arama

deepAIm — Radyoloji’de Yapay Zeka Öncü Toplantısı

27 Eylül'de İstanbul Üniversitesi'nde gerçekleşmiş olan deepAIm — Radyoloji’de Yapay Zeka Öncü Toplantısı'nın önemli ayrıntıları sizlerle.
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • Mustafa Mert Tunalı Mustafa Mert Tunalı

⌛ Tahmini okuma süresi: 17 dakika

Yayınlanma Tarihi: 09 Ekim 2019 15:50

📝 Hazırlayanlar: Mustafa Mert Tunalı & Aysuda Ceylan

27 Eylül 2019 tarihinde İstanbul Üniversitesi Prof. Dr. Fuat Sezgin Kongre ve Kültür Merkezi’nde gerçekleşmiş olan deepAIm etkinliğinde, Nükleer tıpta yapay zeka, etik sorunlar, Radiomics ve Genomics gibi birçok farklı konular tartışıldı.

Toplam 4 oturumda gerçekleşen bu etkinlikte, kendi alanlarında uzman kişiler radyoloji ile yapay zekanın birleşmesinin nasıl kolaylık sağlayabileceğini ve bazı çalışmaların maliyetini düşürmek için yapılabilecek çalışmalardan bahsetti. Geçmişten günümüze yapay zekanın gelişimi, yapay zekanın medikal alanda ne şekilde ilerlediğini ve bunun gibi birçok konu bu öncü toplantıda tartışıldı.

Alınan notlara geçmeden önce, bu alanda kendini geliştirmek veya fikir sahibi olmak isteyenler adına etkinliği düzenleyen deepAImİstanbul Üniversitesi ve GE Healthcare ekibine teşekkürlerimizi sunduğumuzu belirtmek isteriz.


1. Oturum:

a. Geçmişten Günümüze Sağlıkta Yapay Zeka

Dr. Murat Gezer

  • Tip 1 YZ — Reaktif Makineler (İstenmeyen e-posta ayıklama, bazı tümörlerin sınıflandırılması): Son derece sınırlı kapasiteye sahip YZ sistemlerinin en eski formlarıdır. İnsan aklının farklı uyarılara cevap verme yeteneğini taklit ederler. Bu makinelerin hafıza tabanlı işlevleri yoktur.
  • Tip 2 YZ — Sınırlı hafızalı sistemler (Otonom araçlar, Alexa, Siri): Sınırlı bellek makineleri, tamamen reaktif makinelerin kapasitesine sahip olmasının yanı sıra, geçmiş verilerden karar vermeyi öğrenebilecek kapasiteye sahip makinelerdir.
  • Tip 3 YZ — Zihin Kabiliyetli Sistemler: Araştırmacıların şu anda yenilik yapmakta oldukları bir sonraki YZ sistemlerin bulunduğu seviyedir. Yani, biz şu anda Tip 3 YZ uygulamalarına şahit oluyoruz.
  • Tip 4 YZ — Düşünebilen Sistemler, Farkındalık: Şu anda sadece teorik olarak var olan YZ gelişiminin son aşamasıdır. Kendini tanımlayan bir şekilde ve insan beynine benzer, kendi kendine farkındalık geliştiren YZ.
Dr. Murat Gezer

Sağlık Temalı İlk Yapay Zeka Yayınları

Robot konulu ilk yayınlar:

  • Fletcher Kh. “Matter with a mind;a neurological research robot”
  • The robot anaesthetist; an introduction to the automatic control of anaesthesia by means of an electro-encephalographic intermediary.
  • Radyoloji konulu ilk yayınlar:
  • Information theory and radiology — Roehler R
  • Use of the information theory in problems of roentgen diagnosis — Schober H

Tropikal Tıpta Global Araştırma Üretkenliği Eğilimlerinin Bibliyometrik Analizi

Tropikal tıp, özellikle tropikal ve yarı-tropikal bölgelere has olan veya bu bölgelerde yaygın olan veya bu bölgelerde kontrol altında tutulması zor olan sağlık sorunlarıyla ilgilenen tıp dalıdır. Sadece başlığı not alabildim ancak internette yer alan makalenin giriş kısmını Türkçe olarak aynen aktarıyorum:

