Şu yayını okuyorsunuz: Sağlık teşhisinde makine öğreniminin faydası: Yapay zekaya doğru
İlk olarak dünyanın önde gelen yapay zeka ve teknoloji haber ve medya şirketi Towards AI’da yayınlandı. Yapay zeka ile ilgili bir ürün veya hizmet yaratıyorsanız sizi yapay zeka destekçisi olmayı düşünmeye davet ediyoruz. Towards AI’da yapay zeka ve teknoloji girişimlerinin ölçeklenmesine yardımcı oluyoruz. Teknolojinizi kitlelere ulaştırmanıza yardımcı olalım.
Son on yılda tıp alanında yapay zeka ve makine öğreniminin uygulanmasında önemli bir artış görüldü. Ancak bu araçların mevcut geleneksel yaklaşımların yerini alması isteniyorsa etik, güvenilirlik ve uygunluk açısından dikkatle değerlendirilmesi gerekmektedir. Burada makine öğreniminin sağlık hizmetlerine fayda sağlama potansiyeline sahip olabileceği 3 yolu ele alacağım:
1. Hastalıklar ve bozukluklar için risk eşiklerini yeniden tanımlayın ve gerekçelendirin
Şu anda tanıda, kalp hastalığı gibi rahatsızlıklara ilişkin birçok risk eşiği, çok değişkenli bir anlamdan ziyade tek değişkenli bir şekilde belirlenme eğilimindedir. Örneğin, kalp yetmezliği veya kardiyomiyopati tanısı koyarken, ejeksiyon fraksiyonunun yüzde 40’ın altında olması uzun süre altın standart olarak kabul edildi. Ancak araştırmalar, tüm kalp yetmezliği vakalarının yaklaşık yarısının korunmuş ejeksiyon fraksiyonuyla meydana geldiğini ve bu durumun, özellikle bunu nefes darlığı (nefes darlığı) gibi bildirilen diğer semptom nedenlerinden ayırmada ciddi bir teşhis ve tedavi zorluğu teşkil ettiğini bulmuştur. [1]. Bu tür hastalıkları olan presemptomatik, risk altındaki veya erken başlangıçlı hastalarla uğraşırken, birden fazla değişken kullanılsa bile, klinisyenler bunları bağımsız ve ilişkisel bir anlamda keyfi olarak birleştirme eğilimindedir. [2].
Muhtemelen, birden fazla değişkene ilişkin koşullu eşikler kullanılarak vaka bazında yapılırsa tanısal doğruluk artacaktır; bu, bir değişken için eşiğin diğerinin değerine bağlı olabileceği anlamına gelir. Örneğin, bir hastanın 40 yaşında, erkek, sistolik kan basıncının 120 mmHg ve toplam kolesterolün 4 mmol/L olduğu göz önüne alındığında, sol ventriküler kütle eşiğinin üzerinde bir değer erken başlangıçlı kalp yetmezliğine işaret eder mi? Veya bu parametre değerleri kombinasyonu göz önüne alındığında, hastanın gelecekte hastalığın ortaya çıkma olasılığı nedir? Bugün, NHS’nin elektronik sağlık kaydı (EHR) sisteminde kullandığı son teknoloji ürünü yapay zeka kurallarına dayalı karar desteği bile şu anda bu tür bir hassasiyetten yoksundur. [4]
Bu hedefe ulaşmanın bir yolu ağaç tabanlı sınıflandırma algoritmalarının kullanılmasıdır. Bazı bozuklukların (örneğin aort stenozu) altında yatan mekanizmanın, bazı durumlarda geçerli bazılarında geçerli olmayan karmaşık bir dizi koşullu ilişkilere ve mantıksal kurallara bağlı olduğunu teorileştirelim. Örneğin sol ventrikül kitlesinin yüksek olmasının (hipertrofi) ancak hastanın belli bir yaşta olması, iç organ yağ kitlesinin belli bir değerin üzerinde olması ve diğer bazı durumlarda sorun teşkil ettiğini gözlemledik. Karar ağaçları ve rastgele ormanlar gibi ağaç tabanlı algoritmalar, ağaçlarının dalları arasında değişen koşullu karar kurallarını kullanarak bu alt grupları açık bir şekilde öğrenip modelleyerek farklı hastalar için farklı mantık kümeleri sağlar. Aynı zamanda önemli özellikler ve ağaç diyagramları (Şekil 1 gibi) şeklinde yorumlanabilirliği kolaylaştırır.
