Sağlıkta Yapay Zeka Rehberi

Yayın Kurulu

Yayın Yönetmeni: Didem Ceren Öztürk

Yayın Yönetmeni Yardımcıları: Ayşenur Mete, Ayşenur Şeyda Bilgü, Furkan Kızılışık, Ömer Özgür, Rumeysa Kulakoğlu

Yayına Hazırlayanlar: Ahmet Emre Aladağ, Burak Kahveci, Ceren Alicikoğlu, Ecz.F.Dilara Ayan, Esma Sert, Dyt.Esra Kozan, Fulya Yoldaş, Gamze Karakaş, Hatice Yakışıklı, İnci Beyza Yürekli, Prof.Dr.Melih Bulut, Meryem Doğan, Dr.Nuh Yılmaz, Ömer Özgür, Özge Gül, Arş.Gör.Seda Çetin Avcı, Selin Alaybeyoğlu, Sena Şimşek, Vahide Gül Türkmen, Zeynep Sude Kaya, Zeynep Şanlı

Dizgi, Sayfa Düzeni, Teknik Koordinasyon: Didem Ceren Öztürk
Dizgi, Sayfa Düzeni, Teknik Koordinasyon Yardımcısı: Rumeysa Kulakoğlu
Kapak Tasarımı: Nisa Gülser
Süpervizör: Dr.Yusuf Yeşil

 

Önsöz – Didem Ceren Öztürk

Yapay zekanın her geçen gün daha fazla önem kazandığı bugünlerde siz değerli okuyucularımız için Sağlıkta Yapay Zeka Rehberi’ni derledik. Farklı disiplinlerden bir araya gelerek, tamamen online bir şekilde rehberimize katkılarını sunmak adına gönüllü olan 22 yazarımıza, yayını hazırlamamda yazarlarımızın yolculuğunda eşlik eden sevgili yayın yardımcılarıma, kapak tasarımıyla harikalar yaratan Nisa Gülser’ e, Dizgi, Sayfa Düzeni ve Teknik Koordinasyon’ da bana desteğini esirgemeyen Rumeysa Kulakoğlu’na, her zaman yanımızda olan rehberimizin öncüsü Süpervizörümüz Dr. Yusuf Yeşil’e sonsuz minnetlerimi ve teşekkürlerimi sunarım. Yesil Society ile bilimi hep beraber renklendirmeye devam edeceğiz.

1.0 Giriş – Prof.Dr.Melih Bulut

Çok hızlı bir dönüşüm dönemi yaşıyoruz. Bilimdeki keşifler hızla teknolojiye ve hayatımıza giriyor. Özellikle bilgi, bilişim, iletişim ve internet teknolojilerinin sağlıkta kullanılması demek olan dijital sağlık teknolojilerindeki baş döndürücü gelişmeler sağlık ve tıp anlayışımızı, uygulamalarımızı kökünden değiştiriyor. Hızla artan dünya nüfusunda sağlık hizmetlerindeki yetersizlikler yeni çözüm beklentilerini de artırıyor.

Dijital sağlık teknolojileri teletıp uygulamaları, robotik girişimler, AR-VR, giyilebilir teknolojiler, sensörler, yapay zeka, biyoteknoloji gibi alanları içeriyor. Bunları birbirinden ayırmak mümkün değil, hepsi birbiriyle yakınsıyor. Önceleri yapay zeka başta olmak üzere bu teknolojileri daha çok hastalıklarla mücadele etmek için kullanmaya başladık. Giderek en önemli yararlarının sağlığı, sağlıklı olmayı tanımlayabilmeye olanak vermeleri olduğunu anladık. Şimdiye kadar bedence, akılca ve sosyal iyilik hali olarak tanımlanan sağlık durumu için, iyilik halinin matematiksel parametrelerini ortaya koymakta çok sınırlı kalıyorduk. Elimizde biyokimyasal testler, kan basıncı ölçümleri, EKG, radyolojik tetkikler gibi belli organların durumunu gösteren araçlarımız vardı ancak, örneğin karaciğerle pankreasın etkileşimi gibi önemli ayrıntıları saptamak için, bu parametreler bize yeterince yol göstermiyordu.  Dijital sağlık teknolojilerinin yardımıyla her geçen gün hücresel düzeyden başlayarak tıp ve sağlık bilgilerimiz yenileniyor, hızla “Veriye Dayalı Tıp” anlayışına doğru ilerliyoruz.

1.1 YZ’ nın Vadettikleri – Prof.Dr.Melih Bulut

Dijital teknolojilerle, kurgulanmış çözümlerle öngörüler kazandıran yapay zeka sayesinde tıbbın asırlardır mottosu olan “Önce Zarar Verme” prensibini aşabilme şansını yakalıyoruz. Hemen her gün yayınlanan araştırmaların gösterdiği gibi kişinin olması gereken iyilik durumu belirleniyor, bu durum dışında belirtiler olduğunda hastalıklara kolayca tanı konabiliyor. Mesela hipertansif bir hastanın inme riskini yapay zeka bize günler öncesinden haber verebiliyor. Tıptaki bu gelişme, “Öngörü İle Sağlığı Geliştirme” aşamasıdır. Dijital teknolojiler, şimdiye kadar tıbbın hizmetine sunulan teknolojilerden farklı olarak sağlığın tüm bileşenlerini kapsayarak hepsinde yeni ufuklar açıyor. Rehberimizin ilerleyen bölümlerinde ele alındığı gibi, bunlar sağlığın sadece hizmet bileşeninde değil; eğitim ve araştırma bileşeninde de çok yararlı olma potansiyeline sahip. Zaman da yenilik gerektirmekte. COVID-19 ile girdiğimiz dönemde zorunluluktan geçilen teletıp uygulamasının ileride rutin hale geleceği çok belli. Giderek, yapay zeka ilaç ve aşı geliştirmede, yeni tanı ve tedavi yöntemlerinin bulunmasında araştırıcıların en büyük yardımcısı haline gelecek. Tedavinin yanı sıra sağlığın korunma ve geliştirilmesinde de yapay zeka ve dijital teknolojilerin eşsiz faydalar sağlayabileceğini öngörmek mümkün. 

Radyolojide, dermatolojide, psikiyatride ve birçok branşta yapay zeka tanı koymada iyi hekimler kadar başarılı olabiliyor. Bir başka üstünlüğü hızı, binlerce görüntüyü dakikalar içinde inceleyebiliyor. Ayrıca zamandan, mekandan bağımsız hizmet vermesi mümkün. Her ortamda 7/24 kullanılabiliyor. Cep telefonunuz bir aparat ile ultrasonografi cihazı veya mikroskop haline gelebiliyor; hastanın hastaneye gelmesi gerekmiyor, her yerde tetkik yapabiliyorsunuz.

2.1 YZ Nedir, Ne Değildir? – Esma Sert

   Yapay zeka (Artificial Intelligence- AI), insanlar gibi düşünen ve insanları taklit eden programlanmış makinelerdir. Diğer bir deyişle, bu makineler insan zekasının simülasyonudur. Yapay zeka terimi insanlar arasında zihnin bilişsel işlevlerini taklit eden makineleri tanımlamak için kullanılır. İnsanların veya hayvanların sergilediği mantıklı reaksiyonları makineler öğrenerek benzerlerini gerçekleştirirler. Zihne özgü olan öğrenme ve problem çözme gibi özellikleri ve beynin benzer yapısını taklit eden yazılımlar programlanarak makineye tanımlanır. Makine davranışları öğrendikten sonra karşısına çıkan bir sorunu çözmek için benzer şekilde davranır. Yapay zekanın en iyi özelliği, belirli bir amaca ulaşmak için, gerçekleşme olasılıkları yüksek eylemleri rasyonelleştirerek ve mantıklı bir hale getirerek gerçek hayata uygulayabilmesidir.

    Yapay zeka, insan zekasının makine tarafından taklit edilip en basitten başlayarak daha karmaşık davranışlara kadar olası eylemleri rasyonel bir şekilde yerine getirebileceği ilkesine dayanmaktadır. Yapay zekanın hedefleri arasında verilen verileri en doğru şekilde algılamak, öğrenmek ve mantıklı düşünme sonucu en etkili kararları almak yer alır.

  Yapay zeka kavramının tarihi modern bilgisayarlarınki kadar eskidir. Bu fikir “Makineler düşünebilir mi?” sorusunu sorarak araştırma yürütüp, araştırmaları sonucunda ise makine zekası tartışmasını başlatan Alan Turing’e aittir. 1943’te II. Dünya Savaşı sırasında gelen şifreli mesajları çözmek için kripto analizleri geliştirmiş ve elektromekanik cihazlar sayesinde kendi makine sistemini kurmuştur. Bu makine sayesinde tarihte bilgisayar bilimi ve yapay zeka kavramları doğmuştur. Bu tarihten sonra çalışmaların ilerlemesi ile birlikte, yapay zeka sözcük olarak ilk McCarthy tarafından 1956’da icat edilmiştir. (Crevier, 1993) Araştırmaların ilerlemesiyle ABD Savunma Bakanlığı bu tür çalışmalara ilgi göstermiştir ve temel insan mantığını taklit etmek için ciddi çalışmalar yaparak bilgisayarları eğitmeye başlamışlardır. Örneğin, İleri Savunma Araştırma Projeleri Ajansı (DARPA), 1970’lerde sokak haritalama projelerini tamamladı. Sonrasında DARPA gelişerek birçok akıllı kişisel asistanlar üretti. (Howe, 1994) Başlangıçtaki bu etkili çalışmalar, bugün hepimizin günlük hayatta bilgisayarlarda gördüğü özdevinim ve yapay akıl yürütmenin yollarını açmıştır.

   Yapay zeka teriminin ortaya çıkmasından sonra, yıllar içinde algoritmalar çok daha gelişip karmaşıklaşmış, elde edilen verilerin büyüklüğü önemli ölçüde artmış ve bilgi işlem gücü ile depolama alanındaki yenilikler yapay zekayı çok güçlü bir teknoloji haline getirmiştir. Bu gelişmelerin sonucunda günümüzün en önemli ve en popüler bilim dallarından biri olmuştur.

   Yapay zekanın çeşitli alt bileşenleri bulunmaktadır: Makine Öğrenmesi (Machine Learning), Yapay Sinir Ağları (Neural Network), Bilgisayarlı Görü (Computer Vision), Derin Öğrenme (Deep Learning), Bilişsel Hesaplama (Cognitive Computing), Doğal Dil İşleme (Natural Language Processing). En çok kullanılan ve popüler olan alt bileşenler Makine Öğrenmesi (Machine Learning) ile Derin Öğrenmedir (Deep Learning). Bilgisayar programlarının insanlardan yardım almadan yeni verilerden otomatik olarak öğrendiği ve veriler değiştikçe bunlara adapte olabildiği kavramına Makine Öğrenmesi (Machine Learning) denir. Derin Öğrenmedir (Deep Learning) ise, yazı, fotoğraf veya video gibi büyük miktarda yapılandırılmamış verinin alınıp kullanılması ve bu verilerle modelin eğitilmesi yoluyla makinenin öğrenmesidir. (Arel, 2010)

   Yapay zeka denildiğinde çoğu zaman ilk akla gelen şey robotlardır. Bunun sebebi, genellikle popüler filmlerde ve romanlarda insan benzeri makinelerle ilgili hikayeler kurgulanıp topluma ilgi çekici bir şekilde aktarılmasıdır. Ancak gerçekler tam olarak hikayelerde bahsedildiği gibi değildir.

   Teknoloji ilerledikçe, yapay zekayı tanımlayan ilk kriterlerden bazıları geçerliliğini yitirmiştir. Örneğin, temel işlevleri hesaplayan veya elle yazılmış olan bir metni, karakter tanıma programları sayesinde algılayıp dijital ortama aktaran makinelerin artık yapay zekayı içerdiği düşünülmüyor. Çünkü bu işlev artık doğal bir bilgisayar görevi olarak kabul ediliyor.

   AI, birçok farklı sektörde fayda sağlamak için sürekli gelişim göstermektedir. Matematik, bilgisayar bilimi, dilbilimi, psikoloji, finans, sağlık, ulaşım ve çok daha fazlasını içeren programlar, öğrenen makineleri birbirine bağlamıştır. (Luger, 2004) Yapay zekanın uygulama alanları düşündüğümüzden daha fazla çeşitliliğe sahip olabilir. Bu teknoloji, birçok farklı endüstri ve sektöre uygulanabilir. YZ kullanılarak, sağlık sektöründe hastalara uygulanacak ilaç dozajı ayarlanabilir, farklı tedaviler üretilebilir, hatta ameliyatlarda cerrahlara yardımcı olabilecek prosedürler geliştirilebilir. Sağlık alanında yapay zeka araçları ile hastalıkların tanısı, tedavisi öngörülebilir. Erken teşhis sayesinde bu hastalıklar daha kolay önlenebilir. Bunun yanında kişiye özel ilaç geliştirilmesinde ve tedavide, yapay zeka destekli ameliyatlarda ve gen düzenleme konularında yol gösterici olarak kullanılabilir.

   Yapay zekaya sahip makinelere örnek olarak satranç oynayan bilgisayarları ve sürücüsüz araçları da verebiliriz. Bu makineler, geçmişte uyguladıkları adımları dikkate alarak gelecekte yapabilecekleri neredeyse her hareketinin sonuçlarını hesaplayabilmektedir. Bu önemlidir çünkü, satrançtaki her adım, kazanmak için nihai sonucu etkileyecektir. Araçlarda ise, sürücüsü olmayan otomobillerdeki yapay zeka teknolojisi, verileri kullanıp olasılıkları hesaplayarak olabilecek herhangi bir kazayı öngördükten sonra bunu önleyecek şekilde hesaplamalar yaparak gelecekteki olası hareketlerini bulduğu sonuçlara göre gerçekleştirir.

   Finans sektöründe ise yapay zeka, sıra dışı banka kartı kullanımını saptamak, büyük hesap mevduatları gibi finans faaliyetlerini tespit etmek ve işaretlemek için kullanılır. Bu eylemlerden hareketle bankanın güvenlik departmanına yardımcı olabilecek uygulamalar geliştirilir. Bu uygulamalar, ticari hayatı kolaylaştırmak ve belirli bir düzene sokmak için de kullanılır.

   Tüm bu sağladığı faydaların yanında, popüler kültürün de etkisiyle, yapay zekanın ortaya çıkışından bu yana pek çok tartışmalı fikir ve gelecekte olabilecek senaryolarla ilgili teoriler ortaya atılmıştır. Başlıca tartışmalı senaryolardan biri, makinelerin oldukça gelişip insanlar tarafından artık kontrol edilemeyecek bir hale geleceği, insanların buna ayak uyduramayacağı ve makinelerin dünyadaki yaşamlarını kendi başlarına devam ettirecekleridir. Bir diğeri ise, makinelerin, insanların özel verilerini elde edeceği ve bunu bir tehlikeli bir şekilde kullanabileceğidir. Diğer tartışmalar ise, robotlar gibi yapay zekaya sahip sistemlerin ahlaki ve etik değerlere sahip olup olamayacağı ve bunun sonucu olarak insanlarla hukuki olarak eşit şartlarda muamele edilip edilemeyeceğidir. Bunun gibi birçok husus halen tartışılmaktadır. (Dignum, 2018)

   Sonuç olarak yapay zeka, makinelerin deneyimler sayesinde öğrenmesini, yeni veri girdilerine uyum sağlamasını ve insanların gerçekleştirdiği görevlerin benzerlerini gerçekleştirmesini mümkün kılar. Bugün duyduğumuz yapay zeka örneklerinin çoğu, satranç oynayan bilgisayarlardan sürücüsüz araçlara kadar, büyük ölçüde yapay zekanın çeşitli alt dallarına dayanır. Bu teknolojileri kullanarak bilgisayarlar, büyük miktarda verileri işleyerek ve verilerdeki kalıpları tanıyarak her türlü görevi en iyi şekilde yerine getirmek üzere eğitilebilir.

2.2 DÖ, MÖ, BG farkları neler? – Esma Sert 

Derin Öğrenme, Makine Öğrenmesi ve Bilgisayarlı Görü yapay zekanın alt dallarıdır.

Makinelerin yapay zeka algoritmaları ile insan zekasının düşüncelerine benzer karar verme, örüntüleri tanıma eylemlerini öğrenip gerçekleştirebilmesine makine öğrenmesi denir. Derin öğrenme ise makine öğrenmesinin alt dalı ve makinenin daha iyi öğrenebilmesi için gelişmiş tekniğidir. Derin öğrenme algoritmaları insan beyninde bulunan bilgi işleme modellerinden esinlenmiştir ancak daha çok verinin kaliteli olarak işlenmesine olanak sağlar.

Derin öğrenme kullanan programlar, büyük veri setlerindeki verileri kullanarak kendisine verilen görevi yerine getirmeye çalışır. Makine öğrenmesinde ise makine veya sistem görevini tecrübelerden gelen veriler ile öğrenir.

Günümüzde, yapay zekanın revaçta olmasıyla insanlar sıklıkla, derin öğrenme (deep learning) veya makine öğrenmesi (machine learning) gibi terimlerle karşılaşmaktadır ve bunları genellikle yapay zeka ile aynı anlamda kullanırlar. Fakat bu kullanımlar tam olarak doğru olmayabilir. Aslında yapay zeka, makine öğrenmesi ve derin öğrenme kavramlarını da kapsar.

Makine öğrenmesinde kısaca, programcı makineye veya sisteme öğrenmesi gereken eylemi anlatan bir program yazar, daha sonra makine verilerden elde ettiği veriyle ve varsa eskiden öğrenmiş olduğu tecrübeleriyle öğrenir ve bunu yeni eylemi olarak uygular.  Bugün makine öğrenmesi, kameralarda ki yüz tanıma sistemleri, alışveriş sitelerinde müşteri destek sistemlerinde veya insanların tüketim alışkanlıklarını hesaplama gibi birçok alanda kullanılıyor. Makine öğrenirken belirli algoritmalar kullanarak bu öğrenmeyi gerçekleştirir, lojistik regresyon, basit doğrusal regresyon, çekirdek hilesi vb. gibi algoritmalar bunlardan birkaçıdır. Makine öğrenmesinde veriler kategorik ve nümerik olarak ikiye ayrılabilir. Burada, kategorik veriler ile sınıflandırma yapılabilir, nümerik veriler ile ise tahmin yapmak için kullanılabilir. Örneğin cinsiyetleri bilinen kişilerin seslerinden oluşan bir veri seti ile ses analizi yaparak cinsiyet tahmini yapılabilir veya boy, cinsiyet, kilo ve yaş bulunan bir veri setinden oluşturulan veri seti ile boyu ve kilosuna göre bir kişinin cinsiyet ve yaşını tahmin edebiliriz.

Derin öğrenme, aslında daha önce bahsettiğimiz iki kavramın da alt ürünüdür. Derin öğrenme ağlarının eğitilebilmesi için makine öğrenmesinden çok daha fazla veri ile eğitmek gerekir, örneğin sürücüsüz araçlar, ses ile yönetilen sistemler örnek olarak gösterilebilir.

Şekil 2. 2. 1: YZ, MÖ, DÖ arasındaki ilişki

Öğrenme süreci ise şu şekildedir. İlk olarak bir veri seti seçmeniz gerekir, daha sonra bu veri setindeki verileri girdiler veya çıktılar olarak sınıflandırırsınız, ardından veri seti genellikle %70-%30 şeklinde eğitim-test veri seti olarak ikiye ayrılır. Eğitim veri seti ile program deneme yanılma yöntemiyle en iyi sonucu bulmak için tekrar tekrar eğitilir ve test veri seti ile sonucun doğruluğu kontrol edilir.

Tanımlardan ve örneklerden de görülebileceği üzere bu kavramları birbirlerinden bağımsız ele almak mümkün değildir. İhtiyaçlar doğrultusunda yapay zekadan türemiş olan makine öğrenmesi daha sonra derin öğrenmeyi oluşturmuştur.

Bilgisayarlı görü (computer vision) ise (genellikle CV olarak kısaltılır), bilgisayarların fotoğraf ve video gibi dijital görüntülerin içeriğini görmesine ve anlamlandırmasına yardımcı olacak teknikler geliştirmeyi amaçlayan bir çalışma alanı olarak tanımlanır. Genel olarak yapay zeka ve makine öğreniminin bir alt alanı olarak adlandırılır. Özel yöntemleri içeren ve genel yapay zeka algoritmalarından yararlanabilen çok disiplinli bir alandır.

2.3 YZ nasıl çalışır? – Esma Sert 

Yapay zeka (YZ), makine öğrenimi, derin öğrenme ve diğer alt kümeleri içeren makinelere veya bilgisayarlara programlanmış zekadır. İnsan zekasının taklit ederek bir payın en olası sonucunun mantıklı tahminini bulur.

YZ, normal bir bilgisayarın oldukça karmaşık görevleri insan zihni gibi düşünerek ve devamlı olarak öğrenmeye devam ederek belirli süreçleri çok daha verimli hale getirir ve günlük hayatımızı iyileştirip kolaylaştırır. Örnek vermek gerekirse, bir dildeki metni başka bir dile yazılı ve sesli olarak çevirebilen ya da piyasa ve market değerlerini araştırmayı, borsa tahminlerini daha verimli hale getirmek için çeşitli algoritmaları kullanan programlar.

Yapay zeka; düşünme, algılama, eyleme geçirme ve diğer unsurlarla birlikte algoritmaları kullanarak modelleri doğru bir şekilde işleyerek modelin doğru kararlar almasını sağlar. YZ, derin öğrenme (deep learning), makine öğrenmesi (machine learning) veya daha basit ve kolay metotlar ile güçlendirilebilir. Buradan hareketle, aslında en temel yapay zeka programı sanıldığı kadar da karmaşık değildir. Buna benzer bir programı kullanan makine tek bir şekilde davranmak veya belirli kurallara göre belli başlı sonuçlar vermek üzere programlanmış bir bilgisayar da olabilir.