Tropikal tıp alanı, insanla ilgili hastalıkların önemi nedeniyle uzun bir geçmişe sahiptir. Tropikal tıbbın ana dergilerinde yayınlanan araştırmalarını farklı yerdeki ülkelerin katkılarını analiz ettik. PubMed ve Bilimsel Bilgi Enstitüsü (ISI) “Bilim Ağı” veri tabanlarını kullanarak, 1995–2003 dönemi için ISI’nin “Dergi Alıntı Raporları” veri tabanının “Tropikal Tıp” kategorisinde yer alan 12 dergiden makaleler aldık. Araştırmanın menşe ülkesine ilişkin veriler PubMed’deki 11.860 makale için mevcuttu (tropik tıp kategorisindeki tüm makalelerin % 98.1’i). İlk yazarın bağlı olduğu yerin tahmin ettiği gibi, çalışılan dönemde farklı dünya bölgelerinin katkısı: Batı Avrupa % 22.7, Afrika % 20.9, Latin Amerika ve Karayipler % 20.7, Asya (Japonya hariç) % 19.8 ABD % 10.6, Okyanusya % 2.1, Japonya% 1.5, Doğu Avrupa % 1.3 ve Kanada % 0.6’dır. Yayınlanan makalelerin en az bir yazarının (ISI veri tabanından alındığı yer) bağlanma yeri tarafından tahmin edilen bölgelerin katkısı da aynıydı: Batı Avrupa % 36.6,% 27.7 Afrika, % 24.4 Latin Amerika ve Karayipler Asya % 23.3. Tropikal tıp dergilerinde yayınlanan makalelerin ortalama etki faktörü ABD için en yüksekti (1.65). Analizimiz, dünyanın gelişmekte olan bölgelerinin tropik tıpta önemli miktarda araştırma ürettiğini göstermektedir; Bununla birlikte, tropikal hastalıkların belirli coğrafi dağılışı göz önüne alındığında, bu alanda daha fazla araştırma yapmak için gelişmiş ülkelerin yardımına ihtiyacı var.

Görsel 1: Tropikal sağlık alanına örnek çalışma. Sıtmanın endemik olduğu alanları gösteren bir harita.

YZ Sağlık alanında popüler konular:

  • Endoskopi
  • Medikal Robotik
  • Parkinson Tespiti
  • Ameliyat Robotları

b. Hassas Tıp GE Edison Platformu’yla Hayata Geçiyor

Rajat Karol

Edison

Daha fazla verimlilik elde etmenize, hasta sonuçlarını iyileştirmenize ve erişimi arttırmanıza yardımcı olmak için tasarlanan GE Healthcare’in dijital bir platformudur. Mevcut iş akışlarına dahil edilen Edison uygulamaları, farklı kaynaklardan gelen verileri entegre edebilir veya özümseyebilir ve klinik, operasyonel ve finansal bilgiler oluşturmak için analitik veya gelişmiş algoritmalar uygulayabilir. Edison çözümleri, Cloud, Edison HealthLink veya doğrudan akıllı cihazlara güvenli bir şekilde dağıtılabilir.

Görsel 2: Edison, GE Healthcare

Günümüzde Sağlık Sektöründe Radyoloji Makro Eğilimler:

  • Kapasite: 160 milyon kişi.
  • Verimlilik: ABD’de 500 milyon dolar sağlık harcaması yapıldı.

Minimum gider ve en az zarar ile çok iş yapılması gerek. — Rajat Karol

GE Healthcare’in Hassas Sağlık Vizyonu — Hassas Teşhis, Hassas Terapötikler, Hassas İzleme.