Tüm makine öğrenimi sınıflandırma algoritmalarının aynı türden temel mantığın çıkarılmasına izin vermediğini belirtmekte fayda var. Tekil eğri uydurma yaklaşımıyla, SVM, K-en yakın komşular veya lojistik regresyon gibi diğer ayrıştırma algoritmaları, önceden programlanmadıkça bu tür koşullu mantığı öğrenemez.
Onlarca yıldır tıbbi teşhis için kurala dayalı sistemlere yönelik çeşitli yaklaşımlar gördük. 1970’lerin başında, yaklaşık 600 uzman tarafından girilen kuraldan oluşan bir bilgi tabanı ve bir çıkarım motoru kullanarak kan yoluyla bulaşan bakteriyel enfeksiyonları birden fazla değişkenden teşhis etmek için kullanılan MYCIN’den başlayarak, kanser teşhisi için IBM Watson’a ve bugün kullanılan NHS EHR’ye kadar . ; En büyük zorluk, belirsizliğin, özellikle de çok sayıda koşullu olasılığın tahmininin en iyi şekilde nasıl temsil edileceği ve bu programlanmış kurallarda çelişkili veya döngüsel mantığın ortaya çıkmasıyla nasıl başa çıkılacağı konusundaki tartışma olmuştur. [4].
Ve MYCIN gibi bu tür kural sistemlerinin tıbbi uzmanlarla aynı düzeyde tahminler elde ettiği durumlarda bile, mevcut klinik sistemlerle zayıf entegrasyon nedeniyle tanısal değerlendirme için standardı belirlemek üzere bu tür sistemlerin yaygın bir başarı gösterdiğini veya benimsendiğini henüz göremedik. Hatalı tahminlerin hukuki sorumluluğu konusunda endişeler.
2. Doktorlar için üstün doğruluk oranına sahip otomatik teşhis sistemleri geliştirin
Daha fazla miktarda veriye ve daha fazla sağlamlık testine erişim sayesinde makine öğrenimi sınıflandırıcıları, kalp hastalıklarının riskini ve başlangıcını doktorlardan daha erken ve daha doğru bir şekilde belirleyebilir. (1) makine öğrenimi kullanılarak risk eşiklerinin ve hastalık teşhisinin nasıl daha iyi tanımlanabileceğine ve klinisyenler için karar desteği olarak nasıl kullanılabileceğine bakarken, başka bir kullanım durumu açıklanabilirliğin daha az önemli veya ilgisiz olduğu tekil görevlerde olabilir.
Pigmente cilt lezyonlarının malignitesinin tespiti gibi basit ve spesifik görüntüleme tanıları için, Tschandl ve ark. (2019) sınıflandırıcıların, on yıldan fazla deneyime sahip 27 insan uzmanının kararından daha iyi performans gösterdiğini ve ortalama doğru teşhis sayısına karşı 25,43’e karşılık 18,78 (P<0,0001) ulaştığını buldu. Benzer şekilde, DeepMind, bir yapay zekayı retina taramaları konusunda eğiterek, en iyi insan uzmanlarını geride bırakarak %94 doğrulukla birden fazla retina hastalığını doğru bir şekilde tanımlamayı başardı. [5]. Ancak diğer alanlarda, sınırlı veriler ve etkileyen faktörlerin ardındaki artan karmaşıklık, şu anda makine öğreniminin insanlarla karşılaştırıldığında doğruluğunu ve güvenilirliğini engellemektedir. Benzer şekilde, hatalı tahminlerin hukuki sorumluluğu nedeniyle, bu otomatik yöntemlere olan güvenin oluşması daha uzun sürecektir. Şimdilik, herhangi bir makine öğrenimi uygulamasına, onun tamamen yerini almak yerine işbirliği yapması ve insanın karar alma sürecini tamamlaması gerektiği felsefesiyle yaklaşmak daha akıllıca görünüyor.
