Üretken yapay zekâ radyoloji görüntülemelerinde teşhisi kolaylaştırıyorÜretken yapay zekâ radyoloji görüntülemelerinde teşhisi kolaylaştırıyor

Günümüzde yapay zekâ çevremizle iletişim ve etkileşim şeklimizi etkilemek dışında, birçok mesleki alanda yeni dönüşümlere yol açıyor. Radyoloji bölümlerinde gerçekleşen dönüşüm buna çok iyi bir örnek. Üretken yapay zekâ hakkında daha fazla bilgi edinin ve Almanya Essen Üniversite Hastanesi'nde klinik yapay zekâ entegrasyonundan sorumlu kıdemli Doktor Johannes Haubold'dan bu teknolojinin klinik iş akışlarını nasıl etkilediğini dinleyin.

Yunan filozof Aristoteles’in "Bütün, parçalarının toplamından daha büyüktür" sözünden yola çıkarak; özellikle insan hücreleri arasındaki etkileşimin tek tek hücrelerin çok ötesinde yetenekler ürettiği beyinde daha belirgin olduğunu görebiliriz. Aynı prensip üzerinden incelediğimizde, işin anahtar kısmının sadece bilgiyi yeniden üretmek değil, tamamen yeni bir şey yaratmak için mevcut bilgiyi yaratıcı bir şekilde birbirine bağlamak olduğu diğer alanlar için de geçerli olduğunu söyleyebiliriz. İnsan bunun en mükemmel örneğidir; tamamlanmamış cümleleri tamamlayabilir, görüntüleri mantıklı yeni içeriklerle genişletebilir veya müzik parçaları besteleyebiliriz. Yapay zekânın yeni türleri ise, bu yeteneklerin en azından bazılarının veri analizi ve örnekleri tanımlama ve algılama kullanılarak taklit edilebileceğini göstermektedir.

Önce Microsoft, şimdi de Google... Teknoloji devleri OpenAI tarafından başlatılan bir trendi benimsiyor. ChatGPT veya Bard gibi sohbet robotları, üretici yapay zekâ olarak bilinen özel bir yapay zekâ (AI) kategorisinin en popüler örnekleri olarak görülüyor. Burada "üretken" kelimesi, yapay sinir ağlarının mevcut bilgilere dayanarak yeni içerik oluşturması anlamına geliyor. Yapay zekânın bu formu, şaşırtıcı bir hassasiyetle görüntüler, kodlar, video içerikleri ve metinler üreterek insan zekâsını hızla geride bırakıyor.

Yapay zekâ modelleri geniş kapsamlı görevleri kapsar, kendilerini sürekli olarak yeniden geliştirir ve bir kez kurulduklarında hızlı bir şekilde öğrenebilirler. Bu modeller günümüzde tıp dünyasında ve araştırma alanlarında kullanılmakta ve bu tür alanlarda da kendilerine yer edinmektedir. Örneğin, günümüzde üretken YZ, çeşitli bileşenlerin moleküler yapılarını ve kimyasal davranışlarını hesaplayarak ilaç geliştirmeye yardımcı olmaktadır. Bu, sinir ağlarının farmakolojik bileşenleri etkinliklerini artırmak için belirli bir şekilde birleştirmesine olanak tanır. ¹

Sadece farmakolojide değil, radyolojide de üretken yapay zekâ, radyolojik görüntü verilerinin algılanmasına ve segmentasyonuna yardımcı olarak veya görüntü kalitesini iyileştirerek uzmanların çalışma şeklini değiştirmektedir. Almanya'daki Essen Üniversite Hastanesi'nde klinik yapay zekâ entegrasyonundan sorumlu uzman fizikçi Doktor Johannes Haubold, teknolojinin henüz emekleme aşamasında olmasına rağmen, ilk prototiplerin gelecekte radyologların çalışmalarını desteklemek için büyük bir potansiyele sahip olduğunu gösterdiğini söylüyor.