Aslında burada değinmek istediği şey, bu alanda yapılan çalışmalar, işin çok küçük kısmını kapsıyor olması, uluslararası bir çalışmaya uygun olmaması ve en önemlisi de bu sistemlerin yeterince hassas olmaması. Geliştirdikleri ve geliştirecekleri sistem ile birlikte birçok veriye erişmenin daha kolay olacağını ve yapay zekanın birçok alana liderlik edeceğini belirtiyor. Bununla birlikte, yapay zekanın böyle bir uluslararası ortamda bir dile sahip olmayacağını söylüyor.

Rajat Karol

Sağlık alanında yeterli veriye sahip olunması haricinde, verinin içeriğinin de önemli olması gerekiyor. Veriler düzgün yapıda ve etik kurallara uygun bir şekilde olması gerektiğini savunuyor. Etik kurallar demişken de, biliyorsunuz ki derin öğrenme modelleri bir nevi kara kutudur (blackbox). Kara kutudan kastettiğim, biz modele bir giriş (input) veriyoruz ve gizli katman kısmında model, özellikleri kendisi belirliyor ve bunu neye göre belirlediğini bilmiyoruz (Görsel 3). Bu yüzden de özellikle sağlıkta bu modellerin transparan olması gerektiğini ve bilimin bu olmadığını söylüyor.

Son olarak Rajat, donanımın güçlendiğini, algoritma modelleri aynı kaldığını da belirtiyor. Daha hızlı ve hassas bir şekilde çalışan algoritmalar geliştirmemiz gerektiğini ve MRI veya BT gibi makinelerin güncellenebilir ve etik olmasını ve çok pahalı olmaması gerektiğini söylüyor.

Görsel 3: Giriş > Kara Kutu > Çıkış. Son kısımda modelin neye göre çıktı verdiğini bilmek sağlık alanında yapılan yapay zeka çalışmalarını bir nevi hızlandırabilir diye düşünmekteyim. Sonuçta biz insanlar sadece örneklere bakarak öğrenmiyoruz, konuya farklı açıdan bakıp farklı şekilde de düşünüp öğrenebiliyoruz.

2. Oturum:

a. Görüntüleme Bilişiminde 15 Yılın Öyküsü: Değişim ve Gelişimler
Doç. Dr. Mustafa Alper Selver

Notları aktarmaya başlamadan önce, belki de dinlerken en çok keyif aldığım sunumlardan biri diyebilirim.

Chaos Biyomedical Competition: Daha iyi segmentasyon (bölütleme) sonuçları elde etmek ve karnın oldukça esnek anatomik özelliklerinden ve görüntü özelliklerine yansıyan modalitelerin sınırlamalarından kaynaklanan sayısız zorluğun üstesinden gelmek için devam eden bir araştırmayı motive etmek için düzenlenen bir yarışma.