Bir insanın, ortalama bir gününde yapay zeka teknolojileri içeren cihazlarla etkileşime girmesinin birçok kolay yolu vardır, ancak çoğu insan hangi teknolojilerin gerçekte yapay zekayı kullandığının bile farkında değildir. İşte birçok insanın hayatında karşılaştığı yapay zeka teknolojilerine birkaç örnek;

  • Konuşma botları
  • Akıllı asistanlar (Örn siri, alexa)
  • Sağlık hizmeti
  • Spam filtreleri
  • İçerik öneren uygulamalar
  • Arama motorları
  • Sürücüsüz arabalar
  • Görüntü tanıma programları
  • Dil çeviri araçları

Yapay zeka sağlık ve tıp alanında kullanılmak için olağanüstü bir potansiyele sahiptir. Bunun nasıl mümkün olduğunu öğrenmek istediğimizde, aslında yapay zeka sistemlerinin çalışma prensiplerinin çok mantıklı ve akla yatkın olduğunu görürüz. Normal bilgisayar programları, insan zekasının üstün özellikleri olan akıl yürütme, örüntü tanıma, öngörü ve karar verme gibi özellikleri göstermez. Yapay zeka ile çalışan bilgisayarlar ise üst düzey bir veri analizi ve bilgi oluşumunu sağlayarak normal insanların yapabileceği entelektüel çalışmaları otomatik olarak gerçekleştirebilirler. Yapay zekanın yarattığı bu kolaylık sayesinde insanlar sadece zamandan ve iş gücünden tasarruf sağlamakla kalmaz, bunun yanı sıra yapay zeka programları büyük veri gruplarındaki fark edilmeyecek ortak özellik ve örüntüleri keşfetmeyi de sağlar.

Yapay zeka ilk olarak sembolik öğrenme kullanılarak geliştirildi. (ref) Yapılan ilk uygulamalar robotik için kullanıldı ve bu sayede robotların, görüş ve hareketlerini uygun spesifik görevler için özelleştirilmesine mümkün kıldı. Satranç, dama gibi oyunlarda kazanmak için yapay zekalı programlar biçimsel zeka kullanır. Bu tarz strateji oyunlarında yapay zeka sistemi bir sonraki aksiyonuna o anki çevreyi gözlemleyip ona göre tanımlar. Daha gelişmiş yapay zeka formları ise, yeni bulgular ve algoritmaları da ekleyerek zaman içerisinde daha iyi sonuçlar verir. Bunun sonucunda kural tabanlı makine öğrenimi oluşur.

Yapay zeka tanımlı makineler zaman içinde verilen tepkileri iyileştirerek kapasitelerini geliştirmeye odaklanır. Makine öğrenimi aynı zamanda karmaşık verilerden çok boyutlu kalıp ve dağılımları anlamaya izin veren derin öğrenme özelliklerini de kapsar. Yapay zeka tıpkı gerçek bir insan beyni gibi deneyimlerinden faydalanarak güncel olarak elinde olan verilerden çok daha iyi sonuç elde etmeye çalışır. Bu sonuçlar; modelin algoritmasına, verinin kalitesine, işlemcinin kapasitesi ve hızına göre değişiklik gösterir.

Yapay sinir ağları (artificial neural networks), makine öğreniminin en üst seviyesidir. CNN (convolutional neural networks) ile başlayan, uzun kısa süreli bellek (LSTM-long short term memory) veya pekiştirmeli öğrenme (reinforcement learning) ile RNN’e (recurrent neural network) doğru gelişen derin öğrenme algoritmaları günümüzün en gelişmiş yapay zeka sistemlerini oluşturur ve zaman geçtikçe güçlenmesine de yardım eder. Program çalıştığında, yapay sinir ağlarındaki girdiler (input), birçok katman içerisinde birbirine örülmüş olan ağlarda çeşitli işlevsel parametrelerden geçirilir. Her çıktı (output), o katmandaki nöronların göreceli “ağırlığının” bir yansımasıdır.

Şekil 2.3.1: Yapay sinir ağlarındaki girdiler (inputs) ve çıktılar (outputs) arasındaki ilişki

Bu girdilerin ağırlıklarının işlenmesi ve sonuca ulaştırması algoritmalara göre değişiklik gösterir. Her bir algoritmanın pozitif ve negatif tarafları vardır. Elde edilmek istenen sonuçlara göre algoritma kullanımları değişmektedir. Günümüzde en çok kullanılan algoritma türleri ise:

Şekil 2.3.2: CNN

Şekil 2.3.3: RNN

Şekil 2.3.4: LSTM Networks

Şekil 2.3.5: Radial Basis Function Networks (RBFN)

Şekil 2.3.6: Multilayer Perceptrons (MLPs)

 

2.4 Sınıflandırma Teknikleri – Ahmet Emre Aladağ 

Sınıflandırma teknikleri, gözetimli öğrenme teknikleri arasında yer almaktadır. Sınıflandırma algoritmaları, kendilerine verilen girdileri iki veya daha fazla kategoriden birine ya da birkaçına koyabilen yöntemlerdir. (Alpaydın, 2010. s5) Bu algoritmalar, tahminlerini gözetim altında kendisine öğretilen bilgileri baz alarak yapar. Örneğin, e-posta adresinize gönderilen bir e-postanın spam olup olmadığını sınıflandırma algoritmaları belirler. Bunu yapabilmesi için önceden hangi tür kelimelerin kullanıldığı e-postaların spam olduğu, hangilerinin spam olmadığını algoritmaya sunmamız gerekir. Algoritmanın kendisine sunulan örneklerdeki detayları inceleyip ayırt edici özellikleri keşfetmesiyle ortaya eğitilmiş bir sınıflandırma modeli çıkar. Artık modelimiz, bir e-postanın spam olup olmadığını hangi noktalara bakarak tahmin edeceğini biliyordur.

Sınıflandırma Türleri:

  • Potansiyel Sınıf Sayısına Göre

Sınıflandırmayı iki açıdan ele alabiliriz. Sınıf sayısına göre ele aldığımızda ikili (binary) sınıflandırma ya da çoklu sınıf (multi-class) sınıflandırma yapmak mümkündür. (Burkov, 2019).

Biraz önce verdiğimiz spam sınıflandırma örneği, iki potansiyel sonuç vermesi itibariyle ikili sınıflandırmaya en güzel örnektir. Buradaki iki sınıf “spam” ve “spam değil” olarak belirlenmiştir. 

Bununla birlikte bir çiçek fotoğrafı verildiğinde bu çiçeğin hangi çiçek olduğunu tahmin eden bir algoritma, çoklu sınıf sınıflandırması yapmaktadır. Çünkü potansiyel yüzlerce çiçek türünden hangisi olduğunu tahmin etmektedir. 

  • Etiketlenen Sınıf Sayısına Göre

Etiketleme, bir verinin hangi sınıf(lar)la nitelendirildiğinin tanımlanmasıdır. Bunu algoritmanın öğrenmesi için elle yapabileceğimiz gibi eğitilen modelin da bizim yardımımız olmadan otomatik etiketlemelerde bulunmasını isteriz. Örneğin 100 adet e-postayı “spam” ya da “spam değil” şeklinde etiketleyip algoritmayı çalıştırdığımızda, ortaya çıkan eğitilmiş model, daha önce hiç görmediği e-postaları “spam” ya da “spam değil” şeklinde etiketleyecektir. Bu örnekte potansiyel etiket sayımız 2 olsa da çıktı olarak bu algoritmanın sadece bir sınıfı seçmesini, yani tek etiket kullanmasını bekleriz. Hem “spam” hem de “spam değil” gibi bir sonuç vermesi bizim için faydalı değildir. Bu durum tek etiketli (single-label) sınıflandırmaya örnektir.

Bununla birlikte bazı durumlarda fazla etiket kullanmak faydalı olabilir. Örneğin bir akademik makale yazdığınızda bu makalenin anahtar kelimelerini otomatik çıkarmak istediğinizi düşünelim. Makalenizde çeşitli önemli kavramlardan bahsettiğinizi düşünecek olursak tek bir anahtar kelime yeterli olmayacaktır. Kanser, teşhis, aşı, immünoterapi gibi birçok anahtar kelime çıkarmak yayınınızın daha geniş bir kitleye ulaşmasını sağlayacaktır. Bu durumda çok etiketli (multi-label) sınıflandırma teknikleri yardımımıza koşacaktır. (Burkov, 2019). Dikkat etmeniz gereken çok sınıflı ve çok etiketli sınıflandırmanın farkı, çok etiketli sınıflandırmanın çıktı olarak birden fazla sınıf üretmesidir.

Sınıflandırmanın Uygulama Alanları:

Sınıflandırma teknikleri, birçok alanda yoğun insan çabası gerektiren işleri otomatikleştirerek zaman ve kaynak tasarrufu sağlamaktadır. Özellikle sağlık alanında hayat kurtarma, tedavi etme ve bütçeyi verimli kullanma noktasında ciddi katkıları vardır. (K et al., 2018, p. 173). 

Örneğin sınıflandırma teknikleri, kişinin sağlık verilerini (kan tahlili, görüntüleme çıktısı, vs.) analiz ederek bir hekimin kolaylıkla göremeyeceği karmaşıklıkta bağlantıları veya ince detayları keşfedip görünmeyen bir hastalığı ya da bir tümörü tespit ederek hekimlerimize yardımcı olabilir. (Kaur & Wasan, 2006, p. 196) Böylelikle en sınırlı sayıda ve en doğru tanı yöntemlerini uygulayarak hem hastanın hastalığını erkenden teşhis edilmesine destek olabilir, hem de gereksiz tanı yöntemlerine kaynak ayrılmasının önüne geçebilir. Daha hızlı sonuç alınması, sağlık hizmetlerine erişimdeki bekleme sürelerini de azaltacaktır. Bununla birlikte kişinin sağlık verilerini inceleyerek kişiye özel tedavi planları üretilmesi mümkündür. 

Benzer şekilde sınıflandırma tekniklerinin görüntüleme çıktılarını otomatik olarak değerlendirmesi radyoloji uzmanlarının işini son derece kolaylaştıracak, ince detayların gözden kaçmaması noktasında yardımcı olacaktır.

Sınıflandırma teknikleri görüntüyü metne çevirmek suretiyle basılı belgelerdeki karakter ve sayıları tanıyarak bilgisayardaki veri tabanlarında kolay erişilebilir ve incelenebilir hale getirebilir. Bu da gerek geçmiş dönemden kalan kayıtların incelenmesini kolaylaştırır, gerekse dijital veriye erişimin olmadığı durumlarda verilerin kolaylıkla başka sağlık sistemlerine aktarılmasına imkan tanır.

Internet of Things (IoT) denilen (Madakam et al., 2015, p. 167), sensörlerden veri toplanan sistemlerde sınıflandırma teknikleri sensör sinyallerini anlamlandırma noktasında önemlidir. Bu tür sistemlerin özellikle sağlık alanında uygulamaları yaygındır (Durga et al., 2019, p. 1021). Örneğin yaşlı bir insana takılan vücut sensörlerinin ürettiği sinyallerden bu kişinin düşmek üzere olduğu, yalpaladığı, baş dönmesi olduğu, kalp krizi geçirdiği ya da epileptik nöbet geçirdiği tahmin edilebilir. Böyle durumlarda yakınlarına ya da sağlık kuruluşlarına anında yapılacak bir bildirim kişinin hayatını kurtarabilecektir. 

Sınıflandırma Algoritmaları

Tek Etiketli Sınıflandırma:

Sınıflandırma için yaygın olarak kullanılan algoritmalar aşağıda listelenmiştir (Patel & Patel, 2016, p. 55). En uygun algoritmalar, problemlerin doğasına bakılarak belirlenir ve uygulanır (Joshi & Nair, 2018, p. 8). Birkaç adayın başarımlarının karşılaştırılmasıyla en iyi çalışan algoritma bulunur.

  • Linear Classifiers (Doğrusal Sınıflandırıcılar)
  • Logistic Regression
  • Naive Bayes Classifier
  • Fisher’s Linear Discriminant
  • Perceptron
  • Support Vector Machines (Destek Vektör Makineleri)
  • Decision Trees (Karar Ağaçları)
  • Random Forests (Rastgele Orman)
  • Neural Networks (Sinir Ağları)
  • Kernel Estimation (Çekirdek Tahmini)
  • K-Nearest Neighbor (K-En Yakın Komşu)

Çok Etiketli Sınıflandırma:

Bir girdinin birden fazla etiketlenmesi gerektiği durumlarda birkaç yaklaşım uygulanabilir. 

İlk yaklaşımda problem ikili sınıflandırma problemine dönüştürülebilir. Her sınıf için “bu sınıfa ait (1) mi, değil (0) mi?” sınıflandırmasında bulunan birer model üretilir. Ardından girdi, pozitif sonuç üreten sınıflarla etiketlenir.

Bir diğer yaklaşım ise problemi çoklu-sınıf sınıflandırma problemine dönüştürmektir. A B ve C potansiyel sınıflarının olduğu bir problemde birden fazla etiket seçmek yerine A, B, C sınıflarının kombinasyonları 8 adet yapay sınıfla temsil edilir (bakınız Tablo 2.4.1). Bu durumda çoklu-sınıf sınıflandırma algoritmasından 8 sınıftan birisini etiketlemesi istenir.

Sınıf

Kod

A

B

C

S1

000

0

0

0

S2

001

0

0

1

S3

010

0

1

0

S4

011

0

1

1

S5

100

1

0

0

S6

101

1

0

1

S7

110

1

1

0

S8

111

1

1

1

Tablo 2.4.1: 3 farklı (A, B ve C) sınıftan oluşan çok-etiketli sınıflandırma probleminin çok-sınıflı sınıflandırma problemine dönüştürülmesinin bir örneği.

Ensemble Yönteminde ise birden fazla çoklu-sınıf sınıflandırıcının her birini birer sınıf önerir. Bu öneriler oylanır, bazı etiketlerin elenmesine, bazılarının ise seçilmesine karar verilir. Bu şekilde çok-etiketli sınıflandırma problemi, çoklu-sınıflı sınıflandırma yöntemleriyle çözülmüş olur.

Bununla birlikte çok-etiketli sınıflandırma yöntemine uyum sağlatılmış sınıflandırma algoritmaları mevcuttur. Bunların başında ML-kNN, Clare, MMC, MMDT, SSC, BP-MLL gelmektedir.

Özellik Çıkarımı

Verinizin türü ne olursa olsun veri setinizi bir matrisle temsil etmeniz gerekmektedir. Her bir satır bir kayda (döküman, kişi, vs), her bir sütun ise o kayda ait bir özelliği temsil etmelidir. Sütunlar kan tahlil değerleri (CRP, HDL, LDL gibi) olabileceği gibi bir görüntünün piksel değerlerinin vektör temsili olabilir. Yahut bir metinde hangi kelimenin kaç kere geçtiğini hesaplayıp her bir kelime için ayrı bir sütun kullanabilirsiniz. Ham verinizi işlemden geçirerek matris biçimine çevirme sürecine özellik çıkarımı (feature extraction) denmektedir. 

Bu matrisin satır sayısı kadar uzunluğu olan bir vektör ile her bir satıra karşılık gelen etiketleri hazırladığınızda eğitim için hazırsınız demektir.

Sınıflandırma Eğitimi

Özellikler çıkarıldığında oluşan matrisi ve etiket vektörünü sınıflandırma algoritmalarına (Alpaydın, 2010. s73) verdiğimizde algoritmalar sütun değerleri ile etiketler arasında kendi özgün yaklaşımlarını kullanarak korelasyon kurmaya çalışmaktadır. Lineer modeller her bir sütuna katsayı vermek suretiyle bir lineer model üretmeye çalışırken, karar ağaçları ağaç yapısı oluşturarak bir karar mekanizması kurmaya çalışmaktadır. SVM yöntemi ise veri boyutunu gerekirse artırmakta, sınıfları ayıran çizgiler çizmeye çalışmaktadır (Alpaydın, 2010, s333). Algoritma, çıktı olarak bir model üretmektedir. Bu modeli kullanarak eğitimde kullanılmayan verileri girdi olarak sunarak etiket tahmininde bulunmak mümkündür. Genellikle verinin belirli sayıda (ama rastgele) bir kısmı (%70-90) eğitim için kullanılır, geri kalan kısmı (%10-30) ise test amaçlı ayrılır. Eğitim verisiyle eğitilen veri, test verisi üzerinde test edilir. Olası ezberleme durumlarının önüne geçmek için K-Fold Cross Validation denilen yöntem kullanılabilir. Bu yöntemde her seferinde verinin rastgele bir kısmını (1/K) test için ayırır, testini yapar, sonra başka rastgele (1/K) bir kısmını ayırır, tekrardan eğitir ve testini yaparsınız. Bunu K kere yapıp sonuçların ortalamasını aldığınızda çok daha sağlıklı bir değerlendirme elde edersiniz. Daha da ileri gidip eğitim verisinin bir parçası olarak validation set (doğrulama seti) kullanabilir, algoritmaların hiperparametrelerini daha doğru ayarlamasına imkan tanıyabilirsiniz.

Sınıflandırma Testi ve Değerlendirmesi:

Test için ayrılan veriler oluşturulan model ile değerlendirilir ve modelin tahmin üretmesi beklenir. Ardından tahminlerle gerçek etiketler (elle etiketlenmiş, altın standart) karşılaştırılır ve ne kadar doğruluk yakaladığı hesaplanır. Tahmin başarısının değerlendirmesi için probleme göre belirli metrikler kullanılır. Öncelikle bir Confusion Matrix hazırlanır (bknz Tablo 2.4.2).

N = 165

Tahmin: 0

Tahmin: 1

 

Gerçekte: 0

TN=50

FP = 10

60

Gerçekte: 1

FN = 5

TP = 100

105

 

55

110

 

Tablo 2.4.2: Confusion Matrix: hücrelerde True Negative (TN), False Negative (FN), False Positive (FP), True Positive (TP) değerleri yer almakta.

Tablo 2.4.2’de yer alan True Positive/True Negative (sırasıyla) gerçekte pozitif/negatif olup pozitif/negatif olarak (doğru) tespit edildiği durumları temsil eder. False Positive/False Negative ise yanlış bir tahmin yürütülerek sırasıyla (hatalı) pozitif/negatif yanıtı üretildiği durumları temsil eder. Bu değerler baz alınarak bazı metrikler hesaplanır:

  • Accuracy: yapılan tahminlerin yüzde kaçı doğru çıktı? (TP + FP) / (TP+FP+TN+FN)
  • Precision: pozitif etiketle etiketlenen verilerin gerçekte yüzde kaçı pozitif etiketliydi? TP / (TP+FP)
  • Recall: gerçekte pozitif olan etiketlerin yüzde kaçını (doğru şekilde) pozitif olarak etiketledi? Diğer adlarıyla Sensitivity / True Positive Rate (TPR) = TP / (TP+FN)
  • Specificity: gerçekte negatif olan etiketlerin yüzde kaçını (doğru şekilde) negatif olarak etiketledi? TN / (TN + FP)
  • False Positive Rate (FPR): 1 – Specificity = FP / (TN + FP)
  • F1-Score: Precision ve Recall’ın harmonik ortalaması
  • ROC Curve: TPR vs FPR grafiğinin çizilmesiyle elde edilen eğridir. Altında kalan alana ise Area Under Curve (AUC) denir. AUC değeri ne kadar yüksekse modelin sınıflar arasında ayırt ediciliği o kadar iyi demektir.

İyileştirme ve Çalıştırma

Eğer modelin yeterince iyi çalıştığına kanaat getirdiyseniz onu tahminler için kullanmaya başlayabilirsiniz. Ancak iyileştirmenin gerekli olduğunu düşünüyorsanız hatalı tahminlerin hangi veriler üzerinde gerçekleştiğini analiz edip başka hangi özellikleri çıkarmanın daha iyi bir tahmin elde etmenize imkan tanıyacağı üzerinde düşünebilirsiniz. Bu iyileştirmeleri yaparken çalışmanızın verinizi ezberlemediğinden (overfit) emin olmalısınız. Böyle bir durumda elinizdeki verilerle çok iyi çalışan bir model, hiç görmediği gerçek hayat verileriyle karşılaştığında çok kötü performans sergileyebilir.

2.5 Segmentasyon Teknikleri – Burak Kahveci 

Segmentasyon bir görüntünün alt parçalarını tanımlamak ve hangi nesneye ait olduğunu anlamak için kullanılan teknikler bütünüdür. Genel anlamda segmentasyon anlamsal segmentasyon (Semantic Segmentation) ve örnek segmentasyonu (Instance Segmentation) olarak ikiye ayrılabilir. Anlamsal segmentasyonda her piksel bir kategoriye göre sınıflandırılır. Bu nedenle bu tip segmentasyon da piksel düzeyinde tahmin yapılır. Örneğin 2 tane köpeğin olduğu bir görüntüde anlamsal segmentasyon uygulanırsa her iki köpeğin tüm pikselleri aynı etiketi alır. Örnek segmentasyonu ise görüntüdeki her bir nesneyi tanımlarken her pikseli kategorize etmemesi bakımından anlamsal segmentasyondan farklılaşır. 

Geleneksel ve Güncel Segmentasyon Teknikleri:

Görüntülerde segmentasyon geleneksel tekniklerle temelde dört farklı şekilde yapılabilir. Bunlar eşikleme (Thresholding), K-means kümeleme (K-means Clustering), histogram temelli görüntü segmentasyonu (Histogram-based image segmentation) ve kenar tespiti (edge detection) olarak ayrılabilir. 

Eşikleme: Gri tonlamalı görüntülerde ikili görüntüler oluşturmak için kullanılır. Belirlenen eşik değeri ile görüntülerdeki pikseller karşılaştırarak görüntülerdeki nesneler iki farklı sınıfa ayrılabilir. Eşikleme tipleri arasında Otsu eşiklemesi yaygın olarak kullanılır. Bu eşiklemede Otsu algoritması histogramda eşikleme yapılabilecek en uygun konumu tespit eder.

Şekil 2.5.1 Eşikleme uygulanmış bir resim gösterilmektedir.

K-means kümeleme: Kümeleme veriyi temel anlamda anlamak için kullanılan keşifsel veri analizi tipidir. Veri noktalarının benzerliklerine göre verilerin benzer olanlarının farklı olanlardan ayrıştırılması görevi kümeleme işlemi ile gerçekleştirilir. 

Şekil 2.5.2 Örnek bir kümeleme süreci gösterilmektedir.

