. “Derin öğrenmeyi” verimli bir şekilde kullanmak, için özellikle çoğu tıbbi problemde genellikle mümkün olmayan binlerce hatta milyonlarca veriye ihtiyaç var. Ancak, son zamanlarda bu hızla değişiyor, çünkü gittikçe daha fazla veri kümesi kullanıma sunuluyor.
Yapay zekânın hangi alanlarda daha etkili kullanılabileceğini düşünüyorsunuz?
Bence karar vermeyi gerektiren hemen hemen her alanda AI kullanılacak. Peki nerede karar vermek gerekiyor? Neredeyse her yerde. Meselâ; Kendi kendini süren otomobilin amacı, bizi A noktasından B noktasına götürmektir, ancak bunu yapabilmek için yolda birkaç yön kararı vermek zorundadır. Herhangi bir organizasyon veya sistemin çalışması bir dizi karar verme sürecine dayanır. AI bu kararların her birini daha iyi yapmaya yardımcı olabilir.
Bir benzetme yapmak gerekirse, insanın yaptığı her hareket önceki tecrübesi ile ilgilidir. Bu kasıtlı bir eylem değildir, bilinçaltı bir işlemdir. Bir çocuk, ateşin tehlikeli olduğunu başkalarından veya kendi deneyiminden öğrenir. Böylelikle tüm yaşamı boyunca bunu hatırlar. AI, makinelere, karşılaştıkları her deneyimden daha iyi sonuçlar almaları için bu gücü verir (bu deneyim veri gibi kodlanır, örneğin hastanın tıbbi kaydı). Bu fikir, iyi, kötü veya çirkin herhangi bir alana uygulanabilir.
Yanlış bir inanış var. Bazı insanlar yapay zekânın dünyadaki tüm problemleri bir tuş gibi bir anda çözeceğini düşünüyor. Oysa makine öğrenimi için kullanılan veriler doğru ve iyi kalitede olmak zorunda. Buna dikkat etmek gerekiyor. Doğru veriye erişim olmadan, yapılanlar havada kalır. Gerçek dünyadaki problemleri çözebilmek için doğru verileri almanın ne kadar zor olduğunu anlamamız ve buna odaklanmamız gerekiyor.
Şizofreni teşhisinde geliştirdiğiniz EMPaSchiz modeli %87 hassasiyetle en iyi performansı gösterdi. Bize detayları verebilir misiniz?
Bir kişinin şizofreni olup olmadığı anlayabilen makine öğrenimi yapabilmek için bazı tanımlanmış hedeflerin tahminini yapabilen küçük robotlar diyebileceğimiz basit araçlar ürettik. Daha sonra her biri eğitildi. Sonrasında biraz farklı birkaç robot yapıldı. Biz buna topluluk diyoruz. EMPaSchiz 84 robotlardan oluşan bir ordudur. Burada her robot beyine kendi açısından bakar. Çalışmamızda bu 84 bireysel robotun hepsi şizofreni tahmininde 10 üzerinden 9'a yaklaştı (%87).
Doğadaki her karmaşık nesne veya kavram çeşitli açılardan görülebilir. Örneğin, ülkelere, dillere, ekonomik duruma veya sağlık durumuna dayalı bir dünya haritası oluşturabiliriz. Bu haritaların her biri doğrudur ve her biri haritaya farklı açıdan bilgi ekler. Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) kullanılarak taranan insan beyinlerine bakarken benzer bir strateji benimsedik. Yakın geçmişte pek çok araştırmacı, ölüm sonrası örnekleri veya beyin taramalarını inceleyerek beynin yapısına ve işlevine dair şaşırtıcı bilgiler keşfetti. Biz de burada bulgulara dayanarak beynin haritalarını oluşturuyoruz. Bunlara parselülasyon deniyor. Küçük robotlarımızın gördüğü şey bundan ibaret.
Bu çalışmanın önemi, teknolojiyi klinik uygulamaya yönelik kullanmamızdır. Makine öğrenimi için yeni bir yol değil ancak psikiyatride kullanmak yenilikçi bir yol. Veri setinin büyüklüğü ve titizliği göz önüne alındığında, bu modelin performansı bu uygulama için şimdiye kadar yapılanların en iyilerden biridir.
Bu araştırmaya nasıl katıldınız?
Şizofreni araştırması üzerinde on yıldan beri çalışıyorum. Şizofrenide hangi beyin bölgelerinin değiştiğine cevap bulmak ve bu değişikliklerin hastalarda biyokimyasal veya genetik profile nasıl karşılık geldiği gibi nörobiyolojik bir bakış açısıyla yaklaşıyorum. Ne yazık ki, bu soruları, hastalığın kökeni, gidişatı ve belirtilerinin karmaşıklığı nedeniyle güvenilir bir şekilde cevaplamak çok zor. Dünyanın her yerindeki araştırmacıların yıllarca süren araştırmaları, hastalığın ele alınmasında sadece küçük bir iyileşme sağlayabilmiştir.