Üretken yapay zekâ hangi uygulamalara sahiptir ve radyolojide ne gibi avantajlar sağlar? 

Üretken yapay zekâ, özellikle büyük dil modelleri biçiminde, çeşitli görevleri yerine getirmemize yardımcı olabilir. Örneğin, bir veritabanıyla etkileşim ve iletişim kurabilmemiz için bir arayüz oluşturma üzerinde çalışıyoruz. Üretken yapay zekâ sayesinde, hastalar veya hastalıkları hakkında bilgi içeren yüzlerce veri tabanında arama yapabilir ve bu bilgileri net bir şekilde sunulmuş bir formatta elde edebiliriz. Örneğin, bu sayede benzer klinik seyirlere sahip vakaları bulup onlardan ders çıkarabilir ve daha iyi tedaviler geliştirebiliriz. Bu özelliklerden bazıları hala sadece geleceğe yönelik bir vizyon olmaktan öteye gidememektedir, ancak büyük dil modelleri, bu gibi senaryoların artık düşünülebilir olduğu anlamına da gelmektedir.

Başka bir deyişle, bu esasen ChatGPT gibi çalışır - ağa sorarsınız: "Bana bu hastanın tıbbi geçmişini ve özel sağlık durumunu gösterebilir misiniz?"

Bu aslında büyük dil modelinin türüne bağlıdır. Prensip olarak, Essen Üniversite Hastanesi'nde geliştirdiğimiz modeller bir sohbet sistemi gibi çalışır. Ne aradığınızı belirtiyorsunuz ve algoritma size bilgiyi sağlıyor. Ancak buna ek olarak algoritma, soruyu yanıtlamak için hangi verilerin kullanıldığını da gösterir. Bu, sonuçların kalitesinin doğrulanması söz konusu olduğunda özellikle önemlidir. Her halükarda, özellikle tıp alanında büyük dil modelleriyle çalışırken kalite kontrolü hayati bir konudur.

Kalite kontrolden bahsetmeniz ilginç. Eylül 2023'ün sonlarında ABD'de "ChatGPT, 17 farklı doktorun teşhislerinde başarısız olmasının ardından 4 yaşındaki çocuğun kronik ağrısını teşhis etti" şeklinde bir manşet atılmıştı ve bu o dönem büyük ilgi görmüştü. Üretken yapay zekâ ne kadar güvenilir ya da özellikle tıbbi uygulamalarda bazı riskler içeriyor mu? 

Bence bu gibi başlıklar, insanlar yeteneklerinin sınırlarını araştırdıkça her yeni teknolojinin ortaya çıkmasıyla birlikte bizlerin de karşına çıkmaktadır. ChatGPT gibi Büyük Dil Modelleri, daha önce hayal bile edilemeyen şeyleri yapmamızı sağlayan çok ilginç bir gelişmedir - ancak özellikle kalite kontrolü söz konusu olduğunda teknolojiyi kullanmanın riskleri vardır. Örneğin, ChatGPT'den bir makale için giriş yazmasını isterseniz, bilginin kaynaklarını belirlemesini de isteyebilirsiniz. Daha sonra, programa referansların gerçek olup olmadığını sorabilirsiniz ve ChatGPT bunların gerçek olduğunu onaylayacak ve size bunları hangi veritabanında aramanız gerektiğini söyleyecektir. Ancak daha yakından incelediğinizde, ne kadar ararsanız arayın, algoritmanın atıfta bulunduğu yayınların mevcut olmadığını göreceksiniz. Tıp dünyasında bu potansiyel olarak tehlikelidir, bu nedenle bu "sanrıların" önünü kesmek için bir tür kalite kontrol denetimi yapmak çok önemlidir.

Üniversite hastanenizde yeni bir algoritma oluşturma sürecini bize anlatabilir misiniz? 