Kümeleme işlemi için birçok teknik kullanılır. Aralarından en yaygın olanı bir denetimsiz öğrenme olan K-means algoritmasıdır. Algoritma kendine verilen K değerine göre veri setindeki verileri benzerlikleri ölçüsünde kümeler. K-means algoritmasıyla belgeleri etiketlerine ve konularına göre sınıflandırma, Pazar analizi ve reklam getirisinin artırılması için müşteri segmentasyonu, spor dünyasında toplanan verilerle oyuncu analizi ve dolandırıcılık tespiti gibi birçok görev gerçekleştirilebilir. 

Histogram Temelli Görüntü Segmentasyonu: Bu yöntemde görüntünün tüm piksellerinden hesaplanan histogramdaki tepe ve dip noktaları görüntülerdeki kümeleri bulmak için kullanılırlar. Bu yöntemin dezavantajı, görüntülerdeki tepe ve dip noktalarının görüntünün karmaşıklığına göre bulunmasın zorlaşması olabilir. 

Şekil 2.5.3: Histogram temelli görüntü segmentasyonuna örnek verilmiştir.

Kenar Tespiti: Görüntüdeki objelerin kenar kısımlarının parlaklıkları resmin diğer bölgelerine göre kesin bir şekilde farklıdır. Bu farklılıklardan yararlanılarak segmentasyon yapılabilir. Kenar tespiti öznitelik çıkarımı ve tespitinde makine öğrenmesi, görüntü işleme ve bilgisayarlı görü alanında sıkça kullanılır. Bu bağlamda Canny kenar tespiti (Canny Edge Detection) algoritması kenar tespiti için en çok kullanılan tekniklerin başında gelir. 

Şekil 2.5.4: Kenar tespitine bir örnek verilmiştir.

Segmentasyon için son dönemde derin öğrenmenin gücünden sıkça yararlanılmaktadır. Bu amaç için birçok derin öğrenme yöntemi kullanılabilir.

Evrişimsel Sinir Ağları: Görüntünün segmentlerinin beslendiği bir evrişimsel sinir ağının pikselleri etiketleme süreci ile segmentasyon gerçekleştirilir. Süreç Şekil 2.5.5’te özetlenmiştir.

Şekil 2.5.5: Evrişimsel sinir ağları ile görüntü segmentasyonu süreci gösterilmektedir.

Tam Evrişimsel Ağlar: Bu yöntemde değişken girdi boyutlarını işlemek için evrişimli katmanlar kullanılarak daha hızlı bir biçimde segmentasyon yapılabilir. Bu katmanlar görüntünün tam segmentasyonunun sağlanması için her pikseli sınıflandırır.   

DeepLab: Derin öğrenme yöntemlerinde yaygın olan düzenli konvolüsyonlar yerine genişletilmiş olanlarını kullanır. Genişletilmiş konvolüsyonlar, ResNet ve genişletilmiş uzaysal piramit havuzu olarak 3 farklı birimden oluşur.

2.6 NLP Teknikleri – Ahmet Emre Aladağ

Natural Language Processing (NLP- doğal dil işleme), linguistik özelliklerini dikkate alarak metinleri işlemeyi amaçlayan süreçlerdir. Metinler, (derin öğrenme hariç) yapay zeka algoritmalarına doğrudan verilemezler. NLP teknikleri metinleri işleyerek metinden yapay zekanın kullanabileceği biçimde anlamlı özellikler çıkarırlar. Genellikle bu teknikler belli bir sıra ile uygulanarak son hedef olan matris formunda bir çıktı üretirler. Bu sürece önişleme (preprocessing) adı verilir. 

Önişleme (Preprocessing) Adımları:

Ön Temizlik

İlk adım genellikle istenmeyen bazı karakterlerin (emoji, noktalama işaretleri, fazladan boşluk karakterleri, tanınmayan karakterler) metinden atılmasıdır. Sayılar metne çevrilebilir ya da metinden çıkarılabilir. Bunun dışında HTML tagi gibi anlamsız veriler varsa bunlar da metinden çıkarılabilir.

Parçalara Ayırma

Parçalara ayırma (tokenization) aşamasında ise metin tercih edilen parçalara ayrılır: cümle, kelime, hece, karakter. Genelde kelime bazında bir parçalama yapılır. Bu noktada elimizde bir metni temsil eden kelime listesi vardır ve bir kelime birden fazla kez bu listede geçebilir.

Normalizasyon

Aynı anlama gelen farklı kelimelerin arasından sadece bir tanesinin (canonical form) kullanılması işlemidir. Kısaltmalar, uzun hallerine çevrilebilir (expanding contractions), ya da (tüm metinler genelinde tutarlı olmak şartıyla) kısa haliyle bırakılabilir. Örneğin tüm USA’ler the United States of America haline getirilirse iki kelimenin aynı şeyi temsil ettiği bilgisi kullanılabilecektir. Benzer şekilde Berlin kelimesi Alman hükümeti anlamında kullanıldı ise bunu Alman hükümeti şeklinde değiştirmek mümkündür. 

Ardından tercihen tüm kelimeler küçük harfe çevrilebilir. Böylelikle büyük-küçük harf kullanımının farklı kelime gibi algılanması önlenir. Bir sonraki aşama gereksiz kelimelerden (stop-words) arındırmadır. İngilizce’deki the, a, an gibi kelimeler çok sık kullanıldığından varlıkları yapay zekanın işleyişine olumsuz katkıda bulunabilir. Önceden belirlenen bu tür kelimeler listeden çıkartılır. Sonra kelimelerin takıları çıkartılarak kökleri alınır. Bu kök bulma (lemmatization) ve budama (stemming) teknikleriyle gerçekleştirilebilir. Lemmatization sonucunda oluşan kelime mutlaka anlamlı iken stemmin sonucu üretilen kelime anlamsız olabilir. Örneğin studies kelimesine lemmatization uygulandığında “study” sonucu çıkarken, stemming uygulandığında “studi” sonucu çıkacaktır. 

Tüm bu aşamaların ardından elimizde her belge için temizlenmiş kelime listeleri oluşacaktır. Bu kelime listeleri üzerinde özellik çıkarımı yöntemleri uygulanarak yapay zekaya sunulabilir hale getirilebilir.

Özellik Çıkarımı

Tf-Idf:

Önişleme sonucu oluşan kelime listeleri üzerinde bu kelimelerin ne sıklıkla geçtiğini hesaplayan Term Frequency (tf) yöntemi kullanılabilir. Bu işlemin sonucunda belgelerin satırlarda, kelimelerin sütunlarda temsil ettiği bir matris oluşur (bakınız Tablo 2.6.1). Her bir hücrede ise belgelerde hangi kelimenin kaç kere geçtiğinin sayısı belirtilir.  

 

dünya

sağlık

devlet

hastane

insan

Belge 1

13

1

8

0

9

Belge 2

1

15

1

9

10

Belge 3

10

0

0

0

11

Tablo 2.6.1: Term Frequency tablosu

Bu tabloya bakarak belgelerin hangi konularla ilgili olduğuna dair çıkarımlarda bulunmak mümkündür. Bu tabloya bakarak görülebilir ki; Belge 1, Dünya ve devletlerle alakalı bir yazı barındırırken, Belge 2 daha ziyade sağlık ve hastanelerle alakalı bir yazı barındırıyor.

Bu tabloda ortaya çıkabilecek bir problemse insan kelimesinin tüm belgelerde sıklıkla geçmesi sebebiyle belgeler arasında aslında olmayan bir benzerlik algısı oluşturabileceğidir. Bu sebeple Inverse Document Frequency (idf) adı verilen hesaplama yapılır. Bu yöntemde bir kelimenin ne kadar nadir görüldüğü hesaplanır. Bulduğumuz bu iki puan (tf.idf) çarpıldığında ise genelde nadir ve belirli bir doküman içinde sık geçen kelimelerin etkisinin o dokümanın üzerinde daha fazla olması sağlanır. Bu sebeple tf.idf adı verilen yöntem en yaygın kullanılan yöntemlerden birisidir. Sonucu Tablo 2.6.1’deki gibi bir tablodur, sadece sayıları güncellenmiştir ve insan kelimesinin puanı oldukça düşüktür.

Bir diğer problem ise bazı kelimelerin puanlarının varyasyonunun fazla, aralığının geniş iken diğerlerinin tam tersi olmasıdır. Örneğin bir kelime 1-150 arasında değişen puanlar elde ederken diğer bir kelime 1-2 arasında değişiyorsa birinci kelimenin ağırlığı çok daha fazla olacaktır. Bu durumun önüne geçmek için her sütuna ayrı ayrı feature scaling / standardization adı verilen istatistiki yöntemler uygulanır. Yaygınca kullanılan yöntemler şunlardır: 

  • Z-Score Standardization: sütundaki sayıların dağılımını normal dağılıma benzetmeye çalışır. Ortalaması 0, varyasyonu 1 olacak şekilde sayıları dönüştürür.
  • MinMax Scaling: En yüksek ve düşük değerleri baz alarak sütundaki tüm sayıları 0-1 aralığına çekmeye çalışır.

Bu sayede tüm sütunlar birbirine denk ölçeklerde karşılaştırılabilecektir. Sonuçta oluşan tablo, çeşitli algoritmalar ile problemlerin çözümünde kullanılabilir.

Word Embedding

Word Embedding, kelimelerin gerçek sayılardan oluşan bir vektörle ifade edilmesidir. Bu vektör, kelimenin anlamını n boyutlu bir uzayda temsil eder (kodlar). Birbirine yakın anlamda ya da ilişkili olan kelimeler vektör uzayında daha yakın yer alır. Bu yaklaşımı benimseyen en popüler teknikler arasında Word2Vec (Mikolov, 2013), Paragraph2Vec (Le, 2014), GloVe (Pennington, 2014), BERT (Devlin, 2018) yer alır. Bu yöntemler genel olarak kendilerine verilen çok miktarda metin veriyi analiz ederek kelimeler arasındaki ilişkileri çıkarırlar. Sonuç olarak her kelime için oluşan vektörleri toplayıp çıkarmak mümkün hale gelir. Örneğin “Kraliçe – (Kral – Erkek) = ?” gibi bir vektör hesaplamasına “Kadın” cevabını verebilmektedir. Yani Kraldan erkekliğini çıkarırsak Hükümdar anlamı kalır. Kraliçe’den Hükümdarlığını çıkarırsak geriye “Kadın” kalır. Bir diğer açıdan bakacak olursak, “Kral erkekse kraliçe nedir?” diye sorduğunuzda “Kadın” diye cevap verecektir. 

Bahsettiğimiz yöntemleri çok miktarda metin ile eğiterek iyi genelleme yapabilen modeller üretilmekte ve paylaşılmaktadır. Bu modelleri kullanarak elinizdeki yazıların nelerden bahsettiğini kelime ve cümle vektörlerinin ortalamasını alarak bulabilirsiniz. Ya da bu vektörleri bahsedeceğimiz problemleri çözmek için özellik olarak kullanabilirsiniz.

Çözülmesi Hedeflenen Problemler

NLP yöntemleriyle işlediğimiz verileri kullanarak çözülebilecek problemleri inceleyelim. 

Metin Kümeleme (Text Clustering)

Elinizde çok sayıda metin (belge) olduğunu ve bunların hiçbir şekilde kategorize edilmemiş olduğunu varsayalım. Bu metinlerin içeriklerine bakarak, kullanılan kelimelere göre, hangi dilde yazıldığına göre, yazarın dil kullanımına göre ve benzeri birçok açıdan kümelemek mümkündür. Eğer her bir doküman sadece bir kümeye ait olacaksa buna hard clustering, eğer birden fazla kümeye ait olmasına izin veriliyorsa soft clustering adı verilir. 

Kümeleme yöntemleri, düz (flat) ve hiyerarşik (hierarchical) olmak üzere iki yaklaşımdan birini benimserler. Hiyerarşik kümelemede tüm belgeler başta tek bir kümeye aittir. Algoritma, bu tek kümeyi, belgelerin benzerliklerine ve farklılıklarına göre iki kümeye ayırmaya çalışır. Ardından bu iki kümeyi de kendi içlerinde iki kümeye ayırmaya çalışır. Bu böyle devam eder ve dallanıp budaklanan bir ağaç yapısı oluşur. Hedeflediğiniz sayıda kümeye ulaştığınızda bu süreci durdurabilirsiniz. Bu yaklaşıma Bölücü (Divisive / top-down) denir. Bunun tam tersi olan Birleştirici (Agglomerative / bottom-up) yaklaşımda, tüm belgelerin birer küme olduğu varsayılır ve en benzeyen kümeleri birleştirerek 2’li kümeler, ardından 4’lü kümeler vs. oluşturarak ilerlenir.

Belgeleri benzerliklerine göre birleştirmek ya da ayırmak içinse belgelerin matematiksel matris formuna getirilmesi gerekmektedir. Bu amaçla önceki bölümde işlediğimiz NLP yöntemleri kullanılmaktadır. Ardından iki belgenin birbirine benzerliğini hesaplayacak olan bir uzaklık formülü tanımlanmalıdır. Sonra bu formül ve seçilen bir algoritma ile kümeleme işlemi gerçekleştirilebilir.

Hiyerarşik kümelemeye alternatif olan düz kümeleme yöntemlerinin başında k-means algoritması gelir. Bu algoritma ise belgeleri özellik sayısınca boyutlu bir uzayda noktalarla temsil eder. Önce her belgeyi rastgele bir kümeye atar. Sonra uzay düzleminde ele aldığı her bir noktayı (belgeyi), merkezi (ortalaması) kendisine en yakın olan kümenin içerisine dahil eder. Ardından bu işlemleri kümeler arası geçişler bitene kadar defalarca tekrar eder.

Metin Sınıflandırma (Text Classification)

Belgeleri önceden belirlenmiş bazı sınıflardan bir veya birkaçı ile ilişkilendirme problemidir. Örneğin size gelen bir e-postanın spam olup olmadığı, bir yazının olumlu/nötr/olumsuz duygu içerdiği (sentiment analysis), bir mesajın ne gibi bir talepte bulunduğu (intent detection) gibi sorunları metin sınıflandırma yöntemleriyle çözeriz.

Sınıflandırmayı en yaygın kullanımı olan ikili sınıflandırma üzerinden ele alalım. Kümeleme öncesinde olduğu gibi özellik çıkarımı yapılıp bir matris elde edildiği ve matrisin her bir satırının bir belgeye denk geldiğinde, satır sayısı kadar öğe içeren bir vektör de sınıflandırma algoritmasına sunulmalıdır (bakınız Tablo 2.6.2).

 

dünya

sağlık

devlet

hastane

insan

SINIF

Belge 1

0.9

0.0

0.8

0

0.9

0

Belge 2

0.1

1.0

0.1

0.9

0.7

1

Belge 3

1.0

0

0

0

0.8

0

Tablo 2.6.2: Sınıflandırma algoritmasına verilen veri örneği

Sınıflandırma algoritması, her bir belgeye karşılık gelen özellik değerleri ile sınıf bilgisi arasında ilişki kurmaya çalışacak; üreteceği bir fonksiyon ile kendisine verilen belgelerin hangi sınıfa karşılık geleceğini tahmin edecektir. 

Konu Tespiti (Topic Modeling)

Bir yazının hangi konuları ele aldığını tespit eden etme problemidir. Gözetimsiz öğrenme ile yapılabilmektedir, herhangi bir etiket gerektirmemektedir. Problemin çözümünde en yaygın kullanılan yöntemler şunlardır:

  • Latent Semantic Analysis (LSA) (Evangelopoulos, 2013)
  • Probabilistic Latent Semantic Analysis (PLSA) (Hoffman, 1999)
  • Latent Dirichlet Allocation (LDA) (Blei, 2003)
  • Correlated Topic Model (CTM) (Blei, 2006)

Metin Çıkarımı (Text Extraction)

Bir diğer problem ise bir metindeki önemli parçaların anlamlandırılmasıdır. Örneğin bir haber metnindeki yer, zaman ve kişi bilgilerinin yapay zeka tarafından tespit edilmesi, arama ve analiz noktasında kolaylık sağlayacaktır. Benzer şekilde bir akademik makalede geçen bazı genlerin isimlerinin çıkarılması (Campos, 2012; N, K., 2016), büyük resmi görme ve çok sayıda makalenin sentezini yapmak için son derece faydalıdır. Bu yapılan işleme Varlık İsmi Tanıma (Named Entity Recognition) denmektedir. Aynı cümlede geçen genlerin nasıl etkileştiğini anlayabilmek için ikisi arasındaki ilişkiyi tespit etmeye ise İlişki Çıkarımı (Relationship Extraction) denmektedir. 

Bazı kelimeler birden fazla anlamda kullanılabilmektedir. Örneğin Berlin yazıldığında bağlamına göre Almanya’nın başkenti ya da Almanya hükümeti kastediliyor olabilir. Kelime Anlamı Netleştirme (Word Sense Ambiguation) yöntemleri kelimelerin hangi anlamda kullanıldığını tespit etmeye çalışmaktadır.

Bununla birlikte cümle içindeki kelimelerin dilbilgisi yönünden incelenip hangi kelimenin hangi görevde olduğunu tespit etmeye yarayan sürece ise Konuşma Kısmı Etiketlemesi (Part of Speech – POS) adı verilmektedir. Bu yöntem uygulandığında her cümlenin fiilini, özne ve nesnesini tespit edebilirsiniz.

Metin Özetleme

Bir diğer yöntem ise Metin Sınıflandırma (Text Summarization) dur. Hedefi kendisine verilen metinlerin önemli noktalarını tespit edip ana fikri özetlemektir. Özellikle toplantı notlarının özetlenmesi noktasında faydalı olmaktadır.

Makine Çevirisi

Son dönemlerde sıkça kullandığımız Google Çeviri gibi araçlar ise Makine Çevirisi (Machine Translation) yöntemlerini kullanmaktadırlar. Farklı diller için oluşturdukları dil modellerini eşleştirerek birinde yazılan cümleyi diğerine çevirmek mümkün olmaktadır. Son yıllarda derin öğrenme algoritmalarının kullanıma girmesiyle çok daha doğru çeviriler yapılması mümkün hale gelmiştir.

Metin Üretimi

Son olarak en gelişmiş örneğini GPT-3 adıyla duyduğumuz Metin Üretimi (Text Generation) yöntemleri, kendisine verilen çokça metni okuyarak ne gibi cümleler kurabileceğini öğrenir ve bir dil modeli (language model) oluşturur. Sonra o modeli kullanarak ilk cümlesini verdiğiniz bir cümlenin gerisini getirebilir. Yakın zamanda çıkan GPT-3, insan elinden çıkmış gibi görünen yazılar üretebilmektedir. 

2.7 Regresyon Teknikleri – Özge Gül

Regresyon, denetimli öğrenmeyi gerçekleştirmek için kullanılan standart bir istatistiksel tekniktir (Neapolitan, Jiang, 2018). Bağımlı (hedef) ve bağımsız değişken/değişkenler (öngörücü) arasındaki ilişkiyi araştırır. İstatistiksel anlamda ise regresyon, bir yanıt değişkeni Y ile bir ortak değişken X arasındaki ilişkiyi incelemek için bir yöntemdir (Wasserman, 2004). Bu teknik tahmin, zaman serisi modelleme ve değişkenler arasındaki nedensel etki ilişkisinin bulunması için kullanılır.

Örneğin bulunduğu il, kat sayısı, yaşı, metroya veya önemli merkezlere uzaklığı gibi çeşitli parametrelere göre ev fiyat tahmini yapan bir program yazmak istediniz. Bu durumda regresyonu kullanabilirsiniz. Çünkü elinizde bağımlı değişken olarak ev fiyatı ve bağımsız değişkenler olarak da parametreleriniz bulunmakta. Aynı şekilde girdileri markası, yılı, motor kapasitesi, kilometresi gibi parametreler olan bir araba fiyat tahmininde de kullanabilirsiniz (Alpaydın, 2004).

Pek çok tipte regresyon analizi tekniği vardır. Her yöntemin kullanımı; hedef değişkenin türü, regresyon çizgisinin şekli ve bağımsız değişkenlerin sayısı gibi faktörlerin sayısına bağlıdır. Regresyon teknikleri;

  • Lineer (Doğrusal) Regresyon
  • Lojistik Regresyon 
  • Ridge Regresyon
  • Lasso Regresyonu
  • Polinom Regresyon
  • Bayesian Lineer Regresyondur.

Bunlara ek olarak; aşamalı, nicelik, sıralı, poisson, negatif binom, quasi poisson, cox, tobit, elastik ağ (ElasticNet-Lasso ve Ridge Regresyon tekniklerinin hibrit hali), temel bileşenler, kısmi en küçük kareler, destek vektör de regresyon tekniklerindendir. Bunlardan en yaygın olanlar; doğrusal (lineer) regresyon ve lojistik regresyondur. 

Her regresyon tekniğinin farklı kullanımı vardır. Veri türüne ve dağılıma bağlı olarak hangi regresyon tekniği kullanılacağı belirlenmelidir.

2.8 YZ İçin Veri Yönetimi ve Kalitesi – Esma Sert

Makine öğrenmesi modellerinin çeşitli görevleri en iyi şekilde nasıl gerçekleştireceğini anlamak için, öncelikle modelin bu verileri doğru bir şekilde yorumladığına emin olunmalıdır. Bunun için öncelikle model “training” verileriyle eğitilmesi ve sonrasında validation ya da test verileriyle test edilip doğruluğunun ölçülmesi gerekmektedir. Bir modeli eğitmek için kullanılan girdilere eğitim veri kümesi (training dataset) denir ve modeli değerlendirmek için kullanılan satırlara test veri kümesi (test dataset) denir. Training verilerini modele entegre ettikten sonra başka veriler de eklenerek sistem geliştirilebilir. Makine öğrenmesine sahip olan bir sisteme ne kadar çok kaliteli ve düzgün bir veri sağlarsanız, model o kadar hızlı öğrenebilir ve geliştirilebilir. Veriler birçok farklı şekil ve boyutta olabilir ancak makine öğrenmesi modelleri dört ana veri türüne dayanır. Bunlar; sayısal veriler, kategorik veriler, zaman serisi verileri ve metin verileridir.

