AI, doktorların hastalıkları önceden tahmin etmesine gerçekten yardımcı olabilir mi? Tedaviyi daha iyi hale getirmeye de yardımcı olabilir mi? Bu oyunun kuralları nelerdir? Ve riskler nelerdir?
Bir hasta doktorun ofisinde endişeyle bekler. Uzman, onlara kanser teşhisi konduğunu bildirmek için içeri girer. Ama iyi haberler var. Erken bir aşamada keşfedildi. Tam bir iyileşme için mükemmel beklentileri var.
Bir yapay zeka aracı, kırmızı bayraklar için hastanın tüm tıbbi geçmişini analiz etmişti. Birkaç erken göstergeyi fark ederek, hastanın kanser geliştirme riskinin yüksek olduğu sonucuna vardı. Bunun üzerine hasta görüntüleme testleri için gönderildi.
Görüntüler başka bir AI programı tarafından analiz edildi ve erken evre kanserin göstergesi olarak sınıflandırıldı. Yine başka bir platform, doktorun olumsuz etkileşime girebilecek ilaç kombinasyonlarından kaçınmasına yardımcı olmak için hastanın önceden var olan koşullarını ve ilgili reçeteleri taradı. Yine başka bir yapay zeka sistemi, idari evrak işlerini kolaylaştırmaya ve uzmanlarla randevu planlamasının verimliliğini artırmaya yardımcı oldu.
Şu anda, sağlık hizmetlerinin her yönüne sorunsuz bir şekilde entegre edilen bu yapay zeka görüntüsü büyük ölçüde bilim kurgu. Ancak bazı araştırmacılar ve şirketler bunu birkaç yıl içinde gerçeğe dönüştürmeyi umuyor.
ChatGPT gibi üretken yapay zeka platformlarının ortaya çıkışı, insan-makine ilişkilerinin geleceği konusunda küresel bir tartışmayı hızlandırdı. Bu programlar, dile dayalı içeriği işleyip üretebilir ve önceki yapay zeka nesillerinden daha sezgisel yollarla etkileşimli ve anlaşılırdır. İnsanlar ayrıca terapi için ChatGPT gibi platformlara yöneldiler.
Üretken yapay zeka çok sayıda manşete yol açmış olsa da, modern tıp makinesindeki pek çok çark, farklı türde bir yapay zekayı benimseyerek daha akıllı hale geliyor.
AI, doktorların hastalıkları önceden tahmin etmesine gerçekten yardımcı olabilir mi? Tedaviyi daha iyi hale getirmeye de yardımcı olabilir mi? Bu oyunun kuralları nelerdir? Ve riskler nelerdir?
Kısa cevap: Teknolojiyi yönlendiren önde gelen bilim insanları ve girişimciler, AI'nın bir dizi tıbbi durumu teşhis etme, tahmin etme ve hatta potansiyel olarak tedavi etme konusunda umut vaat ettiğini söylüyor. Ama erken günler. Tökezlemeler oldu ve olacak. Ve temel teknik sınırlamalar ile etik kaygılar ele alınmamış durumda.
Yeni bir yolculuk değil
Sağlık hizmetleri AI, çoğu kişinin beklediğinden daha uzun süredir var. 1970'lerde Stanford Üniversitesi ilk olarak MYCIN adlı bir yapay zeka aracı yarattı ve bu araç, doktorlara bakteriyel kan enfeksiyonlarını ve menenjiti teşhis ve tedavi etmede yardımcı olmayı amaçlıyordu. Bir uzmanın belirli bir alandaki mevcut bilgisini ve becerisini, eğer-o zaman ifadeleriyle temsil edilen şekilde kullandı - hastanın durumuna verilen evet veya hayır yanıtlarının önceden belirlenmiş bir dizi yanıt arasından birine yol açtığı akıllı bir akış şeması gibi işlev gördü.
Hastalardan bilgi istemek ve enfeksiyonu teşhis etmeye çalışmak gibi sınırlı bir amaçla kullanılan MYCIN, bakteriyel hastalık uzmanlarıyla eşit performans gösterdi. Ancak bu kurallara dayalı yaklaşım, ona çok az öğrenme yeteneği verdi.