Her geliştirme süreci hastanemizde özünde klinik bir ihtiyaçla başlamaktadır. Başka bir deyişle, algoritmanın doldurması amaçlanan spesifik sorun veya boşluk nedir? sorusunun cevabı üzerine yoğunlaşılınır. Bir sonraki adımda etik düzenlemeleri netleştiririz çünkü algoritmayı oluştururken büyük hacimli verilere erişmemiz gerekir. Daha sonra, bir veri seti arar ve anonimleştirilmiş biçimde dışa aktarırız. Bu tür verileri bulmak, Essen'de büyük bir FHIR sunucusunun mevcut olduğu bir veri entegrasyon sürecini içerir. Burada tüm bilgiler tek bir yerde bir araya gelir, böylece yapılandırılmış verilere erişmek bizim için kolay olur. Bir sonraki adımda ise, soruyu yanıtlamak için hangi algoritmanın en iyi donanıma sahip olduğunu düşünürüz. Genellikle serbestçe erişilebilen ağları kullanır ve bunları ihtiyaçlarımıza göre uyarlarız. Genellikle birden fazla algoritmayı aynı anda eğiterek işe başlarız ve ardından hangisinin en verimli olduğunu belirlemek için bunları birbirleriyle karşılaştırırız. Eğitim tamamlandıktan sonra algoritmanın, etkinliğini doğrulamak için ideal olarak diğer araştırma kurumlarıyla işbirliği içinde çeşitli test aşamalarından geçiririz. Ardından klinik değerlendirme yaparız: Rutinde bize gerçekten yardımcı oluyor mu yoksa herhangi bir engel var mı? Ona bakarız. Son olarak, klinik iş akışlarına entegrasyon optimize edilmesini sağlayıp değerlendirmemizi yaparız.

Siemens Healthineers ile işbirliği içinde, radyolojik tanıya yönelik bir yazılım asistanını değerlendirmek ve daha da geliştirmek için bir prototip geliştiriliyor. Bize proje hakkında biraz daha bilgi verebilir misiniz? 

Şu anda, her ikisi de büyük dil modelleri olan iki farklı algoritmayı ortaklaşa geliştiriyoruz. Basit bir ifadeyle, algoritmalardan biri hastanın sağlık durumuyla ilgili klinik soruları yanıtlayabiliyor. İkinci algoritma ise iletişim ile veri kümelerinin ortaya çıkarılması sırasında bir tür köprü oluşturuyor, böylece doğal dil sorularıyla FHIR sorguları oluşturmak mümkün oluyor. Örneğin, sisteme son iki yıl içinde belirli bir ilacı alan ve daha sonra böbrek rahatsızlığı yaşayan tüm hastaları araması talimatını verebiliyorsunuz. Dolayısıyla, büyük dil modeli bu soruları iletir, ilgili veri kümelerini atar ve bu nedenle büyük veri kümelerini belirli araştırma sorularıyla karşı karşıya getirmemizi sağlar.

Aralık 2019'da ‘Der Radiologe’ dergisinde "Radyolojide yapay zekâ - önümüzdeki birkaç yıl içinde neler beklenebilir?" konulu bir makale yayınladınız. Makalede, önümüzdeki 5 ila 10 yıl içinde görmeyi beklediğiniz gelişmelere genel bir bakış sundunuz. Öngörülerinizden herhangi biri şimdiden gerçekleşti mi ve önümüzdeki beş yıl içinde hangi trendleri veya yenilikleri görmeyi bekliyorsunuz? 

Makalede çeşitli senaryolardan bahsetmiştim - ve o zamandan bu yana kesinlikle çok sayıda gelişme gördük. Örneğin, MRI ve sekans üretimini hızlandırmak için görüntü dönüştürmeyi kullanan yapay zekâdan bahsetmiştim. Bugün, birkaç algoritma CE sertifikası almış durumda. Ayrıca klinik raporlar için sohbet sistemlerini ve iletişim ağlarını kullanabilmeyi umuyordum ki şu anda bunun üzerinde çalışıyoruz. Önümüzdeki beş yıl içinde bunun da başarılabileceği konusunda oldukça iyimserim.