Birçok yapay zeka uygulamalarında oluşturulan modelin başarılı olması için ilgili verilerin önceden dikkatlice toplanıp işlenmesi gerekir. Verilerin doğru alanda ve kaliteli olması modelin sonuçlarını %80 etkilediği görülmüştür. Bu nedenle verinin hazırlanması ve temizlenmesi çok önemli bir araştırma konusudur. Bununla birlikte veri madenciliği alanındaki birçok çalışma kaliteli veriler sayesinde ortaya çıkmıştır. Veri madenciliği algoritmalarının girdilerinin güzel bir şekilde dağıtıldığı, tüm özelliklerinin önemli olduğu, eksik veya yanlış değerler içermediği varsayılır. Eğer bu sebepten dolayı eğer verilerdeki eksiklikler gözden kaçırılırsa, bu bizi bazen yanlış sonuçlara götürebilir. Örneğin; verilerde gizli olan kullanışlı kalıpların gizlenmesine, düşük performansa ve düşük kaliteli sonuçlara yol açar.

Veri tabanlarındaki verilerinin işlenmesinin önemli olmasından dolayı veri tabanı teknolojilerinin gelişimi hızlanmış ve uygulamaları yaygınlaşmıştır. Genel hatlarla 4 adım vardır; problemi tanımlama, veri ön işleme (veri hazırlama), veri madenciliği ve veri madenciliği sonrası. (Zhang 2003)

Veri hazırlama, temel olarak veri toplama, veri entegrasyonu, veri dönüştürme, veri temizleme, veri azaltma ve veri ayrıştırma dahil olmak üzere kaliteli veriler elde etmek için ham verilerin analiz edilmesi ile ilgili teknikleri içerir.

Birçok veri madenciliği uygulamalarının temelinde ham verinin hazırlanmasının ve temiz, düzgün verinin elde edilmesi büyük önem arz etmektedir. Bu nedenle, kaliteli verilerin hazırlanmasına ve bu verilerin hazırlanmasına yönelik önemli bir derecede yardımcı olabilecek araçların tasarlanmasına güçlü bir ihtiyaç vardır. Verilerin hazırlanması bazı açılardan dolayı güç olabilir. Bunun sebebi; gerçek dünya verilerinin saf olmaması, kaliteli verinin eksikliği veya azlığıdır. Ancak veri hazırlama süreci titizlikle yürütülürse elde edilen işlenmiş kaliteli veriler kaliteli modelleri elde etmemizi sağlar.

Maddelere baktığımızda, verilerin işlenmesi, temizliği ve hazırlığının küçük bir görev olmadığı anlaşılabilir. Araştırmacılar verileri verimli bir şekilde kullanmak ve yönetmek için uygun teknikler geliştirme çabalarını yoğunlaştırmışlardır. Veri madenciliğinde, araştırmalar içerisinde veri analizi uygulamalarını destekleyebilirken, kullanılacak verilerden verimli ve kaliteli bilgi keşfi sağlamak ve ham verilerden kaliteli veriler çıkartmak çok önemli ve kritik bir etkiye sahiptir. Bu nedenle, uygulama öncesi veriyi hazırlamak ve hazırlanması için gereken teknoloji ve metodolojiyi daha da geliştirmek kayda değer bir görevdir.

2.9 YZ Avantaj-Dezavantajları – Ahmet Emre Aladağ  

Yapay Zeka, bir yandan hayatımızı son derece kolaylaştırırken, bir yandan pek çok kişiyi endişelendirmektedir. Gelin yapay zekanın potansiyel avantaj ve dezavantajlarını inceleyelim.

Avantajları

Yapay zeka, insan zihninin yapabildiği şeylerden bazılarını matematiksel hesaplamalar yoluyla hızlı bir şekilde yapmaktadır. Bir insanla kıyaslandığında genellikle binlerce kat daha hızlı hesap yapma kapasitesine sahiptir. İnsanların yapmakta yavaş kalacağı, sınırları ve işlemleri belirli problemleri çözmekte yapay zeka oldukça başarılıdır. Bu hızlı hesaplamanın faydalarını günümüzde birçok alanda görüyoruz.

En Kısa Güzergâh:

En bariz örneği navigasyon sistemlerinin trafiğe göre en kestirme yolu tarif edebilmeleridir. A* (A-star) (Hart et al., 1968, p. 100-107) gibi algoritmalar haritada en kestirme yolu bulma gibi problemlerde kullanılmaktadır. Bu algoritmaların hızlıca hesap yapması, bize durup düşünme fırsatı bile vermeden güzergahımızı belirleme ve hedefimize ulaşma imkanı sunmaktadır.

Otonom Araçlar:

Bir diğer örnek pekiştirmeli öğrenme (Reinforcement Learning) yöntemiyle nasıl bir yol sürüş yapacağını öğrenen otonom ve yarı otonom araçların insanları araba sürme zahmetinden kurtarmasıdır. Her ne kadar yapılması doğru olmasa ve bunun için zaman olsa da yollardaki birçok yarı otonom aracın içerisinde uyuyarak giden insanları görmek şimdiden mümkündür. Sürekli yola odaklanmadan gitmek bile sürüş yorgunluğunu azaltabilir. Bu gibi sistemler bize rahatlık sağlamaktadır.

Robotlar ve Otomasyon:

Günümüzde hassasiyet ve hız isteyen üretim süreçlerinde yapay zeka ile çalışan robotlar kullanılmaktadır. Bu robotlar yapay zeka teknolojilerini kullanarak aynı işi insan işçi kullanmaya kıyasla çok daha hızlı, ekonomik ve hatasız yapmaktadırlar. Bu açıdan yapay zeka, endüstrilerin gelişmesi için son derece yararlıdır. İnsana zor gelen işlerin otomatik hale gelmesi, insanların entelektüellik ve yaratıcılık gerektiren daha keyifli işlere kaymasına imkân tanımaktadır.

Tıbbi İşlemlerde Hassasiyet:

Tıbbi işlemler son derece hassasiyetle ele alınması gereken işlemlerdir. En başta ameliyat esnasında uygulanacak prosedürlerin titizlikle yapılması gerekmektedir. DaVinci gibi robotlar hekimlerimizin yüksek hassasiyetle minimal invaziv robotik ameliyat yapmalarına, komplikasyonları ve iyileşme süresini en aza indirmelerine yardımcı olmaktadırlar. Benzer şekilde MR, fMRI, tomografi gibi görüntüleme yöntemlerinde bir hekimin gözüyle fark etmesinin zor olduğu tümörleri yapay zeka sistemleri tespit edebilmektedir ya da uzman bir hekimin görebileceği ancak uzman hekim eksikliği çekilen bölgelerde diğer branşlardan hekimlerin de yapay zekadan faydalanarak gerekli sevkleri vakit kaybetmeden yapabilmelerine imkân tanıyacaktır. Bu açılardan bakıldığında yapay zeka, hekimlerin yerini almayacak, hekimlerin işlerini son derece hızlandıracak ve hata payını düşürecektir.

Bilimde İlerleme:

Yapay zeka, insanların göremeyeceği kadar karmaşık örüntülerin tespitinde son derece başarılıdır. Çok sayıda bilinmezin olduğu bilimsel araştırmalarda çok sayıda değişken arasındaki ilişkileri fark edebilmesi, yapay zekanın bilimsel ilerlemede son derece etkin bir rol almasını sağlamıştır. Örneğin Drug Discovery adı verilen yeni ilaç bulma çalışmalarında yapay zeka yöntemleri bu süreci son derece hızlandırmakta, yeni yeni ilaçların daha kısa sürede hastaların kullanımına sunulması sağlanmaktadır.

Dezavantajları / Riskleri

İş Kayıpları:

En büyük dezavantaj olarak yapay zeka ile çalışan robotların kullanılmasıyla insan işgücüne olan ihtiyacın azalması ve işsizliğin artması gösterilebilir. Günümüzde birçok sektörde, özellikle de eğitim gerektirmeyen iş kollarında robotlar insanların yerini alacaktır. İşsizliğin artması gelir adaletsizliğine ve toplumsal kargaşalara sebep olabilecektir. En büyük risk üretim çalışanları, bankacılar, inşaat çalışanları, toplu taşıma ve taksi sürücüleri, finansal analiz sunan brokerlar, sigorta şirketleri, tarla çalışanları, güvenlik sektörü, sağlık sektörü gibi sektör ve çalışanlar için gözükmekte (Shead, 2017).

Etik Sorunlar:

İşsizliğin belli bir kesimde artması, gelir adaletsizliğine sebep olmaktadır. Bu da etik bir sorundur.

Bununla birlikte yapay zeka, insanlar tarafından geliştirildiği ve mükemmel şekilde eğitilemeyeceği için hata yapması kaçınılmazdır. Yapacağı bir hatanın insan canı, malı ya da doğa üzerinde bir olumsuz etki oluşturması durumunda bunun sorumluluğunu kim alacaktır? Bu hala üzerinde tartışılan bir konudur.

2021 yılı itibariyle kendi kendine gidebilen araçlar olsa da tartışmaların bitmemesi sebebiyle tam otomatik oldukları iddia edilememekte, sürücülerin acil bir durumda kontrolü devralmaları istenmektedir. Böylelikle olası bir kaza durumunda sorumlu yarı-otomatik araç üreticisi değil, sürücü olmaktadır. Tam otomatik bir yapay zekanın devreye girebilmesi için etik sorunların çözülmesi gerekmektedir. Kendi kendine giden tam otomatik araçların karar mekanizmasının bir uzlaşı ile belirlenmesi gerekmektedir.

Örneğin aracın (sis sebebiyle göremediği) yolun ortasında duran 5 kişiyi son anda fark etmesi ve durmasının imkansız olduğu durumda birçok seçeneği olduğunu düşünelim: Düz giderek ortadaki insanlara çarpmak, hafif kenara kırarak kenardaki bir tanesine çarpmak, direksiyon iyice kırarak kaldırımdaki birisine çarpmak, direğe çarpmak, karşı şeritten gelen bir araca çarpmak. Kuralları çiğneyerek yol ortasında duranlara mı çarpsın? Yoldan geçen ya da karşı şeritten gelen masumlara mı çarpsın? Yoksa direğe çarparak araç sahibine mi zarar versin? Çözmesi son derece zor bir problem.

Sağlık alanında düşünecek olursak bir yapay zekanın sağlık verilerini analiz ederek bir teşhiste bulunduğunu ve hasta için “derhal beyin ameliyatına alınmalı” kararı verdiğini düşünelim. Ameliyata alınan hastanın beynine müdahale edildiğinde kalıcı hasar meydana gelmesi mümkündür. Eğer teşhis hatalıysa ve hasta yok yere ameliyata alınarak zarar gördüyse bunun sorumluluğunu kim alacaktır? Bu noktada yorumlanabilir (interpretable) yapay zeka modellerinin kullanılması sorumluluğu hekimlere bırakabilir. Böylelikle yapay zekanın neye dayanarak bu kararı verdiğini anlama imkânı doğacaktır. Hata yaptığının düşünülmesi durumunda yapay zekanın değerlendirmesi önemsenmeyecektir. Ancak kara kutu şeklinde nasıl çalıştığı bilinmeyen modellerde böyle bir imkân bulunmamaktadır.

Yapay zekanın eğitiminde kullanılan veriler, yapay zekanın nasıl davranacağını belirlemektedir. İyi bir tasarım yapılmaması durumunda istatistiksel olarak en yaygın kanıya dayanarak karar vermeye yönelebilir. Örneğin işe alımlara yapay zekanın karar verdiğini düşünelim. Geçmiş performanslara bakıldığında başarılı performans gösteren yazılımcıların çoğunluğunun beyaz erkekler olduğunu gören algoritma, yeni işe alımlarda ne kadar iyi olsalar da kadınları ya da beyaz tenli olmayan olan insanları tercih etmeyebilir. Bu durum 2018 yılında Amazon’un işe alım sisteminde ortaya çıkmıştı (Reuters, 2018). Benzer şekilde başarılı hemşirelerin çoğunluğunun kadın olduğunu görüp yeni işe alımlarda kadın hemşireleri tercih edebilir. Yapay zekanın bu tür önyargılara (bias) düşmeyecek şekilde tasarlanması gerekmektedir. Google Translate gibi otomatik çeviri sistemleri, isimlerin cinsiyetinin olmadığı Türkçe gibi dillerden cinsiyet ayrımının olduğu İngilizce gibi dillere çeviri yaparken bir hemşireden bahseden “o” kelimesini “she” olarak çevirirken hekimden bahseden “o” kelimesini “he” olarak çevirmekteydi. Sonradan yapılan çalışmalarla bu durum düzeltildi. Bununla birlikte yeni geliştirilecek yapay zeka sistemlerinin bu tür önyargılara sahip olmaması için dikkatle tasarlanmaları gerekmektedir.

Bir diğer örnek olarak Microsoft’un geliştirdiği ve bir Twitter hesabına bağladığı Tay adlı chatbot’u verebiliriz. Bu hesabın arkasındaki yapay zeka Twitter’da yazılanları okuyarak öğrenmekte, kendi cümlelerini ve yanıtlarını da öğrendiklerine dayanarak güncellemekteydi. Ancak beklenmedik bir durum oldu ve Tay, Twitter’daki toksik insanları örnek almaya başladı ve ırkçı yorumlar yapmaya başladı. Bunun üzerine Tay, yayından kaldırıldı (Hunt, 2019). Bu da gösteriyor ki kendisine net etik çerçeve çizilmeyen yapay zekaların etik olmayan davranışlarda bulunma ihtimali mevcuttur.

Robot İhtilali:

Birçok insanın en çok korktuğu konuların başında yapay zekanın ve robotların bilinç geliştirip insanlara karşı ayaklanması gelmektedir. Böyle bir zamanın gelip gelmeyeceğini hiç kimse net olarak bilmemekle birlikte 2021 itibariyle bu aşamaya daha çok var gibi görünmektedir. Mevcut yapay zeka sistemleri genellikle belirli konularda eğitilip çalışabilen sistemler olmakla kalmaktadır. Yani tasarlanan bir alışveriş sohbet botu, sadece alışverişle ilgili konularda öğrendiği ölçüde yanıtlar verebilir, başka şeyler yapamaz. Bununla birlikte hastalık tahmini yapan bir sistem sadece bu işi yapabilir, ameliyat yapan robot, sadece ameliyat yapabilir. GPT-3 gibi kendisine verilen bir cümleyi mantıklı bir şekilde devam ettirerek gayet anlaşılır ve mantıklı metinler üretebilen sistemlerin gelişmesi, bu kısıtlılıktan çıkışın ilk adımı gibi görünmekte. Ancak tam manasıyla kendi varlığının bilincinde olup hayatta kalma içgüdüleriyle hareket eden robotların yapılmasına daha var. Gerçekleşir mi? Bilemiyoruz.

Silahlanma:

Yapay zekanın gelişmesiyle insanların fiziksel varlığı gerekmeden çalışan, hedefleri nokta atış vurabilen silah sistemleri gelişmekte. Şimdilik Silahlı İnsansız Hava Araçları (SİHA) bu akımın öncüsü olmakta. Bununla birlikte şu anda geliştirilmekte olan robot savaşçıların kullanıma geçmesi durumunda bu gücün sahiplerine karşı savaşmak bir hayli zor olacaktır.

Bununla birlikte savaşma ya da saldırma kararlarının yapay zekaya bağlanması durumunda tehdit olmadığı halde yanılan bir yapay zekanın yok yere savaş başlatması ya da masum sivilleri vurması söz konusu olabilir.

Gizlilik ve Güvenlik İhlalleri:

Yapay zeka, otoriter rejimlerin elinde etik olmayan ihlallere sebep olabilmektedir. Örneğin günümüzde Çin, MOBESE benzeri yüz tanıma sistemlerini kullanarak sivil ve masum halkın özel hayatlarını izlemektedir. Bu durum özel hayatın gizliliğinin ve mahremiyetin ihlali anlamına gelmektedir. Her vatandaşın bir vatandaşlık puanı vardır ve davranışlarınıza göre vatandaşlarına hak vermekte ya da haklarından mahrum etmektedir.

Bir başka mahremiyet ihlali örneği verecek olursak, yapay zeka desteğiyle başarıyla uçabilen ve havada kalabilen dronelar, izinsiz şekilde başkalarının mahrem alanlarını görüntüleyebilmektedir. Her ne kadar bu ihlalleri tamamen ortadan kaldıramasa da drone kullanımının kanunlarla düzenlenmesi kısmen etkili olacaktır.

 

2.10 YZ’da Kara-kutu (Black Box) ve Önyargı – Ahmet Emre Aladağ 

Kara-Kutu (Black Box)

Black Box, girdisini ve çıktısını görebildiğiniz ancak içinde nasıl bir mekanizmanın çalıştığını göremediğiniz sistemlere yapılan bir yakıştırmadır. Yapay zekada black box dediğimizde ise hangi kriterlere dayanarak nasıl karar verdiğini bilmediğimiz bir yapay zeka sistemi akla gelmektedir. Yapay zeka önerisinin her zaman doğru olduğu veya bu öneriyi uygulamanın hiçbir risk barındırmadığı durumlarda black box olması ciddi bir sorun oluşturmaz. Ancak özellikle hayati önem taşıyan kararlarda ve yanılma payı olduğunda sonuca nasıl ulaştığını sorgulamak gereklidir.

Örneğin tıbbi verilere bakarak “bu kişi derhal ameliyat olmalı ve şu organı alınmalıdır” gibi bir yargıda bulunan yapay zeka eğer neden bu yargıya ulaştığını açıklayamıyorsa hekimler bu öneriyi uygulamakta tereddüt edeceklerdir. Yapay zeka sistemleri çoğunlukla istatistiksel yöntemlerle çalıştığı için doğru modellenmediği, yeterli veri olmadığı ya da veri dağılımının düzensiz olduğu zamanlar önyargı sahibi olabilirler. Hekimler birbirlerinin mantık hatalarını tespit edip birbirlerini uyarabilirler ancak black box olan bir sistemi anlamak ve hatasını fark etmek mümkün değildir. Eğer hekimler bu sebepten yapay zekaya güvenemezse yapay zeka sistemi kabul görmeyecek, geliştirilmesindeki tüm emeklere rağmen faydalı olamayacaktır. Yapay zekanın gerçekten toplumda yer etmesi için ona gözü kapalı güvenebileceğimiz günlerin gelmesi gerekmektedir. Bunun için de bu sistemlerin yorumlanabilir ve hata payı çok düşük olması gerekmektedir.

Her yapay zeka sistemini black box olarak nitelendirmek doğru değildir. Örneğin karar ağaçları algoritması ile eğitilen modeller bir şema üzerinde açıklanabilir. Lineer veya Lojistik regresyon yöntemleri ise bir formül üretir ve hangi özelliğe ne kadar önem (katsayı) verdiğini belirtir. İki tür modelde de hangi verileri ne kadar önemseyerek kullandığını görebilir, aynı hesaplamaları elle yapabilirsiniz. Bu gibi yöntemlerin ürettiği modeller anlaşılabilir (yorumlanabilir) modellerdir.

Bununla birlikte yapay sinir ağlarının, özellikle de çok katmanlı yapay sinir ağı kullanan derin öğrenme yöntemlerinin ürettiği modellerin nasıl çalıştığını anlamak imkansıza yakındır. Bu tür yapılar black box sistemlere verilebilecek en güzel örneklerdir.

Black box sistemlerin bunca tedirginliğe yol açması sebebiyle Explainable AI (açıklanabilir yapay zeka) üzerinde çalışmalar yürütülmektedir (Xie, 2020).

Önyargı

Yapay zeka sistemleri genellikle istatistiki yöntemlere dayandığından eğitilmesi için kullanılan verilerin sağlıklı bir genellemeye imkan tanımayacak şekilde yanlı (biased) olması durumunda eğitilen yapay zeka sisteminin önyargılı sonuç üretmesi muhtemeldir. Bu sebeple eğitim için kullanılan verilerin gerçek hayattaki tüm verileri temsil edip etmediği önceden araştırılmalıdır. Verinin dengeli olması için fazladan uç durumlar eklenmelidir, ya da denge sağlamak için eğitim için kullanılan verilerin bir kısmı çıkarılmalıdır.

Önyargılara bazı örnekler verecek olursak, Amazon’un özgeçmiş değerlendirme yapay zekasının, beyaz erkeklerin daha başarılı olduklarını düşünüp bu gruba ayrıcalık tanıdığı ortaya çıkmıştır (Dastin, 2018). Google Çeviri uygulaması yakın zamana kadar hemşireden bahseden üçüncü tekil şahsı dişil (she), tarihçiden bahsedeni ise eril (he) olarak çevirmekteydi (Female Historians and Male Nurses Do Not Exist, Google Translate Tells Its European Users, 2020). Sosyal medyadaki bazı tavsiye algoritmaları ise beğenilerinize göre sevebileceğiniz gönderileri size gösterme niyetiyle yola çıkmış olsalar da hep bu tür gönderiler görmek istediğiniz önyargısına düşmektedirler. Bu durum dünyada fikirlerin radikalleşmesine, insanların farklı düşüncelerdeki grupların düşüncelerine erişememesine sebep olmuştur. Yine Google’ın yapay zeka ile görsel tanıma uygulaması, insan şekillerindeki siyah varlıkların goril olduğu önyargısına kapılarak siyahi Amerikan çifti “goriller” olarak etiketlemişti (Vincent, 2018). Bu gibi önyargılar, etik olarak kabul edilemez sonuçlar doğurmaktadır. Bu sebeple potansiyel uç durumların iyi düşünülmesi, modellerin testlerinin iyi yapılması ve modelleri geliştirmek için geribildirim alınması son derece önemlidir.

3.1 YZ ve Mobil teknolojiler – Arş. Gör. Seda Çetin Avcı 

Yapay zeka, hızlı ve doğru bir şekilde karar vermeyi sağlamak için büyük veri kümelerinin hızlı ve kapsamlı analizini sağlamaktadır. Bilgiyi algılayarak, işleyerek ve çıktıdaki hatayı en aza indirirken verimliliği en üst düzeye çıkaran eylemler gerçekleştirerek bir insan beynini taklit etmek için inşa edilmiştir. Problemleri öğrenme ve çözme, rasyonelleştirme ve hedef odaklı olma becerisine sahiptir. (Ellahham ve ark., 2020). Mobil teknolojiler de günlük yaşantımızın tüm boyutlarında kullanılmaktadır ve birçok fayda sağlamaktadır (Odeh ve Odeh, 2020). Mobil teknolojiler bireylere yeni bir özgürlük alanı sunmaktadır. Ayrıca mobil teknolojiler yenilikçi ve uygun maliyetli bir halk sağlığı müdahalesi de sağlamaktadır. Gelişmiş ülkelerde mobil teknolojilerinin çeşitli halk sağlığı programlarında etkili olduğu gösterilmiştir (Jacobson ve ark., 2018; Stockwell ve Fiks, 2013). 