Sağlık hizmeti yapay zekasının biçimi ve esnekliği, MYCIN'den bu yana önemli ölçüde değişti. Artık çeşitli sağlık hizmetleri sorumlulukları için araştırılan çok sayıda yapay zeka türü var. Amerika Birleşik Devletleri'nde 2018'den 2019'a kadar yaşam bilimleri kuruluşları ve sağlık hizmeti sağlayıcıları arasında yapay zeka kullanımı iki kattan fazla arttı.
Pandemi bu eğilimi yalnızca hızlandırdı. Küresel olarak 2021, yapay zeka sağlık hizmetlerine yapılan yatırımın önceki yıla göre ikiye katlandığını gördü. Geçen yıl, uluslararası tıbbi AI pazarının değeri 4 milyar dolardan fazlaydı ve önümüzdeki on yılda yılda yaklaşık dörtte bir oranında büyümesi bekleniyor.
İlerlemenin çoğu, yapay zekanın insan zihninin öğrendiği kademeli yöntemleri taklit etmeyi amaçladığı makine öğrenimi tarafından yönlendirildi. Gösteriye öncülük eden yapay sinir ağları (YSA) - çok sayıda düğüm içeren, nöronlar gibi bağlı ve katmanlar halinde organize edilmiş. Her katman bilgiyi analiz eder ve bir sonrakine iletmeden önce işlemleri gerçekleştirir.
Örneğin, bir sinir ağından bir tümörü tanımlamasını isteyin ve program kenarları ve gradyanları vurgulayarak başlayabilir ve Tennessee Üniversitesi'nden doktora araştırmacısı Nafiseh Ghaffar Nia, "tümör ve çevreleyen doku arasındaki sınırları belirlemeye" yardımcı olabilir. Yakın zamanda teşhis ve tahminde AI tekniklerinin bir analizini yayınladı.
Bu bilgi ilerledikçe, sonraki katmanlar özellikleri daha derinlemesine analiz edecek, tümörün düzensiz dokularını ve büyüme modellerini, katmanlar şekil, boyut ve düzenleme gibi karmaşık tümör özellikleri hakkındaki tüm bu bilgileri birleştirene ve sonunda büyümenin iyi huylu olarak teşhis edilmesini sağlayana kadar çalışacaktır.
Bu YSA'lar daha az denetimle öğrenebildikleri için, birçok araç yapay zeka tekniklerinin bir karışımını kullanmasına rağmen, kanser teşhisi de dahil olmak üzere birçok tıbbi uygulama için zorunlu bir yaklaşım haline geldi.
Stanford Health Care'in baş veri bilimcisi Nigam Shah, her şeyin merkezinde yapay zekanın test edildiği net bir dizi tıbbi hedef olduğunu öne sürdü. "Baktığınız her yapay zeka cihazı üç şeyi yapacak: sınıflandırma, tahmin etme veya tavsiye etme - tıbbi konuşmada, teşhis koyma, tahminde bulunma veya tedavi etme."
Söz
AI'nın teşhiste sunduğu göze çarpan avantaj, tıbbi görüntülemedir - örüntü tanımada iyidir.
Günün sonunda, Silikon Vadisi sağlık hizmetleri tahmine dayalı analitik şirketi LeanTaaS'ın başkanı Sanjeev Agrawal, herhangi bir insanın şimdiye kadar analiz edebileceğinden birkaç kat daha büyük bir görüntü verisi hacmi üzerinde eğitilebileceğini söyledi.
Ve nöral ağlar, görüntülerle önemli ölçüde pratik yaptı. 2012'de, nesne algılama için algoritmaları değerlendiren ImageNet Büyük Ölçekli Görsel Tanıma Mücadelesi, ilk olarak bir programın görüntüleri bir insan gözlemciden daha iyi doğru şekilde sınıflandırdığını gördü.