  • Biyomedikal alanda %70 bölütleme%10 sınıflama algoritmaları kullanılıyor. Doç. Dr. Mustafa Bey’in anlattığına göre, bu alanlar popüler olduğu için bu alana giriş yapmayı düşünen birçok kişi de bu algoritmalar üzerinde çalıştığını belirtiyor ve bunun yerine geri kalan %20’lik kısımda çalışmaları gerektiğini, bu sayede de farklı çalışmaların ortaya çıkabileceğini söyledi.
  • Sağlık alanında yapay zeka uygulamaları, radyolog ve hekimlerin çok kolay bir şekilde kullanabileceği bir şey olması gerek.
  • Algoritmaların kolay yorumlanabilir olması gerekiyor.
  • Yapay sinir ağları, Rassal Ormanlar’dan daha az yorumlanabilir.
  • Destek Vektör Makineleri, Rassal Ormanlar kadar yorumlanabilir, doğruluk, kesinlik (accuracy) daha fazladır.
  • Birçok farklı algoritmanın bir araya getirilerek daha iyi bir algoritma çıkarılmasına Tümleştirme Yöntemi (Ensembles) denir. Özellikle sağlık alanında tümleştirme yöntemleri ile oluşturulan modeller çok daha iyi sonuçlar verebiliyor.
  • En zor yorumlanabilen model yapay derin ağlarıdır. Yeterli bir doğruluk sağlaması için çokça veriye ve kompleks yapıya ihtiyaç duyabilir.
  • Gerçekten sağlık alanında oluşturulan bir yapay zeka uygulamasının doktorların kullanabilmesi için sezgiseletkileş imli ve en önemlisi de genelleme yeteneğinin yüksek olması gerek. Örnek olarak Türkiye’deki x türündeki hastalıkta çok başarılı olan model, Almanya’daki x türündeki hastalıkta da başarılı olması gerekiyor.
  • Vanilya Modeller: Hiçbir parametreleri ayarlanmayan derin ağlar. Bunların eğitilmesi için çok fazla veriye ihtiyaç var.
  • Chaos yarışmasına katılanların %98’i U-Net modeli ile katıldı.
  • Radyoloji ve yapay zeka dallarının başarılı olabilmesi için radyologların ve mühendislerin birlikte çalışması gerek.
  • “Dikkatli seçilmiş parametreler kullanan doğrusal modeller iyi tahmin (prediction) yapar. Çok parametre kullananlar ise daha da iyi tahmin yaparlar. Doğrusal olmayan modeller de iyi tahmin yapar ama ham veri kullanırken iyilerdir. Öğrenme kavramını optimizasyona (eniyileme) denk düşünebiliriz. Dışbükey (Convex) optimizasyon en iyi çözümü garantiler. Dışbükey olmayan problemlerde türev tabanlı yöntemler güzel sonuçlar üretebiliyor. En iyi çözüm bazen gerekmeyebilir, tüm olay iyi bir sonuç. Bu açıdan yeterince etiketli verim varsa her problemi çözebilirim (görece iyi bir sonuç). Ama AGI (yapay genel zeka) eğitimsiz öğrenme sonucu mu oluşacak?! Her şey yalnızca ve yalnızca kayıp fonksiyonları ile ilgili… Bir de genelleme yeteneği ile… Bir de optimizasyon değişkenleri ile… Bir de model mimarileri ile…”
  • Eğitimi sadece etiketli veri olarak tanımlamak ne kadar doğru? Biz insanlar sadece örneklere bakarak mı öğreniyoruz?

Aşk olsun dedim ona

Değilmiş aynı fikirde benimle yapay zeka

Prof. Dr. Oğuz Dicle


Radiomics ve Genomic

Dr. Gülbiz Kartal Dağoğlu

Dr. Gülbiz Kartal Dağoğlu
  • Görüntü = Veri
  • Analiz işlemi için en az 10(önerilen 100) hasta gerek. Sebebi ise X türündeki özellik, farklı kişilerde farklı özellikler bulundurabilir.
  • Analizi iyileştirmek için görüntüde tekrarlayan paternler (örüntüler) çıkarılabilir.
  • Bu alanda 4 temel sorun var: Tekrarlanabilir sonuçlar, verilerin çok büyük olması, verinin paylaşılması ve standartlar. Verinin paylaşılması dediği kısım aslında veriyi A noktasından B noktasına taşırken bir kanuna uygun şekilde veya ayrı bir ücret ödenmesi gerekebilir. Standartlar dediği ise örnek olarak İstanbul’da A hastanesini seçtik diyelim. Yapay zeka sistemini bu A hastanesine oturmak bile çok zor (Bkz: Kanunlar, kurallar, etik olaylar vs).
  • Yukarıdaki notlarımda bahsettiğim gibi; sağlık sektörünün gelişmesi için bir ortak dile ihtiyaç var.
  • Radyalog, kesinlikle görüntü işleme sürecine katılması gerek.
  • Prospektif veri toplanması gerek.
  • Çok merkezli, çok uluslu konsorsiyumlar olması gerek.
  • Veri toplanmasında ortak standartlar belirlenmesi gerek.
  • Veri paylaşılmasında ortak ağlar.

Başarı İçin Ne Gerekiyor?

  • Radyoloğun ihtiyacını anlama.
  • İşletmecinin ihtiyacını anlama.
  • Sponsoru anlama.
  • Ürünün tıbben doğruluğunu kanıtlama (⚠️).
  • Doğruluğunu izleme.
  • Yasal düzenlemelere uygunluk.
  • İş akışı ile uyum içinde çalışma.
Görsel 4: Sizce yapay zeka, radyoloji uzmanlarının iş yükünü hafifletebilir mi?

