Makine Öğrenmesi

Bu yazıda makine öğrenmesinin sağlık uygulamaları konusundaki pratik araştırmaları literatürdeki bazı güncel bilgiler derlenerek anlatılacaktır.

Önce “yapay zeka nedir?” bu soruyla başlarsak, “Yapay Zeka” (AI), insanlar gibi çalışan ve reaksiyon veren akıllı makinelerin oluşturulmasını vurgulayan bir bilgisayar bilimi alanıdır. Yapay zeka, insan liderliği noktasından makine öğrenmesi, otomasyon, robotik üretim ve derin öğrenme gibi akıllı makine odaklı alanlara geçişi sembolize etmektedir. Yapay zeka günümüzde ulaşım, güvenlik, tıp, iş gücü, ceza hukuku ve ulusal güvenlik gibi birçok alanda verimlilik olanakları sunmaktadır [1].

Yapay zeka, yani AI, günümüzde neredeyse her iş sektörüne girmeye başlamıştır. 2010'dan beri dünya çapında 154.000'den fazla AI patent başvurusu yapılmıştır. AI, makine öğrenmesi ve sinir ağlarını kapsayan patent kategorisi 2013 ve 2018 arasında yıllık% 34 gibi güçlü bir yükseliş göstermiştir [2].

Çok sayıda AI türü bulunmaktadır, ancak “insansı robotlar” en popüler biçimlerden bir tanesidir. Başlangıçta, AI'nın “insansılar” için temel amacı araştırma amaçlıydı. İnsanlar için nasıl daha iyi protezler oluşturulacağı konusunda araştırma yapmak için kullanılıyorlardı. Şimdi ise insansı araştırmalarla sınırlı olmayan çeşitli amaçlar için yaratılıyorlar. Günümüzdeki “insansılar”, farklı insanlık görevlerini yerine getirmek ve istihdam sektöründe kişisel asistan, resepsiyonist gibi farklı roller üstlenmek için geliştirilmektedirler [3].

Sonuç olarak diyebiliriz ki AI, yaşama ve iş yapma şeklimizi hızla ve derinden değiştirmektedir.

Yapay zeka (AI) tıbbi uygulamaları da kademeli olarak değiştirmektedir. Dijitalleştirilmiş veri toplama, makine öğrenimi ve BT altyapısındaki en son gelişmelere sahip AI uygulamaları,  daha önce sadece insan uzmanlarının işi olduğu düşünülen alanlara doğru genişlemektedir [4].

Makine öğrenmesi (ML), veri ve bilgi arasındaki temel ilişkileri sentezlemek için sistematik olarak algoritmalar uygulayan bir yapay zeka dalıdır [5].

Bir makine öğrenme algoritması aslında deneyimi temsil eden eğitim verileridir [6].

Arama motorları, sosyal medya / ağ platformları, istihbarat analizi uygulamaları, izinsiz giriş tespiti, bot tespiti, öneri sistemleri, çevrimiçi inceleme sistemleri, çevrimiçi eşleştirme sistemleri, spam e-posta filtreleme doküman sınıflandırması, Nesnelerin İnterneti, siber-fiziksel sistemler ve insansız araç kontrolörleri bu algoritmalara örnek olarak verilebilir [7].

Birçok teknoloji şirketi, makine öğrenmeye dayalı kişisel sağlık sistemi geliştirmek için yatırım yapmıştır ve halen daha yatırım yapmaya da devam etmektedir [8].

Sağlık sektöründe uygulanan AI örneklerinden bazılarına  literatürden şu birkaç örnek verilebilir:

EKG sinyallerinde P, Q, R, S, T dalgaları bazı makine öğrenme teknikleri kullanılarak sınıflandırılmıştır [9].

Sinirbilimde makine öğreniminin (ML) kullanımı hızla artmaktadır [10].

Makine öğrenmesi, tanısal belirsizliği azaltmak, uygun antibiyotikleri seçmek ve uygun sepsis hastalarını tanımlamak için umut verici bir araç olarak ortaya çıkmaktadır [11].