3. Tıbbi araştırmalara yönelik yeni fikirleri ve teorileri keşfedin
Makine öğrenimi ile geleneksel istatistikler arasında tahmine dayalı performans ve açıklanabilirlik dengesi açısından genellikle bir ikilem vardır: makine öğrenimi yüksek hassasiyetli tahmine daha fazla vurgu yapılarak tasarlanırken istatistikler öncelikle değişkenler arasındaki ilişkileri çıkarmak için tasarlanmıştır. [6].
Bununla birlikte, makine öğreniminin yorumlanabilirliği ve açıklanabilirlik araçlarındaki (örneğin, özellik önemi, SHAP ve Bayes ağları) gelişmelerle birlikte, makine öğreniminin hem yüksek tahmin doğruluğu hem de açıklamalar elde etme potansiyeline sahip olması akla yatkındır. Tıbbi araştırma bağlamına uygulandığında, akademi için, algoritmaların yeni teoriler ve tanısal değişkenler arasındaki ilişkileri öneren nedensel modeller oluşturmak için büyük miktarda hasta verisini kullandığı bir gelecek tasavvur edilebilir. İlk başta, bu çıkarımlar önceden var olan köklü tıbbi teorilerin doğrulanması olarak hizmet edecekti, ancak bu algoritmaların doğruluğuna ve bilgeliğine olan güven arttıkça, üzerinde çalışılacak ve tamamlanacak yeni teorilerin kaynağı olarak kullanılmaya başlanabilir. hastalar üzerinde ileri çalışmalar veya in vitro denemeler.
Tıpta veri madenciliği ve bilgi keşfine yönelik bu tür girişimler 1990’lardan bu yana mevcut olsa da, verilerden nedensellik çıkarımı yapma ve nedenselliği test etme arkasındaki metodolojide sınırlamaların yanı sıra, bilginin nasıl türetilmesi, yorumlanması ve sunulması gerektiği konusundaki genel zorluklar da vardır. Yakın tarihli bir kitabın yazarlarından alıntı yaparak gözden geçirmekNe yazık ki, “biyomedikal araştırmalar verilerde boğuluyor, ancak bilgiye aç.” [7]
Referanslar:
[1] “Korunmuş ejeksiyon fraksiyonlu kalp yetmezliği: tanı, mekanizmalar ve tedavide son kavramlar”
[2] Jonathan G. Richens, Ciarán M. Lee ve Saurabh Johri. “Nedensel Makine Öğrenimiyle Tıbbi Tanı Doğruluğunu Artırma”
[3] C. Hughes “ “Tıbbi uzman sistemlerde belirsizliğin temsili”
[4]Thomas Davenport ve Ravi Kalakota “Sağlıkta yapay zekanın potansiyeli”
[5] https://www.moorfields.nhs.uk/content/breakthrough-ai-teknoloji-improve-care- Patients
[6] Danilo Bzdok, Naomi Altman ve Martin Krzywinski. “İstatistik ve makine öğrenimi”
[7] Andreas Holzinger ve Igor Jurisica. “Biyomedikal bilişimde bilgi keşfi ve veri madenciliği: gelecek, entegre ve etkileşimli makine öğrenimi çözümlerindedir”
Sağlık Teşhisinde Makine Öğreniminin Yararlılığı, insanların bu hikayeyi vurgulayıp yanıtlayarak sohbete devam ettiği Towards AI on Medium’da ilk kez yayınlandı.
Towards AI aracılığıyla yayınlandı