Yapay zeka, mobil uygulamaların her bilgi parçasını öğrenmesine, doğaçlama yapmasına ve ardından gerekli eylemi yapmasına yardımcı olmaktadır. Aslında yapay zeka ile entegre edilmiş mobil teknolojiler, insanlara sonsuza kadar yanlarında olan, destekleyen ve karar vermelerine yardımcı olan bir yol arkadaşı edinmelerini sağlamıştır. Bir birey telefonuna ortalama iki buçuk saatten fazla bakmakta ve bir günde yaklaşık 35.000 karar vermektedir. Akıllı telefonlarımız, yapmamız gereken seçimlerde bize yardımcı olmaktadır ve bunu yapay zeka özelliği ile gerçekleştirmektedir. Ayrıca gün geçtikçe telefonlarımızdan aldığımız destek artmakta ve mobil teknolojiler bizlerin en iyi arkadaşı olmaktadır (Llanasas, 2020).

Yapay zeka mobil teknolojileri geliştirmeye hızla devam etmektedir. Mobil uygulamayı kullanan kişinin davranışını tahmin edebilen ve kararlar alabilen akıllı yazılım parçaları ile mobil uygulamaların gelişimini güçlendirmektedir. Mobil teknolojilerde yapay zeka kullanıldığında mobil cihazların kişiselleştirilmesi, güvenliği, verimliliği, performansı, hızı ve yüz tanıma sistemi konusunda oldukça destek sağlamaktadır. Ayrıca yapay zeka, mobil uygulama endüstrisinde inovasyon için sayısız olasılık sunar ve mobil uygulama geliştirmenin de geleceğini oluşturmaktadır. O nedenle mobil uygulamalarda yapay zekanın etkinleştirilmesi hem geliştiriciye hem de kullanıcıya çok büyük yararlar sağlamaktadır. Akıllı telefon kullanımının artmasıyla birlikte, hepimizin ileri düzeyde bir veri güvenliğine ihtiyacımız vardır. Güvenlik, Android geliştiricileri için en büyük endişelerden biri olmuştur. Makine öğrenimi ve derin öğrenme algoritmaları ile geliştirilmiş yapay zeka sayesinde, kimlik doğrulaması sorunsuz bir deneyim haline gelmektedir. Ayrıca yapay zeka, kullanıcılara olası tehditler hakkında uyarılar vermek için etkinleştirilebilir. Aslında şu an bile mobil teknolojilere entegre edilen yapay zekayı kullanıyor ve yararlarını görüyoruz. Örneğin; telefonlarda bulunan yüz tanıma sistemi için yapay zeka tabanlı bir algoritma kullanmaktadır. Böylece telefonlar, yüz özellikleri veya sakal gibi yüz değişiklikleri olsa bile kullanıcının yüzünü kolayca tanımlayabilmektedir. Diğer bir örnek ise, telefonlarımızda bulunan metin, ses veya görsel arama modlarıdır. Diyelim ki, satın almak istediğiniz bir şey gördünüz ama adına ne dendiğini veya nasıl bulacağınızı bilmiyorsunuz. Görsel arama, onu tanımlayacak kelimeleri bilmeseniz bile istediğinizi bulmanıza yardımcı olmaktadır, örneğin; ‘Google Lens’. Telefonlarımızdaki sanal asistanlar, uyarlanabilir parlaklık derecesi ve uyarlanabilir pil seviyeleri de mobil cihazlarda kullanılan yapay zekaya örneklerden birkaçıdır.

Sonuç olarak yapay zeka akıllı bir teknolojiden daha fazlasıdır. Yapay zeka, uygulama endüstrisi üzerinde geniş kapsamlı ve çok boyutlu bir etki yaratmış olup bu etki mobil uygulama geliştiricilerinin uygulamalarına daha fazla yapay zeka entegre etmelerine neden olmuştur. Mobil teknolojiler ve yapay zeka mükemmel bir eşleşmedir. Yapay zekanın mobil teknolojilerde kullanılmasıyla daha kişiselleştirilmiş ve kullanıcı dostu mobil teknolojiler ortaya çıkacaktır.

3.2 YZ ve XR teknolojileri – Fulya Yoldaş 

Geliştirdiğimiz ileri teknolojiler sayesinde içinde yaşadığımız fiziksel dünyaya alternatif olarak sanal dünyanın kapıları her geçen gün biraz daha açılmaktadır. Extended Reality (XR) teknolojileri, fiziksel dünyamız ve içerisinde algıladığımız gerçeklik ile bilgisayar kaynaklı her türlü görsel, işitsel veya dokunma duyusuna dayalı veriyi birleştirerek, insanların daha önceden yaşamadıkları bir gerçeklik deneyimine dalmalarına yardımcı oluyor. XR teknolojisi yapay zeka ile birlikte kullanıldığında ise karmaşık işlemleri ve karmaşık sistemleri yönetmeye yardımcı olmak için özel bir sinerji oluşturabilir. (Genişletilmiş Gerçeklik (XR) Evrenine Giriş-101, 2019) (Chang, 2020)

XR teknolojileri, artan işlemci kapasiteleri ve hızla düşen maliyetleri ile hayatımızda hızla yer almaya başladı bile. Bu teknolojiyi Artırılmış Gerçeklik (Augmented Reality), Sanal Gerçeklik (Virtual Reality) ve Karma Gerçeklik (Mixed Reality) teknolojilerinin hepsini kapsayan bir terim olarak düşünmek mümkün. Kullanılan donanımlar yardımı ile kullanıcılar bilgisayar kaynaklı verileri istedikleri zaman ve istedikleri yerde görebiliyorlar. Veriler gerçek mekanlar ve objeler üzerinde görüntülenebilirken aynı zamanda kullanıcının tamamen sanal ortamlar içerisinde VR modunda da deneyimlenebilir. Bu özelliği, bu teknolojiyi vazgeçilmez kılan sebeplerden yalnızca biri.

XR teknolojisinin faydalarından sağlıkta da yararlanılıyor. Klinisyenler, bu sayede hastaların sağlık durumları hakkında gerçek zamanlı raporlar verebilir. Ayrıca, XR teknolojisi koordinasyonu yükseltir ve hastalara tanı konmasını da kolaylaştırır. Cerrahların tıbbi bir prosedürden önce hastanın hedef organını keşfetmesine ve hastanın kişisel farklılıklarını resmederek tedavinin kişiselleştirilmesine yardımcı olur.  (Dialani, 2020)

XR aktif öğrenmeyi de destekleyen bir araçtır. Örneğin tıp fakültesi öğrencilerine yetkinlik ve beceri kazandırılabilir. Öğrenciler, gerçek hastalarla karşılaşmadan hatalarını en aza indirgeyip simülasyonlar üzerinde deneyim kazanabilirler. Bu tarz simülasyonlarda maketlere yüklenen yapay zeka sayesinde mimikler aracılığıyla, maket hastanın mutlu mu mutsuz mu canı yanıyor mu anlayabilirler. (Sağlıkta simülasyon uygulamalarında yapay zeka dönemi, 2019)

Yapay zeka ve XR teknolojilerinin bir araya gelerek daha etkili olmalarından dolayı YZ + XR teknolojisine dijital ikizler de denebiliyor. Dijital ikiz kavramı üretim alanında sıkça kullanılırken sağlık hizmetlerinde nispeten daha az yaygın. Dijital ikizlerin sağlık hizmetlerinde son derece yardımcı olacak bir yönü, veri sentezleme yeteneği. Verimliliği ve güvenliği en üst düzeye çıkarmak için bir ameliyathanedeki senaryoların planlanmasında dijital bir ikiz kullanmak buna bir örnek olabilir. Ek olarak dijital ikizler güvenlik profilini ve maliyet yapısını tahmin etmede de kullanılabilirler. (Chang, 2020)

Görüldüğü gibi yapay zeka ve XR teknolojileri ayrı ayrı da sağlık sektöründe çokça fayda sağlıyorlar. Fakat YZ + XR şeklinde kullanılmaları durumunda, sağlık hizmet merkezlerinde iş akışı optimizasyonundan çeşitli tedavilerin siliko denemelerine ve kronik hastalık yönetimine kadar birçok alandaki yararlarını arttırabiliriz. Böyle bir gelecek hem tıp eğitimini kolaylaştıracak hem tedavi sürecini ve tanı konmasını hızlandıracak hem de kişiselleştirilmiş tıp yolunda ilerleyebilmek için bize kolaylık sağlayacaktır.

 

3.3 YZ ve Giyilebilir Cihazlar – Zeynep Şanlı 

Giyilebilir teknoloji, mevcut literatürde yer alan basit tanımlara göre, “aksesuar olarak takılabilen, giysiye gömülebilen, kullanıcının vücuduna implante edilebilen ve hatta cilde dövme yapılabilen bir elektronik cihaz kategorisidir.” şeklinde tanımlanabilir. Bu bağlamda giyilebilir teknolojinin boyuna takılabilen cep saatlerinden, günümüzde sağlığımız hakkında geri dönüşler veren akıllı saatlere kadar oldukça uzun süre zarfı içinde hala geliştiğini görmek kaçınılmazdır.

Bir ürünün giyilebilir teknoloji olabilmesi için ürünün akıllı sensörlerden gelen bilgileri bilgisayara kablosuz bağlantılar ile aktarması gerekir. 

Giyilebilir cihazların popülaritesinin artmasında büyük rol oynayan Nesnelerin İnterneti (IoT) kavramının bir alt dalı olarak Sağlık Nesnelerinin İnterneti (IoHT) olarak bilinen bir kavram ortaya çıkmıştır. Bu sayede Tıbbi cihazlarda Nesnelerin İnterneti ile, makineden makineye (M2M) iletişimin gerçekleşmesi, sensörler tarafından gönderilen verilerin yakalandığı, depolandığı ve analiz edildiği bir bulut platformuna bağlanılması mümkün hale gelmiştir.

Yarı iletken teknolojisinin gelişmesiyle, elektronik cihazların boyutları küçülür, ancak işlev açısından gittikçe daha güçlü hale gelir. Akıllı telefonlar, akıllı bileklikler, akıllı saatler gibi farklı giyilebilir cihazların gün boyu insanların günlük yaşamları hakkında büyük miktarda sensör verisi toplama yeteneğine sahibiz. Toplanan daha fazla veriyle, davranış algılama, hareket algılama ve psikolojik baskı uyarısı gibi bir dizi uygulama geliştirilebilir. Veri hacminin ve türünün bu şekilde artması daha fazla uygulama olanağı sağlarken, aynı zamanda daha güçlü bir veri işleme yeteneği gerektirir. Geleneksel veri işleme yöntemleri, yeni uygulamaların işleme gereksinimlerini karşılayamamaktadır. Bu durumda giyilebilir cihazlarla veri işlemek için bir dizi yapay zeka teknolojisi uygulanmıştır. Özellikle son yıllarda derin sinir ağıyla temsil edilen derin öğrenme yöntemlerinin yükselişiyle birlikte, giderek daha fazla yapay zeka teknolojisi, görüntü tanıma, ses işleme, trafik tahmini gibi çeşitli alanlarda önemli bir rol oynamaya başlamıştır. Kısaca yapay zeka faydalı geri bildirimleriyle, sağlığımızı ve refahımızı öngörmemizi sağlar.

Farklı giyilebilir cihaz türleri vardır. Bunlar; (1) kullanıcıların günlük aktivitesini, kalori tüketimini ve nabzını izleyen, uyku takibi yapan akıllı saatler ve bileklikler, (2) bir nevi yaşam asistanı ve tıbbi araç yerine kullanılabilen akıllı gözlükler, (3) ısı tüketimi gibi fiziksel durum takibi yapan akıllı giysiler, (4) akıllı ayakkabılar, (5) ses analizi ve işleme yapabilen akıllı kulaklıklar olarak sıralanabilir.

Akıllı bileklikler ve saatler, düşme durumunu izlemek için bel, bilek veya bacak hızlanma verilerini toplar, gerekli durumlarda uyarır. Aynı zamanda, topladığı spor verilerini analiz ederek, kullanıcının yapmış olduğu sporu bisiklet, koşu veya merdiven çıkma olarak sınıflandırabilir. Başka bir örnek, görme engelli kişiler için ultrason kullanarak kullanıcının yolundaki engelleri tespit eden ve kullanıcıların etraflarındaki nesnelerde güvenle gezinebilmeleri için bu engelleri onlara bildiren giyilebilir teknolojidir.

Giyilebilir cihazların sensör verilerini işlemek için birçok yöntem bulunuyor olsa da en etkili üç yöntem Machine Learning and Ensemble Learning, Convolutional Neural Network ve Long Short-term Memory yöntemleridir.

Buraya kadar YZ teknolojilerinin giyilebilir cihazlar için başarıyla uygulandığından ve çeşitli uygulama türlerine ilham verdiğinden bahsedilmiştir. Bununla birlikte, mevcut metodolojiler hala daha fazla araştırmaya ihtiyaç duyan birçok zorlukla karşı karşıyadır.

  1. Bireysel faaliyet farklılıkları, geleneksel model tanımlamasının düşük doğruluğuna yol açar. Bireysel farklılıkların etkili bir şekilde nasıl ortadan kaldırılacağı ve sınıflandırma modelinin daha geniş çapta nasıl daha uygulanabilir hale getirilmesi üzerinde çalışılması gerekmektedir.
  2. Giyilebilir cihazların sınırlı enerji temini ve depolanması giyilebilir cihazların bataryası ve depolama kaynakları çok sınırlıdır, bu nedenle modelin hesaplama ve depolama tüketiminin hassasiyeti kaybetmeden nasıl etkili bir şekilde kontrol edileceğini daha fazla araştırmak gerekir.
  3. Yapay zeka giyilebilir cihazlarının başarılı bir şekilde uygulanması, çok miktarda veri gerektirir. Bu senaryoda, gizliliği birinci öncelik olarak tutmak çok önemlidir.
  4. Edge computing kullanımı, verileri genel veya özel bulut hizmetleri aracılığıyla iletme ihtiyacını ortadan kaldırır. Bu yüksek düzeyde gizlilik sunar. Ancak verilerin iletilmesinin gerekli olduğu durumlarda, verileri bütünüyle şifrelemek gereklidir.

3.4 YZ ve Bulut Hesaplama – Ömer Özgür 

Bulut hesaplama, belki de 21. yüzyılın en önemli teknolojik yeniliklerindendir. Bunun nedeni, alandaki diğer teknolojilerden daha hızlı bir şekilde adapte olmuş olmasıdır. Örneğin bu yazıyı okuyabilmeniz de bir bulut bilişim işlem sonucunda gerçekleşir.

Bulut bilgi işlem yalnızca kuruluşlar ve işletmeler için değildir; aynı zamanda ortalama bir insan için de kullanışlıdır. Yazılım programlarını bilgisayarlarımıza kurmadan çalıştırmamızı sağlar; sosyal medya içeriğimizi internet üzerinden depolamamıza ve erişmemize olanak tanır, sunucuya ihtiyaç duymadan programları geliştirmemizi ve test etmemizi sağlar. Bulut bilişim, aklınıza gelebilecek hemen her alanda önemini koruyan bir 21. yüzyıl harikasıdır.

Bulut hesaplama birçok alanda kullanılsa da özellikle derin öğrenme alanında da kullanılmaktadır. Derin öğrenme alanında bulut hesaplamayı anlamamız için önce GPU, CPU ve TPU anlamamız gereklidir.

GPU vs CPU

CPU’lar birçok çeşit farklı işlem yapabilmeleri için tasarlanmıştır. GPU’lar ise kaliteli görseller üretmeleri için tasarlanmıştır ve grafiksel hesaplamalar birbirine benzeyen matris çarpım veya toplam işlemleridir. CPU her alanda yatay özelleşmişken GPU bir alanda dikey özelleşmiştir. 

GPU’lar paralel olarak birçok işlemi gerçekleştirdiklerinden makine öğrenmesinde ve bilimse çalışmalarda kullanılmaktadır. GPU’lar sadece oyun ve yapay zeka alanında değil kripto para kazımında da kullanılmakta ve kripto para sektörü ürün stoklarını olumsuz etkilemektedirler.

TPU

Tensör işleme ünitesi Google tarafından yapay zeka modellerinin daha efektif eğitilmesi amacıyla geliştirilmiştir. Tensorflow kütüphanesine özel matris operasyonlarını optimize etmeyi amaçlar. Google TPU’ları Alphazero’yu eğitirken veya verdiği yapay zeka içeren hizmetlerde kullanmaktadır.

Bulut sunucular ile yapay zeka modellerinin eğitilebileceği yerler:

  • Microsoft Azure
  • Amazon Web Services
  • Google Cloud

Örneğin AWS üzerinden bir derin öğrenme makinesi açarak normalde çok pahalı olan bir GPU’yu kiralayabilir ve ihtiyacınız olan yüksek performanslı eğitim sürecini buradan sağlayabilirsiniz.

Neden ihtiyacımız var? 

  • Ulaşılabilirlik; Bulut hesaplamaya, internete bağlı herhangi bir cihazdan erişilebilir.
  • Tasarruf; Bulut Hesaplama, ölçeklenebilirdir ve kullanılan miktar kadar ödeme yapılır. Ayrıca cihazların bakımı ile uğraşmazsınız.
  • Güvenlik; Hizmet sağlayıcıları, müşterinin bulutta kaydedilen verilerini korumak için en iyi güvenlik standartlarını ve prosedürlerini geliştirmişlerdir.

3.5 YZ ve Biyometrik Veriler – Zeynep Şanlı 

Son on yıldır bilim kurgu ve aksiyon filmlerinde gizli tesislere girmeden önce yapıldığını gördüğümüz retina tarama ve el tarama gibi işlemlerden de aşina olunan kavram biyometridir. Peki nedir, neden ihtiyaç duyulur ve yapay zekanın nasıl bir etkisi vardır?

 Biyometri kavramı yunanca bios (yaşam) ve metrikos (ölçüm) kelimelerinden gelmekte olup kişiye ait biyolojik verilerin kullanılması ile bireylerin başkalarından ayrılmasını sağlayan tanımlama yöntemi olarak tanımlanmaktadır. Biyometrik tanımlama yöntemleri vücut yapısındaki fiziksel ve yapısal özellikleri kullanarak kişilerin tanımlanmasını sağlayan; yüksek seviye güvenlik, doğruluk ve değişmezlik gerektiren alanlarda kullanılabilen yöntemlerdir. Temelde fizyolojik ve davranışsal özellikler olarak 2 farklı gruba ayrılır. Fiziksel (fizyolojik) biyometri, kişinin vücuduna ait uzuvlardan direk yapılan ölçümlerle elde edilen verilerden oluşmakta olup yüz tanımlama, parmak izi, iris tanıma, damar izi tanıma, avuç haritası, el geometrisi, diş haritası, beyin dalgaları, kulak şekli ve vücut kokusu fiziksel biyometrik yöntemlere (verilere) örnek olarak verilebilir. Davranışsal özellikler ise kişi tarafından ortaya konulan eylemleri temel almaktadır. Bu yönetmelere örnek olarak yürüyüş şekli, ses, konuşma ve imza şekli örnek olarak verilebilir. Fiziksel yöntemler, kullanım alanları ve geliştirilen kontrol ve güvenlik seviyeleri dikkate alındığında davranışsal yöntemlere göre daha yaygın araştırma ve uygulama alanı bulmaktadır.

Biyometrik tanıma işlemi iki aşamada gerçekleşmektedir. Bunlar tanımlama ve doğrulama işlemleridir. Tanımlama işlemi, büyük miktarda işlem gücü gerektirir ve kullanılan veri tabanı çok büyük ise, çok zaman alır. Doğrulama işleminde ise depolanmış örnek şablon verisi ile kontrol için elde edilen veri, karşılaştırma işlemine tabi tutulduğundan daha az işlem gücü gerektirmektedir.

Biyometri, çok faktörlü kimlik doğrulama için geleneksel şifreler veya PIN numaraları ile birlikte kullanılabilir. Geleneksel yöntemlerden olan PIN numaraları tek başına güvenli olmaz. Ayrıca, yapay zekanın kullanımı ile birlikte veriye dayalı güvenlik protokolleri iyileştirilebilir. Yapay zeka ve biyometriyi bir araya getirmek, dinamik güvenlik modellerinin oluşturulmasına yol açar.

İris tarayıcıları, bir kişinin göz bebeğinin çevresinde bulunan halkalar, çiller ve oluklar gibi irisinin özelliklerini analiz eder. İris tarayıcıları, irisleri kontakt lensler ve gözlüklerle tarayabilen bir video kamera içerir. Mobil biyometrik sistemlerde kullanılan iris tanıma yöntemi en yüksek başarıyı elde etmektedir. İrisin vücutta zor zarar görebilecek bir organ olması ve dış bir etkiye maruz kalmadığı müddetçe değişiklik göstermemesi bu yöntemin avantajlarındandır.

Bir başka yöntem ise beyin dalgalarıdır. Görsel bir uyarana yanıt olarak üretilen beyin elektriksel aktivitesinin potansiyeli, bireylerin tanımlanması bağlamında incelenir. Spesifik olarak, görsel uyarılmış potansiyele (VEP) gama bandının enerji özellikleri incelenir. Makine öğrenmesi yaklaşımıyla kimlik doğrulanır.