Yol Haritası: Radiomics

  1. Görüntü elde edilmesi.
  2. Görüntü bölütlendirme.
  3. Yeterlilik analizi.
  4. Görüntü özellikleri.
  5. Özelliklerin Kalitatif Analizi.
  6. Özelliklerin Kantitatif Analizi.
  7. Tanı.
  8. Klinik Öngörü.
  9. Risk öngörüsü.
  10. Genomik Bağlantı.
  11. Görüntü eşliğinde biyopsi (parça alma, parçayı inceleme).
  12. Görüntü eşliğinde tedavi.

Görüntü = Enerji ve Maddenin Etkileşimi + Sunum

Görüntüdeki yapılar:

  • Hava
  • Su
  • Yağ
  • Kan
  • Kalsiyum ve diğer metaller
  • Farklı hücre çeşitleri

Enerji türleri:

  • Elektromanyetik (X ışını, kızılötesi, radyo dalgası)
  • Ses

Görüntünün içerdiği bilgi:

  • FOV (Görüntüleme alanı)
  • Kontrast çözünürlüğü
  • Geometrik çözünürlük
  • Renk derinliği / sayısı

Ekranda sunum şekli:

  • Gölge
  • Kesit
  • 3D Render
  • MIP, MINIP
  • Table Lookup
Görsel 5: Bölütlemeye örnek. Deep Learning Türkiye tarafından Koç Üniversitesi Girişimcilik Araştırma Merkezi desteğiyle İstanbul’da toplam 4 ay süren Proje Odaklı Derin Öğrenme Eğitimi sonucunda “Deep Health” takımı olarak MRI görüntüleri üzerinden beyin tümörü tespiti projemize ait görüntü. Yakın zamanda bu konuyla ilgili blog yazısını paylaşacağız.

3. Oturum:

a. Türkiye’de Yapay Zeka Çalışmaları Bugünümüz, Yarınlar ve Araştırmacılara Öğütler

Dr. Leyla Türker Şener

Dr. Leyla Türker Şener
  • Medikal teknoloji alanında patent alınımı yüksek.
  • Future Healthcare Conference (24–25 Ekim 2019)
24–25 Ekim 2019


  • Sağlık bilimlerinde Yapay Zeka kitabı yakın zamanda yayımlanıyor!
Görsel 6: Bilişim ve Tıp dünyası arasında bir köprü olmasını umulan kitap mümkün mertebe basit bir dil ile yazılmış. Kitapta emeği geçen herkese şimdiden teşekkürler.

b. Heyecan, Hüsran ve Kaygı

Dr. Nevit Dilmen

Dr. Nevit Dilmen

Yapay Zeka Uygulaması Nerede Çalışabilir?

  • Yerel Bilgisayar (İmaj elde edilen makine içinde, İş İstasyonu İçinde)
  • Yerel Ağ
  • Ulusal Ağ
  • Uluslararası Ağ

Yer farkı neden önemli?

  • Maliyet
  • Mahremiyet
  • Yasal düzenlemeler

Yapay Zeka Uygulaması Ne Zaman Çalışabilir?

İnceleme öncesi:

  • Randevu ve Kimlik tespiti
  • Bilgi toplama
  • Gerekli tetkik önerme
  • Öncelik atama / Triyaj

Görüntü oluştuktan sonra:

  • Sınıflama
  • Bölütleme
  • Etiketlendirme
  • Tanı / Ön tanı
  • Öncelik atama / Triyaj

Radyolog bakarken:

  • Ölçüm desteği
  • Anatomi Bilgi Desteği
  • Tanı Desteği

Radyolog baktıktan sonra:

  • Raporlama
  • Tanı doğrulama
  • İletişim

Radyolog gereksiz:

  • Tek başına tanı
  • Departman yönetimi
  • Genel Yapay Zeka

İhtiyacımız Olan: Federe Öğrenme

Öğrenme ve hizmetin ayrılması. Yasal ve etik sorun çözücü. Hastaların kişisel bilgileri yerine hastalıklarını öğrenen modelin öğrenme bilgisi ana sunucuya atılması gerek.

