Son yıllarda yapay zekâ ve makine öğrenmesi, sağlık alanında en çok konuşulan konuların başında gelmektedir. Kanser taramalarında kullanılan görüntü analizi sistemlerinden yoğun bakım servislerinde risk tahmini yapan algoritmalara kadar birçok alanda yapay zekâ uygulamaları hayatımıza girmiştir. Bazı araştırmalar, yapay zekânın belirli hastalıkların teşhis edilmesinde uzman hekimlere yakın doğruluk oranlarına ulaşabildiğini göstermektedir【1】 【2】.
Ancak bu gelişmeler iki farklı görüşü beraberinde getirmiştir. Bir kesim yapay zekâyı tıpta devrim niteliğinde bir çözüm olarak görürken diğer kesim hekimlerin yerini alabilecek potansiyel bir tehdit olarak değerlendirmektedir. Peki gerçek nedir? Yapay zekâ tıpta sorun mudur yoksa çözüm müdür?
Yapay zekâ sistemleri özellikle patoloji ve radyoloji alanlarında büyük veri setlerini kısa sürede analiz edebilme yeteneğine sahiptir. Örneğin meme kanseri taramalarında geliştirilen yapay zekâ sistemleri, görüntülerdeki küçük anormallikleri tespit ederek erken tanı ve teşhis sürecine katkı sağlayabilmektedir【3】.
Yoğun bakım servislerinde kullanılan bazı algoritmalar, hastanın laboratuvar değerlerini ve vital bulgularını analiz ederek riskli durumları erken fark edebilir 【4】. Buradaki önemli nokta, bu sistemlerin hekimin yerine geçmesi değil hekime destek olmasıdır. Böylece hem hastalıkların erken evrede yakalanması sağlanır hem de hekimlerin iş yükü azaltılır.
Yapay zekâ beslendiği veri kadar güçlüdür. Eğer eğitim verileri sınırlı veya belirli bir nüfusu temsil ediyorsa sistem farklı gruplarda hatalı sonuçlar verebilir. Bu durum sağlıkta eşitsizlik riskini artırabilir【5】.
Bazı gelişmiş algoritmaların nasıl karar verdiği açık değildir. Bu durum hem hekimler hem de hastalar açısından güven sorununa yol açabilir.
Gerçek hayatta hastalar yalnızca tek bir test sonucundan ibaret değildir. Bir hekimin karar sürecinde hastanın şikâyetleri, fizik muayene bulguları, laboratuvar sonuçları, görüntüleme verileri, geçmiş hastalık öyküsü ve en önemlisi klinik deneyim birlikte değerlendirilir. Günümüzdeki birçok yapay zekâ sistemi ise genellikle tek tür veriye odaklanmaktadır (örneğin sadece görüntü).
Tıpta sık kullanılan ancak yazılı kurallara tam olarak dökülemeyen bir kavram da “sezgisel klinik”tir.
Klinik sezgi, hekimin yıllar içinde edindiği deneyimle oluşan çoğu zaman sayısal olmayan bilgiyi ifade eder. Bazen bir hekim, hastanın yüz ifadesinden ya da anlatım biçiminden ciddi bir durumu sezebilir. Bu bilgi çoğu zaman sayısal değildir, deneyime dayanır.
Yapay zekâ sistemleri ise çoğunlukla yalnızca sayısal ve yapılandırılmış verilerle eğitilmektedir. Bu nedenle yapay zekânın gerçek anlamda etkili olabilmesi için bazı dönüşümlere ihtiyaç vardır:
Karar süreçleri kayıt altına alınmalı ve deneyimsel geri bildirim algoritmalara entegre edilmelidir. Bir hekimin hasta değerlendirmesinde sezgisel olarak aldığı kararlar, uygun yöntemlerle yapay zekâ sistemlerine aktarılabilmeli ve makine öğrenmesiyle oluşabilecek hatalar minimize edilmelidir.
Sonuç olarak yapay zekâ tek başına ne mucizevi bir çözüm ne de bir hekimin yerini alacak bir tehdit unsurudur. Sorun teknolojinin kendisinde değil onun nasıl geliştirildiğinde ve kimlerle birlikte eğitildiğindedir. Gerçek klinik verilerle beslenen, çok katmanlı analiz yapabilen ve deneyimli hekimlerin katkısıyla eğitilen bir yapay zekâ sistemi, sağlık hizmetlerinde önemli bir çözüm ortağıdır.
Geleceğin tıbbı, insan sezgisi ile makine analizinin rekabet ettiği değil birlikte çalıştığı bir model üzerine kurulacaktır.
[1]
Andre Esteva, Brett Kuprel, Roberto Novoa, et al., “Dermatologist-Level Classification of Skin Cancer with Deep Neural Networks,” Nature 542, no. 7639 (2017): 115–118, https://doi.org/10.1038/nature21056.
[2]
S. M. McKinney, M. Sieniek, V. Godbole et al., “International Evaluation of an AI System for Breast Cancer Screening,” Nature 577, no. 7788 (2020): 89–94, https://doi.org/10.1038/s41586-019-1799-6.
[3]
S. M. McKinney, M. Sieniek, V. Godbole et al., “International Evaluation of an AI System for Breast Cancer Screening,” Nature 577, no. 7788 (2020): 89–94, https://doi.org/10.1038/s41586-019-1799-6.
[4]
Alvin Rajkomar, Jeffrey Dean, and Isaac Kohane, “Machine Learning in Medicine,” New England Journal of Medicine 380, no. 14 (2019): 1347–1358, https://doi.org/10.1056/NEJMra1814259.
[5]
Ziad Obermeyer, Brian Powers, Christine Vogeli, and Sendhil Mullainathan, “Dissecting Racial Bias in an Algorithm Used to Manage the Health of Populations,” Science 366, no. 6464 (2019): 447–453, https://doi.org/10.1126/science.aax2342.
Yapay Zekânın Tıpta Kullanıldığı Başlıca Alanlar
Erken ve Doğru Tanı
Klinik Karar Desteği
Yapay Zekânın Sınırları ve Riskleri
Veri Sorunu
“Kara Kutu” Problemi
Klinik Gerçekliğin Karmaşıklığı
Klinik Sezgi ve Yapay Zekâ