El yazısı biyometrisinde, zamanlama ve baskı hesaba katılabilir ve bütün bunlar yine kişiye özeldir. Başka bir örnek olarak klavyedeki tuş vuruşu, kişileri hızları, bekleme süreleri ve uçuş süreleri yardımıyla tanımlayabilir. Bekleme süresi, basılan bir tuşun süresini ölçer ve uçuş süresi, bir tuşun bırakılmasıyla başka bir tuşun tıklanması arasındaki aralıktır. Bir kişinin doğru tuşu araması için gereken süre ve tuşa basarken harcanan süre, bireylerin kimliğini doğrulamak için birlikte hesaplanabilir. Yapay zeka ve biyometri, tuş vuruşu dinamiklerini daha hassas ve güvenilir bir yazma kalıbı tanıma teknolojisi yapmak için toplanabilir. Yapay zeka sistemleri, bireyleri tanımlamak için en sık kullanılan anahtarlar için bireylerin nasıl yazdıklarına ve iki anahtar arasındaki zaman aralığına ilişkin bilgileri izleyebilir. Ayrıca yapay zeka, kullanıcılar yazmaya devam ettikçe zaman içinde oluşturulan kullanıcı profillerinden öğrenebilir.

Yüz tanıma sistemleri son yıllarda akıllı telefonlarda popüler bir uygulamadır. Buna rağmen yöntem, 2D verilerle gerçekleştirildiğinde kolayca “kandırılabilir”. Yapay zeka ise bu problemin önüne milyonlarca 3D veriyi kullanarak etkili bir şekilde geçmektedir. Yapay zeka sistemleri, yaşlanmanın insan yüzleri üzerindeki etkilerini analiz etmek için tahmine dayalı modellemeyi de kullanır. Bu amaçla, yapay zeka, bu insanların daha genç resimlerini yeniden oluşturmak için yaşlı insanların resimlerini analiz eder. Büyük hacimli yüz verilerinin yardımıyla, yapay zeka ve biyometri birlikte daha hassas kimlik doğrulama modelleri oluşturabilir.

Yukarıda bahsedilen yöntemler biyometrik tanımlamada kullanılan birkaç örnek bazılarıdır. Bununla birlikte, bir YZ biyometrik sisteminde, yapay zeka, kimliği doğrulanacak kişideki ince değişiklikleri hesaba katabilir ve öğrenebilir. Aslında, çok fazla “mükemmel” girişim bir anormallik olarak görünebilir, çünkü bunun bir insanın normal davranışı olmadığı aşikardır.

Yapay zeka ve biyometri kombinasyonu, bireylerin kimliğini fizyolojik ve davranışsal özelliklerine göre kesin olarak doğrulayabilir. Ancak ticari uygulamaların olmaması nedeniyle benimsenmeleri ve uygulanmaları sınırlıdır. Bu nedenle, iş liderleri, kullanıcı dostu ve güvenli kimlik doğrulama protokolleri sunmak için işyerleri ve müşterileri için yapay zeka tabanlı biyometri sunabilir. Bu yaklaşımla, yapay zeka destekli biyometri yakında ana akım haline gelebilir.

4.1 YZ Sağlıkta Nasıl Değer Yaratıyor? – İnci Beyza Yürekli

Yapay zeka hayatımızın her alanında olduğu gibi sağlık alanında da bir dönüşüm başlattı. Sağlığın korunması, hastalık durumunda teşhis ve tedavinin sağlanması, yapay zekanın hem beslendiği hem de çözüm sunduğu alanlar haline geldi. Gün içerisinde üretilen milyonlarca verinin büyük bir kısmını sağlık verilerimiz oluşturmakta ve bu verinin insan sağlığını koruyup geliştirmek, hastalıkların tedavi edilmesinde kullanmak oldukça önem arz etmektedir. İnsan hayatının söz konusu olduğu bu alanda yapılacak her eylemin aynı zamanda sağlık etiği çerçevesinde de uygun bir noktada konumlanması gerekmektedir. Sağlık alanında yapay zeka henüz daha emekleme aşamasında olmasına rağmen teşhis konusunda bazı alanlarda neredeyse insanlardan daha iyi performans göstermeye başlamıştır.

Günümüzde yapay zeka algoritmaları, kötü huylu tümörleri tespit etmede radyologlardan daha iyi performans göstermekte ve pahalı klinik araştırmalar için kohortların nasıl oluşturulacağı konusunda araştırmacılara rehberlik etmektedir. (Davenport, T., & Kalakota, R. 2019)

Yapay zeka tek başına bir teknoloji değildir. Makine öğrenmesi, sinir ağları ve derin öğrenme, doğal dil işleme, kural tabanlı uzman sistemler, robotlar ve robotik süreç otomasyonlarının tamamını kapsamaktadır. Bu sistemlerin her biri ayrı ayrı değer yaratabilirken çeşitli kombinasyonlar halinde de geliştirilebilirler. Temelini istatistik biliminden alan YZ sistemlerinin hammaddesi veridir. Sağlık alanında geliştirilen yapay zekanın beslendiği kaynaklar, semptomlar, laboratuvar sonuçları, radyoloji sonuçları gibi tıbbi veri kaynaklarıdır. Bu veri ve algoritmaların geliştirilmesiyle sağlıkta YZ, insanüstü başarılar elde etme noktasında hızla gelişmektedir.

Annals of Oncology Dergisi’nde YZ’nın cilt kanserini teşhis edebilmesi konusunda bir makale yayımlanmıştır. Yaygın bir hastalık olan cilt kanserinin erken ve doğru teşhisi tedavi başarısında oldukça önemlidir. Yapay zeka teknolojilerinin bu alanda değer yaratabileceği öngörülmüş ve bu alanda çalışmalar yapılmıştır ve günümüzde de yapılmaktadır. Yapay zekanın görüntü işleme ve derin öğrenme teknolojileri kullanılarak yapılan çalışmada, 100.000’den fazla görüntü kullanılarak iyi huylu tümörleri kötü huylu olanlardan ayırmayı öğrenen bir algoritma geliştirilmiştir. Yapılan çalışma, cilt kanseri teşhisinde YZ’nın 58 cilt uzmanından daha doğru tespit edebildiği gösterilmiştir. Cilt doktorları %87 oranında doğru tanı koyarken makineler %95’lik bir orana ulaşmışlardır. (Uzun, T. 2020)

Çin’de geliştirilen bir YZ teknolojisinde ise doktorlar tarafından bilincinin yerine gelmesi ihtimalinin olmadığı söylenen 7 hastaya, geliştirilen yapay zeka bilinçlerinin yerine geleceğini söylemiştir ve bu şekilde sonuçlanmıştır. Bununla birlikte doktorların ve YZ’nın uyanamaz dediği 5 hasta da uyanamamıştır. 19 yaşındaki bir hasta için doktorlar 4 kez değerlendirme yapmıştır ve ailelerin hayata son verme kararı vermeleri için yapılan komadan çıkabilme ölçeğinde 23 puan üzerinden 7 puan vermişlerdir, ancak geliştirilen yapay zeka beyin taramalarından sonra bu hastaya 20’nin üzerinde puan vermiştir ve 19 yaşındaki bu hasta YZ’nın dediği gibi uyanmıştır. 7 yılda geliştirilen bu teknolojinin hata yaptığı vakalar da olmuştur. Hem doktorların hem bilgisayarın uyanamaz dediği bir hasta uyanmıştır. (Uzun, T. 2020)

İlaç araştırma ve geliştirme sağlık hizmetlerinde yapay zeka için en yeni uygulama alanlarından biridir. İlaç geliştirme çalışmalarında da kullanılan yapay zeka teknolojisi hem araştırma sürecini kısaltmakta hem de maliyetleri azaltmaktadır. Araştırma laboratuvarındaki ilaç geliştirme süreçleri uzun ve pahalıdır. California Biyomedikal Araştırma Birliği’ne göre bir ilacın araştırma laboratuvarından hastaya ulaşması ortalama 12 yıl sürmektedir. Klinik öncesi testlere başlayan ilaçların sadece 5.000’i insan testine girmiş ve bu beş taneden sadece biri insan kullanımı için onaylanmıştır. Ayrıca, araştırma laboratuvarında yeni bir ilaç geliştirmek, bir şirkete ortalama 359 milyon Amerikan Doları’na mal olmaktadır. Yapay zekadaki en son gelişmeleri, ilaç araştırması ve ilacı yeniden işleme süreçlerini kolaylaştırmak için yönlendirerek hem yeni ilaçlar için pazarlanma zamanı, hem de maliyetlerini önemli ölçüde azaltma potansiyeli bulunmaktadır. (Büyükgöze, S. & Dereli, E. 2019)

4.2 YZ ve Bilimsel Çalışmalar – Sena Şimşek

Teknoloji ve bilimsel çalışmalar özellikle gelişen dünyada, birbirinden ayrı düşünülemeyen, karşılıklı fayda sağlayan ve entegre hareket eden alanlardır. Teknolojinin gelişmesiyle, yapılan araştırmaların kalitesi, süreçlerin verimli hale gelmesi, doğruluk ve hassasiyetin artması gibi katkılar ve kullanılan cihaz ile tekniklerin geliştirilmesi gibi karşılıklı fayda sağlanmaktadır (Brooks, 1994). 

Son dönemde adını sıkça duymaya başladığımız “Yapay Zeka/Artificial Intelligence (AI) ”  ifadesi aslında genel bir terimdir. Görsel algı, doğal dil işleme, konuşma, akıl yürütme, tanıma, verilerden öğrenme ve bir dizi optimizasyon problemi dahil olmak üzere belirsizlik koşullarında hareket ederken karmaşık görevleri yerine getirebilen bir teknoloji bütünlüğünü ifade eder. Bu bütünlük pek çok bilim insanı veya yatırımcı tarafından cazip görülerek, kendi çalışma alanlarına uygun hale getirilmeye çalışılmıştır.

Yapay zeka teknolojileri artık çeşitli bilimsel araştırma alanlarında kullanılmaktadır. Örneğin, protein yapılarını tahmin etmek için genomik verileri kullanmak; bir proteinin şeklini anlamak, vücutta oynadığı rolü anlamak için oldukça önemlidir. Bilim adamları, bu şekilleri tahmin ederek, indislerde rol oynayan proteinleri belirleyebilir, teşhisi iyileştirebilir ve yeni tedavilerin geliştirilmesine yardımcı olabilir. Protein yapılarını belirleme süreci hem teknik olarak zor hem de yoğun emek gerektirir ve bugüne kadar yaklaşık 100.000 bilinen yapıyı ortaya çıkarmıştır (Lee, Freddolino, & Zhang, 2017). Son yıllarda genetikteki gelişmeler DNA dizilerinin zengin veri kümelerini sağlamış olsa da bir proteinin şeklini karşılık gelen genetik dizisinden (protein katlama zorluğu) belirlemek karmaşık bir iştir. Bu süreci anlamaya yardımcı olmak için araştırmacılar, DNA dizilerinden proteinlerin üç boyutlu yapısını tahmin edebilen makine öğrenimi yaklaşımları geliştiriyorlar. Örneğin, DeepMind’deki AlphaFold projesi, amino asit çiftleri arasındaki mesafeleri ve bunların bağları arasındaki açıları tahmin eden derin bir sinir ağı oluşturarak genel bir protein yapısının doğru bir tahminini sağladı (Senior et al., 2019).

Yapay zekanın kullanımına bir başka örnek ise astronomik verilerde desen/örüntü bulma çalışmaları verilebilir. Astronomi araştırmaları büyük miktarda veri üretir. Gürültüden gelen ilginç özellikleri veya sinyalleri tespit etmek ve bunları doğru kategoriye atamak temel bir zorluktur. Kepler görevi, yıldızların veya gezegenlerin varlığına işaret edebilecek olan, Orion Mahmuzunun ve ötesinin gözlemlerinden veri toplayarak, diğer yıldızların yörüngesindeki Dünya büyüklüğündeki gezegenleri keşfetmeye çalışıyor. Ancak, bu verilerin tümü yarar sağlamamaktadır çünkü bu veriler; yıldız aktivitesindeki değişimler veya diğer sistematik eğilimler tarafından bozulabilir. Bu sebeple, veriler analiz edilmeden önce, bu yapay durumların sistemden kaldırılması gerekir.

Buna yardımcı olmak için araştırmacılar, bu yapay durumları tanımlayabilen ve bunları sistemden kaldırıp daha sonra analiz için temizleyebilen bir makine öğrenimi sistemi geliştirdiler (Roberts, McQuillan, Reece, & Aigrain, 2013).  Bu yapay zeka aynı zamanda mevcut veri setlerinden yeni pulsarlar bulma (Morello et al., 2014), yıldızların ve süpernovaların özelliklerinin belirlenmesi (Lochner, McEwen, Peiris, Lahav, & Winter, 2016; Miller et al., 2015) ve galaksileri doğru bir şekilde sınıflandırılması (Banerji et al., 2010) gibi yeni astronomik olayları keşfetmek için de kullanılmıştır.

Bu alanların dışında, sağlık alanında yapay zeka kullanımı gittikçe artmaktadır. Gastroenterolojide yapay zekayla geliştirilmiş endoskopide (Ruffle, Farmer, & Aziz, 2019); Alzheimer hastalığının tespitinde (Subasi, 2020), klinik çalışmalarda (Baker, 2018), ilaç keşfi ve geliştirmede (Paul et al., 2021) ve en önemlisi COVID-19 salgını izleme ve kontrolü için yapay zeka destekli veri analitiği kullanarak mücadelede kullanılmıştır (Fong, Dey, & Chaki, 2021).

Yapay zeka teknolojisi, büyük veri kümelerini analiz etmek, daha önce öngörülemeyen kalıpları tespit etmek veya beklenmedik iç görüleri ortaya çıkarmak için bu alanlardaki araştırmacılar için önemli bir araç haline geldi. Uzun vadede, gelişmekte olan teknoloji ve bunu takip ederek ilerleyen bilimsel çalışmalar sayesinde bütünleşmiş olan yapay zeka sistemleri tarafından sağlanan analiz, daha önce öngörülemeyen ilişkilere veya disiplinleri yeniden şekillendiren yeni dünya modellerine işaret edebilir. Bilimsel araştırmadaki potansiyel uygulamaları, disiplinler arasında geniş bir yelpazeye yayılırken bu tür sonuçlar bilimin sınırlarını ilerletebilir ve insan sağlığından iklime ve sürdürülebilirliğe kadar alanlardaki araştırmalarda devrim yaratabilir.

4.3 Bireysel Sağlıkta YZ – İnci Beyza Yürekli

Teşhis, tedavi ve ar-ge çalışmaları için yaygın olarak kullanılan yapay zeka teknolojisi bireysel sağlığı koruma konusunda da insanlara imkân tanımaktadır. En basit örneğiyle adımsayar telefon uygulamaları günlük adım ortalamanızın altında kaldığınızda bildirim göndererek biraz daha adım atmamız için teşvik ederken ortalamanızın üzerine çıktığınızda da bununla ilgili geri bildirim vermektedirler.

Bireysel olarak sağlık durumunu kontrol altında tutmak bazı hastalıklara yakalanmayı önleyebileceği ya da geciktirebileceği gibi kaçınılmaz olan hastalık durumlarında da erken teşhis için bazı ipuçlarını yakalamada yardımcı olacaktır. Yapay zeka ile geliştirilen sistemler bu ipuçlarını yakalamada bireylere destek sağlamaktadır. Kişisel asistan, mobil asistan ya da sanal asistan olarak adlandırılan ve yapay zekanın doğal dil işleme, görüntü işleme gibi özellikleri kullanılarak geliştirilen sistemler bireysel sağlıkta yapay zeka örnekleri olarak tanımlanabilir. İyi eğitilmiş algoritmalar, yüksek kalitede kişiselleştirilmiş sağlık hizmeti sunmanın önemli bir parçasıdır: Bu algoritmalar, duruma göre özel ve kişiselleştirilmiş yanıtları öğrenme ve uyarlama potansiyeline sahiptir. (Yıldırım, B. Sağlığın Kişiselleşmesi ve Kişisel Sağlık Bilgi Sistemleri.)

Yapay zeka ve büyük verinin olası kıldığı akıllı hastaneler ve uzaktan bakım, giyilebilen, dövülebilen, yutulabilen sensörler, robotik dış iskeletler, kendini tamir eden veya yenileyebilen doku teknolojileri, genomik ve bağışıklık tedavileri sağlık sisteminin normal bir parçası hâline gelmektedir. İlaçlar nanoteknoloji ve sayısal araçlar ile birlikte tasarlanmakta, üç boyutlu yazıcılar implant üretiminde kullanılmakta, kişiselleştirilmiş tıp uygulamaları yaygınlaşmakta ve sağlık hizmetleri giderek hasta merkezli hâle gelerek kişiselleşmektedir. (Yıldırım, B. Sağlığın Kişiselleşmesi ve Kişisel Sağlık Bilgi Sistemleri.)

Bireysel sağlık uygulamalarında ön plana çıkan teknoloji şirketleri IBM, Google ve Amazon, yapay zeka destekli sistemler geliştirmektedir. Watson, IBM tarafından geliştirilen ve doğal dilde sorulan sorulara cevap vermek için tasarlanan bir yapay zeka programıdır. Adı, IBM’e önayak olan Thomas J. Watson’dan gelmektedir; Watson, IBM’in DeepQA araştırma projesinin bir parçası olarak geliştirilmektedir. Amazon tarafından geliştirilen Alexa ise sanal ev asistanı olmasının yanı sıra bir sağlık asistanıdır. Kişilerin sağlıkla ilgili sorularına yanıt vererek soruna uygun çözüm önerileri sunmaktadır. Kişinin alması gereken ilaçları zamanında hatırlatabilmekte ve aynı zamanda kan şekeri ve tansiyon gibi değerleri gün ve saat olarak hafızasında depolayabilmektedir. (Birinci, Ş. 2019)

Bireysel sağlıkta yapay zeka çözümleri kişilerin kendi sağlıklarının takipçisi olmaları, bu konuda bilgi sahibi olmaları, günlük problemlerini kendilerinin çözebilmesini ve ciddi sağlık problemlerinin erken teşhis edilebilmesi konularında hayatımızın bir parçası haline gelecek büyük bir potansiyel taşımaktadır.

4.4 Eczacılık ve YZ – Ecz.F. Dilara Ayan

Yeni yüzyılın ilk çeyreğini bitirmeye yaklaşırken, yapay zekadan bahsetmeden herhangi bir alanın geleceğini tartışmak imkânsız hale geldi. İster perakende ister imalat, isterse bir bütün olarak sağlık hizmetleri sektörü olsun, faydalar konusundaki tartışmalar devam ediyor. Ancak her halükârda, yapay zekanın insanları tekrarlayan ve zaman alan işlerden kurtarıp, daha önemli olan çalışmalara odaklanmaları için bir fırsat verdiği kesindir.

Özellikle ilaç endüstrisi, yapay zeka ve makine öğrenimi teknolojisinin faydalarını yakın tarihten itibaren görmeye başladı. Eczacılık ise henüz atılım yapamamış durumdadır; hala üreticileri, dağıtıcıları ve en önemlisi hastaları etkileyen zorluklarla karşı karşıyadır.

İlaç kıtlığı veya talebi karşılayacak mevcut tedavilerin ve ilaçların eksikliği, tipik olarak üretim sorunları veya yasal gecikmeler gibi engeller nedeniyle ortaya çıkar. Penisilin, aspirin ve ibuprofen gibi ilaçların güvenli bir şekilde üretilip nakledilemediği veya talebin beklenmedik şekilde aşırı oranda arttığı COVID-19 salgını gibi yaygın kriz durumlarında da ortaya çıkabilir.

Yapay zeka (YZ), mevcut ilaçlar ve uygulamaları hakkında büyük miktarda veriyi inceleyerek ve ardından etkili tedaviler oluşturmak için farklı ilaçların kullanımını nasıl birleştirilebileceklerini gerçekten tahmin ederek ilaç kıtlıklarının giderilmesine yardımcı olmaktadır. Bu durumun, mevcut olan ve belirli bir hastalığı tedavi ettiği kanıtlanmış ilaçlar listesini genişleterek ilaç kıtlığını giderebilme potansiyeli vardır. Bu görevin otomatize hale getirilmesi, ilaç endüstrisindeki araştırmacılar için büyük bir rahatlama anlamına gelmektedir. Ayrıca, yaşam için kritik olan -hatta hayat kurtaran- tedavilere daha hızlı ulaşmamıza yardımcı olacaktır.

Ayrıca, tedarik zincirinin her yönü söz konusu olduğunda yapay zekanın kullanımı birçok sorunun çözülmesi adına umut vaat ediyor. Üreticiden hastanın kullanımına kadar envanter yönetimindeki trendlerin analiz edilmesine ve bu da ilaç kıtlıklarının ortaya çıkmadan önce tahmin edilmesine yardımcı olabilir.  (Enter AI: How Technology is Changing the Pharmaceutical Industry for the Better, 2020)

Kıtlığı önlemenin en iyi yollarından birisi de var olan envanteri en verimli şekilde kullanmaktır. Türkiye’de eczanelerin ilaç dışı sağlık ürünlerini son kullanma tarihi dolmadan takas etmesine olanak sağlayan yapay zeka destekli girişim Novadan, eczacının ve eczane çalışanlarının gelişimlerine yönelik eğitim, analiz ve gelişim modülleri de sağlıyor. Eczanelerin ihtiyaçlarını analiz ederek, en uygun sağlık ürünlerini, en doğru zamanda ulaşmalarını sağlayan platform, birbirleri arasında alışveriş ve takas yapılabilmesiyle dikkat çekiyor. (Dünya Gazetesi, 2021)

Türkiye’de yakın zamanda çıkan yapay zeka destekli bir başka girişim olan Opifice ise en güncel ve en doğru bilgilerle birlikte geçmişte öğrenilen bilgileri de kullanıcılarına tekrardan hatırlatarak eczacılara, teknisyenlere ve   eczacılık öğrencilerine ulaşmayı hedeflemektedir.

İlaçların geri toplanması, tedarik zincirindeki bir ilaç kontamine olduğunda veya tıbbi açıdan risk taşıdığında ortaya çıkar ve paketlenmiş olan ilacı reçeteleme için güvensiz hale getirir. İlacın geri toplanması, bütün endüstri için zorlu bir süreçtir. Üreticiler, eczacılar ve hastalar için çok ciddi sonuçlar doğurabilir.