O zamandan beri yapay zeka, gerçekten karmaşık görüntüleme sorunlarının üstesinden gelebilecek bir noktaya geldi. Agrawal, Google AI platformu DeepMind'ın bir insanın protein yapısını modellemesine ve bu tür tıbbi görüntüleme araçlarının en büyük başarılarından biri olarak katlanmasına işaret ediyor. Agrawal, DeepMind'in yaptığı gibi, protein davranışını modellemenin "bir görüntüleme sorunu, ancak insanoğlunun asla kendi başlarına çözemeyeceği üç boyutlu bir görüntüleme sorunu" olduğunu söyledi.
Yapay zeka, görüntülerin yanı sıra, bir kişinin belirli bir hastalığa yakalanma olasılığının ne olduğu konusunda sonuçlar çıkarmak için bir hastanın elektronik sağlık kaydında kayıtlı diğer verileri de kullanabilir.
McGill Üniversitesi'nde profesör olan Samira Abbasgholizadeh-Rahimi, yakın zamanda birinci basamak sağlık hizmetlerinde yapay zeka uygulamalarını gözden geçirdi. Al Jazeera'ya, AI'nın özellikle kardiyovasküler hastalıkları, oküler rahatsızlıkları, diyabeti, kanseri, ortopedik durumları ve bulaşıcı hastalıkları teşhis etmede umut verici bulduğunu söyledi.
Tahmine dayalı AI'lar uygulamada daha da çeşitlidir. Araştırmacılar, AI'nın yaşam tarzı, tıbbi kayıtlar, genetik faktörler ve daha fazlasına dayalı olarak Tip-2 diyabet, kalp hastalığı, Alzheimer ve böbrek hastalığı gibi birçok durumun olasılığını tahmin etmek için kullanılabileceğini keşfettiler.
Ve son birkaç ay, kanser risklerini belirlemek için AI kullanımında önemli atılımlar gördü. Haziran ayında yayınlanan araştırma , meme kanserini tahmin etmede standart modelleri geçebileceğini gösterdi. Ocak ayında, Massachusetts Institute of Technology'deki araştırmacılar, yapay zeka tabanlı bir akciğer kanseri risk değerlendirme makinesini tanıttılar . Ve Mayıs ayında Harvard bilim adamları, bir AI aracının , gerçek bir teşhisten üç yıl öncesine kadar en yüksek pankreas kanseri riski taşıyan kişileri tanımlayabildiğini gösterdi .
Hepsi bu değil. Mart ayında, British Columbia Üniversitesi'ndeki bilim adamları, bir AI programının kanserden sağkalım oranlarını önceki araçlardan daha iyi tahmin edebileceğini gösterdi.
Benzer şekilde yapay zeka, çeşitli ilaçların potansiyel toksisitesini ve etkilerini tahmin ederek bunların test edilmesi ve piyasaya sunulması sürecini kolaylaştırmaya yardımcı olabilir.
Ancak makine öğrenimi araçları da bunu çok yanlış anlayabilir.
Testi geçememek
AI, en azından teoride, enfeksiyonların ciddiyetini tahmin etme ve salgınların yayılmasını modelleme potansiyeline sahiptir. COVID-19 salgını, tam da bunu yapmayı vaat eden AI araçlarında bir patlama gördü. Ama sonuçlar berbattı.
COVID-19 teşhisi ve tedavisi için yapay zeka destekli yaklaşık 650 programın iki önemli incelemesi , bunların hiçbirinin klinik kullanıma uygun olmadığını buldu. COVID-19'un yayılmasını tahmin etmek için AI platformlarının diğer incelemeleri , bunların büyük ölçüde etkisiz olduğunu buldu - muhtemelen, öncelikle veri kullanılabilirliğiyle ilgili sorunlardan kaynaklanıyor.
Bu sonuçlar, sağlık hizmetlerinde AI üzerinde bir gerçeklik kontrolünü temsil ediyor - onu tıp alanına fiilen entegre edecek araçlar hala gelişme aşamasında.
Abbasgholizadeh-Rahimi, incelemesinde incelediği "AI'nın yüzde 95'inden fazlası geliştirildi, pilot olarak test edildi ve ardından hiçbir zaman uygulama aşamasına geçmedi" dedi.