Görsel 7: Federe Öğrenme

Radyoloji ve Yapay Zeka Alanında Başarılı Olmak İçin Nelere Dikkat Etmemiz Gerek?

  • Hastanın iyiliği neyi gerektiriyor?
  • Yeni dünyayı anlamak, buna hazır olmak.
  • Sağlıkta sayısal olmayı anlamak.
  • Sağlık verisi, radyolojik veriyi anlamak
  • Sağlık verisinin büyüğünü anlamak
  • Sürdürebilirlik
  • Sağlık hizmetlerinde para akışını anlamak

Birbirinden Bağlantısız Çözümler:

Birbirinden kopuk geliştirilmiş, radyolojiye bir bütün olarak bakmayan yazılımlar hasta, radyolog ve işletmeciler için işleri zorlaştırmaktadır.

YZ Günlük Pratiğimizde Beklentiler:

  • Radyasyona maruziyetini en aza indirgeme,
  • Görüntü kalitesini iyileştirme,
  • Görüntü analizini hızlandırma,
  • Görüntü yorumlamasını destekleme,
  • Yapılandırılmış raporlar oluşturma,
  • Risk sınıflandırması yapma.

c. Nükleer Tıp’ta Yapay Zeka uygulamaları
Dr. Yasemin Şanlı

  • Sistem ne kadar karmaşıksa o kadar maliyetlidir.
  • Kolay kullanımı sağlayan minimum karmaşıklık düzeyi içinde kalınmalı.
  • Ne istiyorsun? Ne kadar paran var? Anahtar sorular önemli.

İhtiyacımız olan: Bütünleşik Çözüm

Fiziğin, anatominin, artefaktların, hastalık bilgisinin farkında olan bütünleşik bir yapay zeka.

Bu konuşmada özellikle PET dedektör teknolojilerinde daha iyi görüntüleme sağlamak için belli dozlarda radyasyon verilmesi gerekiyor. Örnek bir çalışmada makine öğrenme algoritmaları ile kombinasyon sonucunda çok düşük radyasyon dozlarında akciğer kanseri tespiti yapılabilirliği gösterilmiş.

Görsel 8

Özet:

  • Şu anda moleküler görüntüleme ve nükleer tıptaki YZ uygulamalarının hastaların yaşam kalitesini arttırmada, morbiditeyi (hastalık oranı) azaltmada ve erken mortaliteyi (ölüm oranı) ortadan kaldırmaya yardımcı olabileceğine dair bilimsel kanıt bulunmakta.
  • Yakın gelecekte tıp alanında kesinlikle derin bir etki yapması beklenmektedir.
  • YZ uygulamaları, profesyonel kılavuzlarda belirli klinik ortamlarda ve hasta popülasyonlarında öneriler sunduğunda kullanılabilir.
  • YZ uygulamalarının insan zekasını taklit etmesi ya da insan uzmanları tarafından isteğe bağlı bir düzeltme ile uygulanması > hasta raporlamayı etkileyebilir.
  • Bu uygulamalar ilaçlar ve tıbbi cihazlara benzer kapsamlı bilimsel doğrulama gerektirir.

Gün boyu olmasına rağmen etkinliğe katılım yoğundu. (Son konuşma esnasından bir görsel)
Toplantı sonu

Kaynakça 📑:

  1. Chaos — chaos.grand-challenge.org
  2. Tropical Medicine — en.wikipedia.org/wiki/Tropical_medicine
  3. A bibliometric analysis of global trends of research productivity in tropical medicine

Mustafa Mert Tunalı‘nın, Biyoetik Günleri 1 – “Sağlıkta Yapay Zeka: Oyunu Değiştiren Aktör” panelinde aldığı önemli notlar Tek Yol Bilim’de yayımlanacak! Takipte kalın.