Hastaları kontaminasyondan veya yan etkilerden korumak için ilaçlar geri çağırılmaktadır, ancak hayatta kalmaları için hastaların bu ilaçlara ihtiyacı olabilir ve bu da eczacıları çok zor durumda bırakabilir. Yapay zeka kullanımıyla, tedarik zincirinde herhangi bir kontaminasyon veya kusurun tam olarak nereden kaynaklandığını belirleme potansiyeline ulaşılmıştır. Ekiplerin sorunu klasik araştırma temelli süreçler kullanılarak mümkün olabileceğinden daha verimli bir şekilde anlamasına veya çözmesine olanak sağlanmaktadır.

Yapay zekanın kullanımı eczacılara hasta bakımında aktif bir rol üstlenmeleri için daha fazla fırsat vermektedir. Örnek olarak, SmartSig 2.0, gelen reçete bilgilerinin yaklaşık %93’ünü doğru bir şekilde çevirerek, ilaç tedavisi uzlaşması sürecinde girilen her ilaç için 30 saniyeye kadar çalışma tasarrufu sağlamaktadır. (The Rise of Artificial Intelligence (AI)- IPA, 2020)

McKinsey, eczane ve tıbbi alandaki makine öğreniminin ve büyük verinin yıllık 100 milyar dolarlık bir değere ulaşabileceğini tahmin ediyor. (Sciforce, 2019) Bazıları yapay zekanın potansiyeli konusunda şüpheci olmaya devam etse de yapay zekanın bu ve daha birçok alanda kalıcı olarak hayatımıza girdiği açıktır.

4.5 İlaç keşfinde YZ – Ecz.F. Dilara Ayan

Bir ilacın keşfi genel olarak dört ana aşamaya ayrılabilen, oldukça uzun ve karmaşık bir süreçtir: (i) hedef seçimi ve doğrulama; (ii) bileşik tarama ve öncü optimizasyonu; (iii) klinik öncesi çalışmalar ve (iv) klinik denemeler. (Chan et al. 2019) İlaç geliştirme süreci ortalama 12-18 yıl sürmekte ve maliyeti genellikle 2-3 milyar ABD dolarını bulmaktadır. Bu devasa maliyetlere rağmen ilaç adaylarının yaklaşık %10’u klinik deneyleri başarıyla tamamlayıp onay almaktadır. Yapay zeka (YZ), Ar-Ge zaman çizelgesini hızlandırarak, ilaç geliştirmeyi daha ucuz ve daha hızlı hale getirerek ve onay olasılığını artırarak ilaç keşfi süreçlerinde devasa bir dönüşüm gerçekleştirme potansiyeline sahiptir. Yapay zeka (YZ) ayrıca, ilacın yeniden kullanım amacına yönelik araştırmanın etkinliğini de artırabilir. (Big Pharma forging more partnerships with AI vendors for drug discovery, 2021)

Yapay zeka tabanlı ilaç keşif uygulamalarının pek çoğu, derin öğrenme (deep learning) adı verilen yaklaşım da dahil olmak üzere makine öğrenimi (machine learning) adı verilen bir yapay zeka tekniğini temel alır. Çoğu makine öğrenimi yaklaşımı, düzenlenmiş ve etiketlenmiş küçük veri kümeleriyle çalışabilirken, derin öğrenme programları ham, yapılandırılmamış verilerle çalışabilir ve çok daha büyük veri hacmi gerektirebilir.  (Freedman, 2019)

İlaç keşfi alanında faaliyet gösteren önde gelen yapay zeka firmalarının arasında Exscientia, Atomwise, Recursion Pharma, Iktos, Insilico Medicine, Sensyne Health ve BenevolentAI gibi firmalar sayılabilir. Big Pharma şirketleri için (Bayer, Pfizer gibi global ilaç şirketlerinin oluşturduğu gruba verilen ad) Pfizer, Takeda ve AstraZeneca, şirket başına sekiz anlaşmayla ortaklık sayısı açısından başı çekiyor. Bu alanda yakın zamanda anlaşmalar yapan diğer ilaç şirketleri arasında Novartis, Bristol Myers Squibb (BMS), Roche, Janssen, Merck KGaA, Boehringer Ingelheim, Bayer, GSK ve Sanofi bulunmaktadır. (Big Pharma forging more partnerships with AI vendors for drug discovery, 2021)

Kanser gibi kompleks işleyişlere sahip olan, yapısal olarak kişiden kişiye değişiklikler gösteren hastalıklarda veya COVID-19 pandemisinde yaşandığı gibi, hızlı sonuç almanın elzem olduğu senaryolarda yapay zekanın kullanımı büyük avantajlar sağlayacaktır. Ancak tedavi aranan hastalığın yapısı karmaşıklaştıkça -ve aciliyeti arttıkça-, gerekli işlem gücü de artmaktadır. Pfizer, immüno-onkoloji ilaçları arayışını desteklemek, gerekli işlem gücü sorununu aşabilmek ve daha verimli algoritmalarla çalışabilmek adına için makine öğrenimini kullanan bir sistem olan IBM Watson’ı kullanmaktadır. Sanofi, İngiltere merkezli Exscientia’nın yapay zeka (YZ) platformunu metabolik hastalık tedavilerini araştırmak için kullanmak üzere yakın tarihte bir anlaşma imzaladı. Roche yan kuruluşu Genentech ise kanser tedavisi araştırmalarında ivme kazanabilmek için Cambridge, Massachusetts’teki GNS Healthcare’in ürettiği bir yapay zeka sistemini kullanmaya başladı. Koronavirüs aşısı ile gündeme çıkabilmeyi tekrar başarmış olan Moderna, kanser aşısı çalışmalarında Amazon’un AWS bulut altyapısını kullanarak 40 günde kanser aşısı geliştirebilmiş olmasıyla biliniyor. Biyo-ilaç sektöründeki çoğu büyük oyuncunun benzer iş birlikleri veya dahili programları bulunmaktadır. (Fleming, 2018)

Yapay zeka, ilaç keşfi için gerekli olan araştırma maliyetini azaltırken, aynı zamanda gerekli olan süreyi inanılmaz şekilde azaltmaktadır. Bu sayede kanser gibi yapı ve işleyiş olarak kompleks hastalıklarda ve COVID-19 esnasında yaşanan, çok hızlı tepki verilmesinin gerekli olduğu senaryolarda şirketlerin sonuç getiren bir ilaç ile çıkabilmelerinin ihtimalini büyük oranda arttırmaktadır. İlaç sektöründeki yapay zeka uygulamaları, 21.yy’ın ikinci çeyreğine yaklaşırken müthiş bir ivme ile hız kazanmaya devam etmektedir.

4.6 Genom Düzenlemede YZ – Gamze Karakaş 

CRISPR/Cas9 ve Yapay Zeka, 21. yüzyılın geleceğimizi şekillendirecek belki de en önemli iki teknolojisi. Biri sağlık diğeri bilişim teknolojileri alanından doğsa da birçok ortak noktaya sahipler. İkisi de hem korku hem de umut dolu gelecek tasvirlerini şekillendirmenin yanında, büyük etik endişelerini de sırtlarında taşımaktadırlar. Genom düzenlemede yeni bir çağ başlatan CRISPR/Cas9, genetik hastalıkların tedavisi için umut olurken “genetik güçlendirme (ing. genetic enhancement )”  kaygılarını da beraberinde getiriyor. Sektör ayırt etmeksizin sorunları çözmek için kollarını sıvayan yapay zeka da robotların dünyayı ele geçirdiği ve işlerimizi elimizden aldığı bir distopyanın baş aktörü olarak görülmekte. Bütün bu etik kaygılarından uzakta, bu iki teknolojinin kesişiminde umutlarımızı yeşerten gelişmeler de olmuyor değil. Derin öğrenmenin geliştirilmesinde sinirbilimden ve beynimizdeki sinir ağlarından ilham alan yapay zeka, şimdi bu bilgi birikimini genom düzenlemedeki sorunlara çözümler üretmek için kullanmakta.

Genom düzenlemesi, genetik materyalimiz olan DNA üzerinde kalıcı değişiklikler yapılmasıdır. Genom düzenleme araçları, bunu basitçe değişiklik yapılmak istenen bölge üzerinde çift zincir kırıkları (ing. double-strand breaks (DSBs)) oluşturarak ve bunun sayesinde tetiklenen DNA onarımı ile gerçekleştirir (Gupta & Musunuru. 2014).

En yaygın bilinen genom düzenleme aracı, kendinden önceki yöntemlere göre DNA üzerinde değişiklik yapmayı nispeten daha kolay ve ucuz hale getiren CRISPR/Cas9 teknolojisidir. Basitçe genetik makas olarak tanımlayabileceğimiz Cas9 enzimi, rehber RNA yardımıyla istenilen DNA bölgesine hedeflenebilir. Böylece uygun rehber RNA’nın tasarlanmasıyla kolayca birçok organizmaya uyarlanabilir ve programlanabilir (Gupta & Musunuru. 2014).

CRISPR/Cas9 teknolojisi tüm bu avantajların yanında, çözülmesi gereken sorunlara da sahiptir. Öyleki Hanae Armitage Scope’daki yazısında bu sorunlardan ötürü CRISPR’ın aktivitesini, bir Word dokümanının gözler kapalıyken düzenlenmesine benzetiyor (Armitage, Conger, & Goldman, 2019). Çünkü CRISPR hedef bölgesi dışındaki bölgelerde istenmeyen değişikliklere neden olabilmektedir (Zhang, Tee, Wang, Huang, & Yang, 2015). Ayrıca onarımda kalıp görevi görecek DNA parçasının olmaması durumunda gerçekleşen onarım hatalarını da tahmin etmek oldukça güçtür (Bae & Kim, 2018). Kısaca hedef üzerinde veya hedef dışı bölgelerde, CRISPR’ın kesinliğine ve güvenliğine leke düşürebilecek çeşitlilikler gözlenebilmektedir (Doench et al., 2016). CRISPR araştırmacıları bu sorunları çözmek ve diğer DNA bölgelerini etkilemeden etkili bir kesim yapabilmek için, manuel olarak tüm olası kesim bölgelerini değişik rehber RNA’lar kullanarak test eder ve en iyi sonuç vereni bulmaya çalışırlar (Tsai & Joung, 2016). Tahmin edersiniz ki bu oldukça maliyetli ve çokça zaman gerektiren bir işlemdir. Neyseki günümüzde CRISPR araştırmacılarıyla el ele veren yapay zeka uzmanları, olası kesim bölgelerinin sayısını azaltabilen makine ve derin öğrenmesi programları geliştirmektedir. Bunlardan biri Microsoft araştırmacıları Jennifer Listgarten ve Nicolo Fusi’nin, Broad Enstitüsü ve Kaliforniya Los Angeles Üniversitesi’nden araştırmacılarla yaptıkları iş birliğiyle geliştirilen Elevation’dır. Elevation, CRISPR’ın hedef dışı etkilerini tahmin edebilen ve makine öğrenmesine dayanan bir programdır. Microsoft’un önceden CRISPR’ın hedef üstündeki etkinliğini tahmin etmek için geliştirdiği Azimuth, ile birlikte çalışmaktadır. Bu iki program hem rehber RNA tasarım hizmeti hem de açık kaynak kodlu olarak (https://www.crispr.ml/ ) web sitesi üzerinden ücretsiz olarak erişime açıktır (Listgarten et al., 2018). CRISPR/Cas9’ın gen düzenleme işlevini keşfeden araştırmacılardan Jennifer Doudna ve meslektaşları da 2020 yılında benzer işlevi gösteren ve Crispr2vec adını verdikleri bir makine öğrenmesi modelini geliştirdi (Trivedi et al., 2020). Cas9 enzimin kesiminin ardından gerçekleşen DNA onarımı sonuçlarının tahmininde ise üç farklı makine öğrenme aracı öne çıkmaktadır: inDelphi, FORECasT (favored outcomes of repair events at Cas9 targets) ve SPROUT (CRISPR Repair Outcome) (Shen, 2018; Allen, 2019; Leenay, 2019).

4.7 Beslenmede YZ – Dyt. Esra Kozan 

Beslenme kişinin fiziksel ve biyokimyasal ihtiyaçlarına göre karşılanması gereken en temel ihtiyaçlarındandır. Herkese uyan bir beslenme düzeni yoktur ve tükettiklerimiz her birimizi bireysel düzeyde etkiler. Yaşam tarzının iyileştirilmesi ve hastalıkları önlenebilmesi (Barh, n.d.) için gereksinimlere göre beslenme düzeninin belirlenmesi gerekir.

 Gereksinimlerin belirlenmesinde fizyolojik ihtiyaçlarının yanı sıra fiziksel özellikler, beslenmenin gerçekleştirileceği yöntem, çevre şartları, besin tercihleri gibi birbirinden farklı birçok önemli faktör etkin rol oynar (Kwon, 2020). Bu büyük ölçekli biyolojik ve çevresel şartların analiz edilmesi için hesaplama araçlarını kullanmak önemlidir (DeGregory et al., 2018) ve sağlık uzmanlarının uygulayacakları tedavi kararlarını hızlı bir şekilde almasını sağlar (Barh, n.d.).

      Verilen kararları desteklemek ve çıkarımda bulunmak için belirli bir düzeyde zekaya ve insan/uzman bağımsızlığına sahip bilgisayar sistemleri yararlı olabilir, çünkü oluşturulan veriler çok sayıda değişkenden hızlı ve doğru analiz gerektirir. Günümüz hesaplama araçları arasında bulunan yapay zeka karar verme aşamasında bir girdi-çıktı eşlemesi oluşturarak değişkenler arasında doğrusal ve doğrusal olmayan ilişkileri kurabilir ve modelleyebilir (Barh, n.d.). Böylelikle birden fazla girdi ve olasılığın olduğu durumlarda kişi için en uygun olan beslenme düzenini/diyetleri oluşturabilir. Örneğin sağlık uzmanları, diyetisyenler, hastalarının, başta antropometrik ölçümler olmak üzere, fiziksel muayene bulgularını, biyokimyasal tahlil sonuçlarını ve besin tüketim kayıtlarını yapay zeka teknolojileri ile çalışan web/mobil araçlarına girdiğinde yapay zeka bir örüntü kurarak ve kişiye en uygun beslenme raporunun oluşturulmasını sağlayacaktır. Uzmanlar daha sonra beslenme tanı sistemi tarafından oluşturulan rapora dayanarak hastaları/danışanları için nihai tanı kararını verebilir (Chen, Hsu, Liu & Yang, 2012).

      Sağlıklı bir kişinin beslenmenin değerlendirilmesinde altın standart gıda alımının değerlendirilmesidir. Klinik boyutta 24 saatlik ya da 3 günlük geriye dönük besin tüketim kayıtları alınarak bir uzman tarafından değerlendirme yapılır. Ancak bu kayıtların geriye dönük olması, tüketilen her yiyeceğin anlık olarak kayıt altına alınamaması ve bireysel değerlendirme içermesinden dolayı hatalara açık olabilir.  Mobil iletişim teknolojilerinde son yıllarda yaşanan hızlı gelişmeler, özellikle sağlık hizmetlerinde önemli fırsatlar sunmaktadır. Yiyecek alımını izleme zorluğu, cep telefonları ile kolaylaştırılabilir ve davranış izleme ve değiştirmeye uygun maliyetli, yüksek kaliteli yaygın bir altyapı sağlar (Phan, Montanari & Zerfos, 2010). Son birkaç yılda, beslenme ile ilgili yüzlerce mobil uygulama kullanılmaktadır. Bu uygulamalarda kullanılan ve kullanılacak görüntü tanıma, doğal dil işleme gibi yapay zeka teknolojileri yiyecek ve porsiyon seçim süreçlerini basitleştirebilir, kullanıcıya tüketim analizlerini verebilir ve öz yönetimlerini sağlayabilir.

      Beslenme bireye hitap ettiği gibi bir topluluğa da hitap edebilir. Toplu beslenme sistemlerinin dinamiklerini oluşturan menü hazırlama sürecinde de yapay zeka teknolojileri kullanılarak iyileştirmeler yapılabilir. Yapay zeka, menü planlama zorluğunu çözmek için kullanılabilir, tıbbi ortamlarda hastalar için (Lu et al., 2020) özel amaçlı menü planlamasına uygulanabilir veya kurumsal planlama için uyarlanabilir (PETOT, MARLING & STERLING, 1998). Böylece sistem geçmiş benzer menülerden ve uygulamalardan ne yapması gerektiğini öğrenerek hedef kitle için maliyeti, teknik şartları, nutrisyonel gereksinimleri en uygun menü planlarını çıkarabilir (Franco, Fallaize, Lovegrove & Hwang, 2016).

      Günümüz modern teknolojilerinden yapay zeka, öğrenme ve analiz boyutu ile beslenme süreçlerini kişisel menü planlamalarının da çok ötesinde, pek çok değişkenin dahil olduğu klinik tedavilerde, toplu beslenme sistemlerinde ve mobil sağlık teknolojilerinde karar verme süreçlerini ayrıntıları ile detaylandırarak, kişiye/topluma en uygun beslenme düzeninin oluşturulmasını ve sürdürülmesini sağlayabilir.

4.8 Fizyoterapide YZ – Fulya Yoldaş 

Fizyoterapi; yaşlılık, iş kazası, trafik kazası, doğuştan veya sonradan meydana gelen kas hastalıkları gibi sebeplerle insan uzuvlarında meydana gelen problemlerin çözümünü amaçlar. Bu süreçte uygulanan terapötik egzersizler önemli yer tutar. Günümüzde fizyoterapide uygulanan metotların bazı problemleri mevcut. İlk problem, zaten hareket güçlüğü çeken hastaların tedavi merkezine ulaşmasındaki zorluktur. Uygulanan metotlar el ile yapıldığı için sübjektiftir ve tekrarlı hareketleri her defasında aynı şekilde yapmak oldukça zordur. Bunun yanı sıra bir fizyoterapist aynı anda sadece bir hastayla ilgilenebilmektedir. Yapay zeka teknolojisi kullanılarak bu problemlere çözüm üretebilmenin yanında uygulanan terapinin kişiselleştirilmesi sağlanarak terapiden alınacak verim artırılabilir. (Akdoğan, 2017) (Dr. Sachin. P. Godse, 2019)

Yapay zeka teknolojisinin ilerlemesiyle yaklaşık 20 yıldır bu teknolojinin kullanımı rehabilitasyon sürecine de dahil olmaya başladı. Geliştirilen rehabilitasyon robotları, rutin egzersiz hareketlerini kesintisiz ve aynı şartlarda istenen süre kadar gerçekleştirebiliyorlar. Sahip oldukları sensörler sayesinde uygulanan kuvvet ve konum bilgileri yüksek doğruluk oranlarıyla ölçülüp kaydedilebilmekte. Uzaktan kontrol edilebildikleri için internet tabanlı olarak da kullanılabilen bu robotlar, bu sayede hastaların evde tedavi görmelerine de olanak sağlayarak tedavi merkezine giderken çekilen sıkıntıları da ortadan kaldırabiliyor. Ayrıca hastanın, evinde pozitif ve rahat hissettiği insanlarla çevrili olduğunda iyileşmesinin de daha hızlı gerçekleştiği ispatlanmıştır. Yüz ve ses tanıma, göz ile kontrol gibi özelliklere de sahip olan bu robotlar, komple felçli hastaların bağımsız olarak bu sistemleri kontrol edebilmelerine olanak sağlar.

Rehabilitasyon robotları şu şekilde sınıflandırılabilir:

  • Terapötik egzersiz robotları
  • Hareket destekçi dış iskelet robotları
  • Yürüme rehabilitasyon robotları
  • Protezler
  • Tekerlekli sandalyeler

Bu alanda Yıldız Teknik Üniversitesi tarafından gerçekleştirilen çalışmalara örnek olarak “Fizyoterabot” verilebilir. 3 serbestlik dereceli alt uzuv ve 3 serbestlik dereceli üst uzuv rehabilitasyonuna yönelik iki farklı türü mevcut olan bu robot, tıbbi uzmanlar denetiminde etik kurallar göz önünde bulundurularak test edilmiş ve tüm hastalarda pozitif sonuçlar gözlemlenmiştir.

Fizyoterabot, hastanın eklem açısını ölçebiliyor veri tabanındaki bilgileri karşılaştırıp, doktora yol çiziyor ve doktor cep telefonu üzerinden bu bilgilere ulaşıp, gerekli işlemleri yapabiliyor. (Akdoğan, 2017)

Yapay zeka teknolojisi, doktorların da hayatını kolaylaştırıyor. Bu sayede terapistler, hastaların ihtiyaç duyduğu bakım ve desteği vermek için gerekli araçlara kavuşmuş oluyorlar. Aynı zamanda terapistlerin iş yükleri azalıyor. Böylece eskisinden daha fazla hastayı tedavi etme imkanı elde etmiş oluyorlar. Terapistlerin, hastalar hakkındaki verilerin, karmaşık etkileşimlerin ve yeni oluşturulan bakım ekiplerinin analiz etmesine ve yorumlamasına da yardımcı olacaktır. (Rowe, 2018)

Kısacası, yapay zeka birçok alanda olduğu gibi fizyoterapi alanında da hayatımızı kolaylaştırmakta ve uygulanan eski metotlara kıyasla alınan verimi de arttırmakta. Bu tarz teknolojilerin gelişmesiyle rehabilitasyona ihtiyaç duyan hastaların tedavi süreleri kısalacak ve daha çok hastaya etkin ve faydalı bir tedavi imkanı sunulacaktır.

4.9 YZ ve Süper insan – Dr.Nuh Yılmaz 

Bir süper insan, en parlak ve en yetenekli insan zihninden çok daha fazla zekaya sahip olan varsayımsal bir ajandır. Aynı zamanda yüksek seviyeli entelektüel özelliklere gerçek dünyada sahip olup olmadığı önem arz etmeden problem çözüm sistemleri olarak da gösterilmektedir. Oxford Üniversitesi’nden Nick Bostrom “süper zekayı” ‘neredeyse tüm ilgi alanlarında insanların bilişsel performansını büyük ölçüde aşan herhangi bir zeka’ olarak tanımlamıştır (Bostrom, 2014).