Tıpta AI'nın karşılaştığı zorlukların merkezinde, onu geliştirmek için kullanılan verilerdeki üç ana sınırlama vardır: yetersizlik, erişim kısıtlamaları ve kalite.
Çoğu AI'nın çalışması için, uzmanlar tarafından açıklama eklenmiş veriler üzerinde eğitilmesi gerekir. Yapay zekanın büyük miktarda uzman açıklamalı verilere olan bağımlılığını azaltmak için çeşitli teknikler araştırılsa da, birçok hastalıkta bu tür veriler yeterli değildir.
Yine de, veri olduğunda bile, yapay zeka geliştiricileri için mutlaka mevcut değildir. Shah, her hastanın çok sayıda veri noktasına sahip bir tıbbi geçmişi olduğunu söyledi: diğerlerinin yanı sıra kontroller, okumalar, teşhisler ve reçeteler. Ancak, hastanelerden sigorta ve ilaç şirketlerine kadar çeşitli sağlık kuruluşları farklı veri noktalarını günlüğe kaydeder. Böylece tıbbi veriler bölünür ve farklı silolarda kilitlenir.
Daha da geniş bir ölçekte, pandeminin yayılmasını modellemek ve tahmin etmek için yapay zekadan yararlanma çabaları, enfeksiyon oranları ve ölüm oranları gibi hayati istatistikler hakkında ülkelerden gelen şeffaflık nedeniyle engellendi. Üniversiteler, ilaç firmaları, hasta savunuculuk grupları ve kar amacı gütmeyen veri paylaşım platformlarından oluşan bir konsorsiyum olan Clinical Research Data Sharing Alliance gibi kuruluşlar değişim için baskı yapmaya çalışıyor. Ancak şu anda, tıbbi yapay zeka veri ortamı, açıklık çağrılarında başıboş kalan izole adalardan biri.
Son olarak, veriler mevcut ve erişilebilir olduğunda bile, kaliteyi genellikle sağlamak için kötü tasarlanmış altyapıdan çıkarmanın kalıcı bir zorluğu vardır. Abbasgholizadeh-Rahimi, hasta verilerinin birincil kaynağı olan elektronik sağlık kayıtlarının genellikle sinyalle birlikte çok fazla gürültü sunduğunu söyledi.
Gürültü birçok şekilde olabilir. Bir AI platformu için okunamaz hale getirecek şekilde açıklamalı görüntüleme verileri olabilir. Veriler formatlanabilir veya uyumsuz şekillerde kaydedilebilir.
Yine de uzmanlar, sağlık hizmetlerinde yapay zekanın tıp camiasının gerçekten güvenilir bir ortağı olarak ortaya çıkması için üstesinden gelmesi gereken daha derin zorluklar ve riskler olduğuna dikkat çekiyor.
OpenAI CEO'su Sam Altman, 16 Mayıs 2023 Salı günü Washington'daki Capitol Hill'de düzenlenen Yapay zeka konulu Gizlilik, Teknoloji ve Hukuk konulu Senato Yargı Alt Komitesine katılıyor. (AP Fotoğrafı/Patrick Semansky)
OpenAI CEO'su Sam Altman, 16 Mayıs 2023 Salı, Washington'daki Capitol Hill'de Yapay zeka konulu Gizlilik, Teknoloji ve Hukuk konulu bir Senato Yargı Alt Komitesi duruşmasında [Patrick Semansky/AP]
AI hata yaptığında kimi suçluyorsunuz?
Veri kümeleri önyargılı olabilir. Örneğin, Abbasgholizadeh-Rahimi'nin birinci basamak sağlık hizmeti AI araştırmasına ilişkin analizi, cinsiyet, toplumsal cinsiyet, yaş ve etnik kökenin nadiren dikkate alındığını buldu. İncelenen programların yüzde 35'inden daha azı cinsiyete göre ayrıştırılmış verilere sahipti - veri kümeleri kadınlar ve erkekler için ayrı ayrı toplanmış ve tablolaştırılmıştır.