Diyabetik retinopati (DR) dünya çapında 90 milyondan fazla kişiyi etkilemektedir ve yetişkinlerde körlüğün önde gelen bir nedenidir.  Diyabetik retinopati (DR) tespiti için geliştirilen AI uygulaması

ABD Gıda ve İlaç İdaresi (FDA) tarafından orta ila şiddetli DR tespiti için onaylanmıştır [12].

Tıpta mevcut ve potansiyel AI uygulamaları, temel biyolojik araştırma, çeviri araştırması ve klinik uygulama  olarak sınıflandırılmaktadır. Temel biyomedikal araştırmalara; otomatik deneyler, otomatik veri toplama, gen fonksiyon açıklaması,  transkripsiyon faktörü bağlama bölgelerinin tahmini, moleküler dinamiklerin simülasyonu ve edebiyat madenciliği gibi uygulamalar örnek olarak verilmektedir. Çeviri araştırmalara ; Biyobelirteç keşfi, İlaç-hedef önceliklendirmesi, İlaç keşfi, İlaç geri dönüşümü, Kimyasal toksisitenin tahmini ve genetik değişken ek açıklama gibi uygulamalar örnek olarak verilmektedir. Klinik uygulamalara ise; Hastalık tanısı, Hasta genlerinin yorumlanması, Tedavi seçimi, Otomatik cerrahi, Hasta izleme ve Birincil önleme için hasta risk sınıflandırması gibi uygulamalar örnek olarak verilmektedir [12].

• Referanslar
• [1] https://www.forbes.com/sites/cognitiveworld/2019/03/02/artificial-intelligence-regulation-will-be-impossible/#4ed191b211ed
• [2] https://www.forbes.com/sites/cognitiveworld/2019/02/25/artificial-intelligence-hype-is-real/#498af3a925fa
• [3] https://www.forbes.com/sites/cognitiveworld/2019/02/25/artificial-intelligence-in-humanoid-robots/#387db43324c7
• [4] Kun-Hsing Yu, Andrew L. Beam & Isaac S. Kohane, Artificial intelligence in healthcare, Nature Biomedical Engineeringvolume 2, pages719–731 (2018)
• [5] Awad M., Khanna R. (2015) Machine Learning. In: Efficient Learning Machines. Apress, Berkeley, CA
• [6] I. Freeman, A. Haigler, S. Schmeelk, L. Ellrodt and T. Fields, "What are they Researching? Examining Industry-Based Doctoral Dissertation Research through the Lens of Machine Learning," 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), Orlando, FL, 2018, pp. 1338-1340.
• [7] Yi Shi, Y. Sagduyu and A. Grushin, "How to steal a machine learning classifier with deep learning," 2017 IEEE International Symposium on Technologies for Homeland Security (HST), Waltham, MA, 2017, pp. 1-5.
• [8] F. Ahamed and F. Farid, "Applying Internet of Things and Machine-Learning for Personalized Healthcare: Issues and Challenges," 2018 International Conference on Machine Learning and Data Engineering (iCMLDE), Sydney, Australia, 2018, pp. 19-21.
• [9] H. I. Bulbul, N. Usta and M. Yildiz, "Classification of ECG Arrhythmia with Machine Learning Techniques," 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), Cancun, 2017, pp. 546-549.
• [10] Joshua I. Glaser, Ari S. Benjamin, Roozbeh Farhoodi, Konrad P. Kording, The roles of supervised machine learning in systems neuroscience, Progress in Neurobiology, Volume 175, 2019, Pages 126-137,
• [11] Md. Mohaimenul Islam, Tahmina Nasrin, Bruno Andreas Walther, Chieh-Chen Wu, Hsuan-Chia Yang, Yu-Chuan Li, Prediction of sepsis patients using machine learning approach: A meta-analysis, Computer Methods and Programs in Biomedicine, Volume 170, 2019, Pages 1-9,
• [12] Kun-Hsing Yu, Andrew L. Beam & Isaac S. Kohane, Artificial intelligence in healthcare, Nature Biomedical Engineering, Volume 2, pages 719–731 (2018)