Makine öğrenimi ya da yapay zekâ gibi gelişmiş bilgi işlem çözümleri, önceki araştırmamın uzantısı. Araştırmamızın nihai amacı, belirtiler bariz hâle gelmeden önce şizofreninin önlenmesi ve hastanın biyolojik yapısına uygun tedavinin belirlenmesi olduğundan, bu çalışmanın şizofreni adı verilen bilmeceyi tam olarak anlamadığımız durumlarda bile çok faydalı olabileceğini gördüm. Psikiyatristler bile, bazı hastalıklarda örtüşen belirtilerin karmaşıklığı nedeniyle daha iyi tanı yöntemlerine ihtiyaç duyduğumuzu düşünüyorlar. Neyse ki, bilgisayardaki son gelişmelere ve teknoloji, doğada insan aklının kavrayamadığı karmaşık kalıpları öğrenmemizi sağlayan güçlü makine öğrenme teknikleri sunmaktadır. Yapay zekâ bu tip zorlu durumlar için mükemmeldir.
Süreç açısından her şey Bangalore’da ilk hocam Psikiyatri Profesörü Venkatasubramanian ile başladı. Bana gerçekten ilham verdi. NIMHANS'ta Bangalore’de şizofrenide beyin patolojileri hakkında araştırma yapmak için hastaların beyin taramalarını ve sağlık bilgilerini topladık. Özellikle önemli olan erken aşamada ve tedavi edilmemiş durumdaki hastaların beyin taramalarıydı. Çünkü kronik (uzun süreli) hastalıkların ve ilaç kullanımının beyinde değişme neden olabileceğini biliyorduk. Bireyin ‘erken’ evredeki bilgilerine ulaşmak en iyi sonuçları almak için doğru zamandı. Bu verileri yaklaşık yüz hasta ve yüz sağlıklı gönüllüden elde ettikten sonra şizofreniyi öngörmek için makine öğrenimi modelleri geliştirmeye başladım. Bu arada doktora derecemi aldım ve Bangalore'den Edmonton'a taşındım. Bu çalışmaya makine öğrenimi uzmanı Prof. Russ Greiner (Computational Psychiatry lab.) ve psikiyatri araştırmalarında Prof. Andrew Greenshaw’dan oluşan bir ekiple devam ettim. Bu projeye katkıda bulunan diğer kişiler Rimjhim Agrawal, Venkataram Shivakumar, Janardhanan Narayanaswamy, Matthew Brown ve Serdar Dursun'dur. Fikrin oluşumundan Nature’da (Nature Şizofreni) yayımlanmaya kadar çalışma 7-8 yıl sürdü.
Çalışmanız nerede kullanılacak?
İdeal olarak, bu çalışmada geliştirilen model, ileride doğru tanı koymak için klinik uygulamada kullanılacaktır. Psikiyatrist, bu aracı patologların daha iyi ve kanıta dayalı klinik kararlar almak için mikroskop kullanması gibi kullanabilir.
Ancak bu aşamaya gelmeden önce çok şey yapılması gerekiyor. AI, hastaları teşhis ve tedavi etme biçimimizde büyük değişiklikler meydana getirebilir. Yönetim organları ve psikiyatristler tarafından dile getirilen güvenilirlik, etik gibi farklı çözülmesi gereken ucu açık konular var. Örneğin; Hastaya yanlış teşhis konulursa, kim sorumlu olacak? Aleti kullanan doktor mu, veriyi toplayan kişiler mi ya da bir bilgisayar kodu mu? Bunlar henüz çözülmemiş noktalar.
Gelecekte günlük hareketlerimizi izleyen ve bunları internette teşhis edebilen algoritmalar yapabileceğinizi düşünüyor musunuz?
Bu soruyu “makinelerin günlük hareketlerimizi temel alarak şizofreni teşhisi yapıp yapamayacağı?” olarak anlıyorum. Cevabım ise; evet. İnsanların günlük davranış kalıplarını izleyerek, teoride çeşitli psikiyatrik bozuklukların erken teşhisi için etkili sistemler bulabiliriz. En yakın güncel örnekler olarak, Twitter feed'lerinden depresyonun tahmin edilmesinde başarılı olacağı düşünülen çalışmalar yapıldı. Ayrıca, doğal dil işleme kullanılarak şizofreni tanısında konuşma örüntüleri kullanılabilir. Bununla birlikte, bu verilerin nasıl toplanacağı da bir başka etik sorun.
Bu verilerin ticari çıkarlar veya kötü niyetler için kullanılıp kullanılamayacağı konusunda güvenlik endişeleri olabilir. AI, belirli bir görev için tasarlanmış bir mutfak bıçağı gibidir, ancak bazı insanlar bunları yanlış amaçlar için kullanabilir. Şu an insanların tüm finansal varlıklarının güvenliği için internet bankacılığı şifrelerine ve kredi kartı pinlerine güvendiği bir zaman dilimindeyiz. Bence kişisel verileri, küresel sağlığın iyileştirilmesinde etik olarak kullanmak mümkün. Ancak, düzenleyici kurumlar ve diğer paydaşlar, bilim insanlarına bunun mümkün olabileceği altyapıyı sağlamalı. Her yıl bu gibi sebeplerle büyük miktarda bilimsel ilerleme engelliyor ve sekteye uğruyor.
Serap TORUN
twitter.com/seraptorun73