Bazı etnik gruplar, veri kümelerinde yetersiz temsil edilebilir veya yanlış bir şekilde vurgulanabilir. Sadece iki yıl önce, ABD Ulusal Böbrek Vakfı ve Amerikan Nefroloji Derneği, birçok Siyah Amerikalının böbrek yetmezliğinin ciddiyetinin hafife alınmasına neden olan, kan kreatinininin nasıl değerlendirildiğine ilişkin ırksal önyargının kaldırılmasını tavsiye etti.
Shah, "aynı veri kalitesinin insanların karar verme sürecini de etkilediğini" öne sürse de, bu tür önyargılı veriler ve yönergeler üzerinde eğitilmiş yapay zeka araçları büyük olasılıkla bu önyargıları sürdürecektir.
Tescilli sinir ağlarının önyargı potansiyeli ve kara kutu doğası göz önüne alındığında, tıbbi AI alanı, açıklanabilir AI veya XAI için artan bir baskı gördü. Bu hareket, bir yapay zeka aracının bir tanıya, prognoza veya tedavi önerilerine ulaşmasını sağlayan mantığı daha şeffaf hale getirmenin önemini vurgulamayı amaçlıyor.
Pek çok uzman, açıklanabilirliği günümüzün tıbbi yapay zekanın altında yatan en acil etik sorulardan biriyle ayrılmaz bir şekilde iç içe geçmiş olarak görüyor: Doktorlar hata yapar ama yapay zeka hata yaptığında kimi daha çok suçlayacağız - yapay zekayı mı yoksa onu kullanan doktoru mu?
Bir hekime tavsiyede bulunan bir yapay zeka aracının arkasındaki düşünce zincirini anlamak, her birinin sahip olduğu sorumluluk derecesini bildirebilir.
Benzer şekilde, tıbbi AI alanı, hasta verilerini koruma sorumluluğunu daha fazla veri paylaşımı ihtiyacıyla dengelemekle boğuşuyor.
Bu korku yersiz değildir. ABD'de 2023'ün ilk yarısında 39 milyon Amerikalıyı etkileyen 295 sağlık hizmeti veri güvenliği ihlali görüldü. Siber güvenlik ihlalleri bir yana, sağlık şirketleri, hasta verilerini uygunsuz veya anonimlik olmadan paylaşmaya ilişkin skandalların eksikliğini görmedi. 2017'de Londra'daki Royal Free Hospital, 1,6 milyon hastanın kişisel bilgileriyle birlikte sağlık verilerinin Google'ın DeepMind'ı ile paylaşılması konusunda tartışmalara karıştı.
Daha yakın bir zamanda, ABD Federal Ticaret Komisyonu, 7 milyon tüketicinin bilgilerini üçüncü taraf reklam platformlarıyla paylaştığı için popüler akıl tedavisi uygulaması BetterHelp'e 7,8 milyon dolar para cezası verdi.
Gizlilikle ilgili endişelerin kolay yanıtları yoktur. Shah, insanların verilerini paylaşmak istemeseler de, genellikle başkalarının verileri üzerinde eğitilmiş bir yapay zekadan yararlanmaya istekli olduklarını belirtiyor.
Araştırmacılar ayrıca, AI araçlarının bu platformların şu anda ihtiyaç duyduğundan daha az hasta gerçek dünya verisi üzerinde eğitim yapmasına olanak tanıyan analitik yaklaşımları geliştirmek için çalışıyorlar.
Hızlı inovasyon ve ani yatırımların ortasında, tıbbi yapay zeka ile onu bilgilendiren altyapı arasındaki bu yarış, sağlık sistemlerinin geleceğini şekillendirmede belirleyici olabilir.
Şu anda altyapı yakalamaya çalışıyor. Ancak klinikteki potansiyel kanser hastası, yapay zekanın gerçekten akıllı, doğru ve güvenli bir tahminde bulunacağına güvenebilir.
By Ian Graber-Stiehl
KAYNAK : EL CEZİRE