Übermensch, bazen Friedrich Nietzsche’nin bir kavramı olan “Süper İnsan” olarak tercüme edilir. Süper insan, yapay zekanın bir varlığının belirli bir görevde çoğu insanın yaptığından daha iyi performans gösterdiği yapay zekadaki ilerlemenin sınıflandırılmasındaki aşamalardan biridir. Bilgisayarların insanüstü performansa ulaştığı yerlerin örnekleri arasında Tavla, Köprü, Satranç, Reversi, Scrabble, Go ve Jeopardy vardır (Wikipedia, 2021). Yapay zeka zamanla daha akıllı hale geldikçe insanlar ve algoritmaların arasında öğrenme ve iş birliği potansiyeli artmaktadır. Bununla birlikte, yapay zeka sorunlara yaklaşırken genellikle farklı yollar izler, bu nedenle yorumlanması ve öğrenmesi zor olabilir. İnsan ile yapay zeka arasındaki bu boşluğu doldurmada çok önemli bir adım, yalnızca insan performansını eşleştirmek yerine, insan davranışını oluşturan eylemleri modellemeden faydalanılabilir.

Deep Blue’nun 1997’de satrançta Garry Kasparov’a karşı kazandığı zaferden sonra IBM de bu alanda çalışmalara başlamıştır. IBM Watson insanoğlu karşısında ilk zaferini Jeopardy oyunu ile kazanmıştır. Birçok alanda kullanılabilen IBM Watson sağlık hizmetlerinde doğal dil işleme, hipotez üretimi ve kanıta dayalı öğrenme yetenekleri, Watson’ın klinik karar destek sistemlerine ve tıp uzmanları tarafından kullanılmak üzere sağlık hizmetlerinde yapay zeka artışına nasıl katkıda bulunabileceğini görmek için araştırılmıştır (IBM,2013). Hekimlere hastalarının tedavisinde yardımcı olmak için bir doktor semptomları ve diğer ilgili faktörleri açıklayan sisteme girdiğinde Watson önce en önemli bilgi parçalarını tanımlamak için girdiyi ayrıştırır, hastanın tıbbi ve kalıtsal geçmişiyle ilgili bilgileri bulmak için hasta verilerini araştırır; hipotezleri oluşturmak ve test etmek için mevcut veri kaynaklarını inceler ve son olarak, kişiselleştirilmiş, güven puanına sahip tavsiyelerin bir listesini sağlar (IBM,2013). Watson’ın analiz için kullandığı veri kaynakları arasında tedavi kılavuzları, elektronik tıbbi kayıt verileri, sağlık hizmeti sağlayıcılarından notlar, araştırma materyalleri, klinik araştırmalar, dergi makaleleri ve hasta bilgileri yer alabilir. Bir “teşhis ve tedavi danışmanı” olarak geliştirilip pazarlanmasına rağmen, Watson hiçbir zaman tıbbi teşhis sürecine dahil olmamış, sadece daha önceden teşhis edilmiş hastalar için tedavi seçeneklerini belirlemeye yardımcı olmuştur (IBM,2013).

5.1 YZ ve Kullanılan Departmanlar – Dr.Nuh Yılmaz 

Yapay zeka sağlıkta ilk kez 1970li yıllarda Enfeksiyon Hastalıkları’ nda bir uzman sistem olan MYCIN’de kullanılmıştır. MYCIN, verilen hasta verilerden 700’den fazla kuralı değerlendirip en uygun antibiyoterapiyi önermektedir (Shortliffe and Buchanan, 1976).

            Yapay zeka özellikle biyoinformatik, radyoloji, patoloji, oftalmoloji, mikrobiyoloji, onkoloji, sinirbilimi gibi alanlarda daha yoğun olsa da tıbbin birçok dalında kullanılmaktadır. Hali hazırda şu an yapay zeka ve sağlıkta kullanımını ilişkilendiren 3960’yı endekslerde taranan 1862’si taranmayan 9575’i gözden geçirilmeyi bekleyen 15446 yayın bulunmaktadır (PyMed, 2021).

            Sağlık hizmetlerinde derin öğrenmenin yaygın bir uygulaması, radyoloji görüntülerinde potansiyel olarak kanserli lezyonların tanınmasıdır (Fakoor et al., 2013). Derin öğrenme, radyomikslere veya görüntüleme verilerinde insan gözü tarafından algılanabilecek özelliklerin ötesinde klinik olarak ilgili özelliklerin saptanmasına giderek daha fazla uygulanmaktadır (Vial et al., 2018). Hem radyomiks hem de derin öğrenme en yaygın olarak onkoloji odaklı görüntü analizinde bulunur. Bunların kombinasyonu, bilgisayar destekli algılama veya CAD olarak bilinen görüntü analizi için önceki nesil otomatik araçlara kıyasla tanıda daha fazla doğruluk vaat ediyor gibi görünmektedir (Davenport et al., 2019).

Geçirilmiş inme sonrası yürüme güçlüğü yaşayan hastalarda yapay zeka destekli robotik sistemler ve fizyoterapi birlikte uygulandığında yürüyüşlerinin niteliğinin sadece fizyoterapi alanlardan iyi olduğu bir meta-analiz çalışmasında gösterilmiştir (Mehrholz et al., 2020).

Dünyada ölüm sebeplerinin başında gelen hastalıklarla mücadelede yapay zeka en yakın destekçilerimizden biridir. Kalp ve damar hastalıkları (Krittanawong et al., 2020), şeker hastalığı (Nimri e al., 2020; Wang et al., 2020) ve COVID-19 (Li et al., 2020; Wong et al., 2020) gibi birçok hastalığın tanı, tedavi ve hastalığın tedavi edilmediğinde oluşabilecek sonuçlarının öngörülmesinde kullanıldığı görülmektedir.

 

5.2 Hasta Muayene ve Anamnezinde YZ – Selin Alaybeyoğlu 

Hastaların muayenesi ve anamnez alma halen doktorların en çok vaktini alan işlerden biridir ancak yapay zeka teknolojisinin gün geçtikçe gelişmesiyle birlikte bu süreyi kısaltmak ve daha doğru tanılar koymak mümkün olabilir. Yapay zekanın hasta muayene ve anamnezdeki avantajlarını anlatmak için bazı uygulamaları ve araştırmaları konuşmak doğru olacaktır.

Nottingham Üniversitesinden araştırmacılar, hastaların son 10 yıllık tıbbi kayıtlarını tarayarak ilerideki 10 yıl içinde kalp krizi ya da felç geçirme riskleri olup olmadığını ortaya koyabilecek bir yapay zeka sistemi yarattı. Bu sistem, konvansiyonel tanı metotlarıyla kıyaslandığında fazladan 355 hastaya doğru tanı koydu. (ThinkTech, 2018) Başka bir önemli örnek de pratisyen hekimlerin tanı koyma becerisini ölçen bir sınavda pratisyen hekimlerin doğru tanı koyma oranı %72 civarındayken bazı yapay zekalarda %82 civarında olmasıdır. Üstelik bazı şirketler hem doktorların hem de hastaların vaktini kurtarmak adına hastaların şikayetlerini söylemesiyle onları ihtiyacı olan doktorlara yönlendiren veya sesi analiz ederek hastalara, acil durum çalışanlarına ve doktorlara yardımcı olan bazı yapay zekalar geliştirmektedir. Örneğin Danimarkalı bir yapay zeka şirketi acil durum çağrılarını analiz eden bir yazılım geliştirdi. Yazılım sesin tonundan, arka plan sesinden ve kişinin dediklerinden kalp krizini %93 gibi bir oranla doğru tahmin etti. (Marr, 2019) İçinde bulunduğumuz pandemi döneminde de yapay zeka önemini ve değerini hatırlatarak COVID-19 tanısını 1 saat içinde %92,3 gibi bir doğruluk oranıyla koydu. (Lovell, 2020) Ayrıca makine öğrenimi yöntemlerinin kansere yatkınlığı, nüksü ve ölüm oranını tahmin etme doğruluğunu önemli ölçüde (%15-25) iyileştirmek için de kullanılabilir. (Cruz, 2007)

Tüm bu başarıların yanı sıra yapay zekanın hasta muayene ve anamnezde kullanılmaya başlaması, sağlık hizmetlerine ulaşamayan insanlara sağlık hizmetlerini ulaştırmak konusunda da yardımcı olacaktır. Hastaların evlerinden uzaklaşmak zorunda kalmadan bu hizmetlere ulaşabilmesiyle yakın çevresinde hastane bulunmayan veya bazı fiziksel engeller sebebiyle sağlık hizmetlerine erişmekte zorluk çeken insanlar için bu teknolojinin değeri üst düzeydedir.

Üstelik erken tanıyla oldukça kolay bir şekilde tedavi edilebilecek hastalıkların tanısının gecikmesi hem hastaların iyileşmesini zorlaştırmakta ve maddi durumlarını negatif olarak etkilemekte, hem de hastalığın ağırlaşması sonucu kullanılması gereken araç gereçlerin miktarının artması ve sağlık çalışanlarının daha fazla vakit ayırmasını gerektirmesi açısından da ekonomiyi negatif etkilemektedir. Ancak yapay zeka sayesinde hastalıkları pahalı ve çözülmesi zor problemlerden, önlenebilir ufak sorunlar olma aşamasına getirebiliriz.

 

5.3 Cerrahide YZ – Selin Alaybeyoğlu 

Yapay zeka her geçen gün hayatımızın daha çok içine giriyor. Cerrahide ise yapay zeka şimdiden bazı operasyon odalarına girmeye başladı bile, ancak şimdilik onu sadece cerrahlara yardım aşamasında görüyoruz. İlerleyen dönemde yapay zekanın ameliyatlarda da kendini kanıtlamaya başlamasıyla beraber yapay zekalı robotları tek başına ameliyat yaparken görmeye de başlayabiliriz. Ayrıca yapay zeka en yüksek kalitede hasta bakımı için optimize edilmiş bir gelecek vaadiyle cerrahinin öğretilme ve uygulanma biçiminde devrim yaratma potansiyeline sahiptir. (Surg, 2018)

Ameliyatlarda bugün en sık karşılaştığımız bazı sorunlar ameliyat esnasında ve sonrasında karşılaşılan komplikasyonlar ve cerrahtan kaynaklı hatalar olan malpraktislerdir. Yapay zekanın ise iki sorunu çözmeye yönelik de oldukça etkili olduğunu söyleyebiliriz. Yapay zeka ameliyatlar esnasında cerrahlara rehberlik edebilir, ameliyat öncesi tıbbi kayıtlardan alınan verileri analiz edebilir ve bu da bir hastanın hastanede kalış süresini yaklaşık %21 oranında azaltabilir. Ayrıca yapay zekalı robotların kullanıldığı ameliyatları minimal hasar verici olarak adlandırabiliriz, çünkü yapay zekalı robotlar ameliyatlarda gerekli olan en küçük kesik miktarı kadar kesik açarlar, bu da hastaların ameliyat izlerinin geçmesini beklemesi için daha az süre demektir. Üstelik yapay zeka sayesinde robotlar önceki operasyonların datasını değerlendirebilir ve bu teknikleri uygulayabilirler. 379 ortopedik hastanın incelendiği bir çalışmada yapay zeka yardımcılı robotik prosedürün tek başına ameliyat yapan cerrahlara kıyasla 5 kat daha az komplikasyonla sonuçlandığı bulundu. Bu verileri yan yana getirdiğimizde cerrahide yapay zekanın önemini ve bize daha iyi bir gelecek için verdiği ümidi daha iyi anlayabiliyoruz. (Marr, 2019)

Tüm bu olumlu gidişatın yanı sıra dünyada ameliyat erişimi olmayan beş milyar hastadan da söz etmek gerekir (Olson, 2018). Yapay zekanın tıbbın her alanında kullanılmasıyla beraber sağlık hizmetlerine erişim sıkıntısı çeken insanların bu gelişmeler sayesinde sağlığa ulaşım imkânının kolaylaşacağını ve hayat kalitelerinin yükseleceğini öngörebiliriz. Ameliyat erişimi sıkıntısı çeken hastalar için de bu böyledir. Bu teknoloji masrafları kısması, iyileşme süresini hızlandırması ve kısa zamanda daha fazla hastaya imkân sağlaması açısından özellikle ameliyat hizmetlerine ulaşım sıkıntısı çeken insanlar için son derece önemlidir. 

Bu gelişmelerle beraber yapay zekanın önemini daha iyi anlayabiliyoruz ve gelecekte onu her zamankinden daha fazla alanda göreceğimizi de biliyoruz. Cerrahide yapay zeka ise bu alanlar içinde belki de hayatımızda en çok fark yaratacak alanlardan biri olabilir. 

 

5.4 Laboratuvarda YZ – Fulya Yoldaş 

Tıbbi laboratuvarlar iki teknoloji tarafından temelden değişmektedir. Bunlardan biri de yapay zeka teknolojisidir. Günümüzde hastaneye yatan bir hasta ile ilgili binlerce veri oluşmaktadır. Daha etkin bir sağlık hizmeti verebilmek adına bu verilerin toplanarak Big Data’ya dönüştürülmesi gerekir. Big Data iyi kullanılabilirse daha önce bilinmeyen klinik ilişkiler öğrenilebilir ve bazı klinik çalışmaların da azaltılmasıyla maliyet düşürülebilir.  Laboratuvarlarda yapay zekanın kullanılmasıyla günden güne artan data hacmi, datanın çok boyutlu ve yeni bir perspektifle değerlendirilmesine olanak sağlamaktadır. Bunun yanı sıra Laboratuvar Dışı Elektronik Sağlık Kayıtları’ndan (EHR) daha iyi faydalanılması, pre-analitik ve post-analitik hataların azaltılması, süreçlerin optimize edilmesi, test sonuçlarının daha kısa sürede çıkması, laboratuvarda daha az personel ile daha fazla işin yapılmasını da mümkün kılmaktadır. 

Hastaya uygulanacak tedavinin belirlenmesinde laboratuvar testleri büyük önem taşımaktadır. Fakat dünya çapında hastalardan istenen testlerin %70’i uygunsuzdur, yani hastadan eksik ya da yanlış testler istenmektedir. Bu sorunlara çözüm bulmak adına İzmir Dokuz Eylül Üniversitesi Tıbbi Biyokimya Ana Bilim Dalı’nda görev yapan Prof. Dr. Ali Rıza Şişman ve ekibi tarafından hasta, klinisyen ve laboratuvarı birbirine bağlayan bir test rehberi hazırlandı. Bu algoritma, hekimin önceki test isteminden, bir sonraki test istemini anlayabiliyor. Bu da sürecin hızlanmasını sağlıyor. 

Geliştirilen bir diğer algoritma ile de test sonuçlarının yapay zeka ile doğrulanması amaçlanmıştır. Binlerce verinin doğru bir şekilde onaylanması için çok büyük bir iş gücü gereklidir. Bu noktada yapay zeka, iş gücünü azaltacak ve hem zamandan hem de maliyetten tasarruf sağlayacaktır. 

Yapay zekanın laboratuvarlarda kullanılabileceği diğer bir alan referans aralığıdır. Referans aralığı özellikle kişiselleştirilmiş tıp açısından da oldukça önemlidir. Çünkü ülkemiz de dahil olmak üzere birçok ülke tarafından başka ülkelerde belirlenen referans aralıkları kullanılmaktadır. Oysaki her toplumun referans aralıkları farklıdır. Yapay zeka ile mevcut hastane verilerinden ayıklama ile sağlıklı değerler seçilip bunların normları bulunabilir ve toplumun tümü için referans aralıkları oluşturulabilir. (Şişman, 2018) 

 

Şekil 5.4.1: Analizörden çıkan robot

 

Laboratuvarlarda, rutin ve tekrarlayan işleri de yapay zekalar sayesinde organize etmek mümkün. Şekil 5.4.1’deki robot, santrifüjleme ve pipetleme yapabiliyor. Laboratuvara gelen tüplerin üzerindeki barkodları okuyarak tüple ne yapılacağını anlayabiliyor ve test tüplerini gerekli cihazları taşıyıp yerleştirebiliyor. (Miller,2020)

Geliştirilen farklı algoritmalar, plazma amino asit profillerinde anormal ve normal ayrımını 0,957’lik, çoklu sınıflandırmayı 0,77’lik doğruluk değerleriyle tahminler yapabiliyor. (Resim 2) 

 

Şekil 5.4.2:  Yapay zekanın plazma amino asit profillerini yorumlama performansı

 

Laboratuvarlarda sıkça kullanılan cihazlardan biri olan kütle spektrofotometrelerindeki piklerin kalitesinin değerlendirilmesi ve interferans varsa bunun ortaya çıkarılması için yapay zekaların kullanımı da mevcuttur. Bu sayede piklerin manuel olarak incelenmesinde harcanan zaman azaltılmaktadır. (Shadi Toghi Eshghi, 2018) 

Sonuç olarak, günümüzde artan insan sayısı ve buna bağlı olarak artan verilerin daha kolay, daha hızlı ve daha doğru yorumlanması, hastalara tanı koymada ve tedavi sürecinin başlamasında oldukça önemlidir.  Bu kadar fazla sayıdaki verinin, bir hekim tarafından izlenmesi kolay değildir, yapay zeka yardımıyla bu veriler işlenerek hekimlerin işi kolaylaştırılabilir ve daha verimli bir sağlık hizmeti verilebilir.

 

5.5 Görüntülemede YZ – Vahide Gül Türkmen 

Alman fizikçi Wilhelm Röntgen 1895 yılında “bilinmeyen” ışını keşfettiğinden bu yana, insanlık, vücudunu derinliklerine kadar incelemek için koşar adımlar attı, atıyor da. Hep merakla daha mükemmelin peşinden koştuk. Hastanelerde daha mükemmel, daha kusursuz, daha hızlı tanı ve tedavi için de yapay zeka (YZ), bundan sonra hekimlerin yanında “ikinci bir göz” olacak gibi.  Sağlık alanında “yapay zeka” ve “görüntüleme” kelimelerini birçok kez yan yana görmüş olabilirsiniz. Çünkü hastayı görmek tanı koymanın en önemli basamağıdır, öyle ki radyoloji, patoloji, dermatoloji, göz hastalıkları, kardiyoloji gibi görmenin ve görüntülemenin tanı için ana basamak olduğu klinik bölümler YZ teknolojilerinden en çabuk etkilenenler oluyorlar. Radyolojide YZ’den; insan ve tıbbi cihaz kaynaklı hata payını azaltması, tanıya yönelik önerilerde bulunması, randevu, tetkik, tanı, tedavi iş akışını düzenleyerek süreci kısaltması, hasta hizmet maliyetini düşürmesi, hastanın geçmiş verileri ile diğer tetkik sonuçlarını birleştirerek bütüncül bir bakış sağlaması yani hasta sağlığı çıktılarını iyileştirmesi bekleniyor (Thrall ve ark., 2018). 

Hekim, hastasından anamnez (hasta hikayesi) aldıktan sonra ön tanıları oluşur ve bu ön tanılara yönelik tetkik ister. Görüntüleme ise hekimlerin yararlandığı tanıya yardımcı tetkiklerin başında geliyor. Görüntüleme dediğimizde Röntgen, Ultrason (Sonografi, USG), Bilgisayarlı Tomografi (BT), Manyetik Rezonans Tomografisi (MRT), Manyetik Rezonans Spektroskopisi (MR-Spektroskopi, SPECT), Nükleer Tıp ve Anjiografi yöntemlerini anlayabiliriz. Radyolojik tetkik öncesi YZ; endikasyon ve uygunluk değerlendirmesinde (Sorin ve ark., 2020), inceleme sırasında triyajda (Lee ve ark., 2019), hastaya özgü otomatik çekim protokolleri oluşturmada (Lee YH., 2018), sekans ve tetkik parametrelerini belirlemede, kontrast madde kararında (Trivedi ve ark., 2018) rol oynayabilir. Düşük dozla, yüksek dozlu BT görüntülerini tahmin ederek radyasyon dozunu azaltabilir (Lenfant ve ark., 2020) veya tetkik sonrası görüntünün kalitesini arttırabilir (Zhang ve ark., 2020). MR süresini kısaltabilir (Hyun ve ark., 2018) ve MR kontrast madde miktarında tasarruf sağlayabilir (Gong ve ark., 2018). Radyolojik görüntülemede tespit edilen kitlenin segmentasyonunu yapabilir. Böylece kitleleri belirleyebilir, klasifiye edebilir veya mesela Radyasyon Onkolojisi bölümünde, tümörü ve radyasyon almaması gereken riskli bölgelerin otomatik işaretlemesini yapabilir (Walsh ve ark., 2018). Radyolojide nesnelerin interneti (Internet of Things- IoT) uygulamalarıyla görüntü paylaşımı, uzaktan görüntü okuma, mobil görüntüleme cihazları, konsültasyon uygulamaları da günlük klinik pratiğe adapte olabilir (Gupta ve ark., 2020). Aynı zamanda, etiketlenmiş ve kategorize edilmiş rapor ve görüntüleri tıp eğitimini iyileştirmek amacıyla da kullanabiliriz (Duong ve ark., 2019). 

Verinin çok fazla olduğu ve bu verilerin birbirleriyle ilişkisinin hayati önem taşıdığı günümüzde, radyolojik görüntülerin otomatik kantifikasyonu ile oluşan radyomiks ve radyolojik verilerin genomik verilerle korelasyonunu sağlayan radyogenomiks çalışmaları kişisel tıbbı başka bir boyuta taşıyacak gibi görünüyor (Sanvito ve ark., 2021). 

Gelecekte radyoloji alanında YZ’nin; görüntüleme öncesinden görüntülemeye, görüntülemeden sonuçların iyileştirilmesine ve hatta bulguların elektronik hasta kayıtlarına otomatik dönüştürülmesine kadar tüm adımlarda rol sahibi olacağını düşünüyorum. Bu alanda çalışmak isteyenlerin görüntü verilerini standardize etmesi ve yapılandırılmış raporlara (European Society of Radiology) dönüştürerek arşivlemesi de gelecek çalışmalar için önem taşıyor. Radyoloji dışında görüntü işleme tekniklerinin kısaca hematolojide kan yayma preparatlarının analizi, patolojide biyopsi materyallerinin isimlendirilmesi, dermatolojide cilt lezyonlarının sınıflandırılması gibi birçok çalışma bulabilirsiniz. Ancak gerçek şartlar altında klinik sürece ne kadar ve nasıl adapte edileceğinin kestirilememesi, ışık parlamalarından, kötü çekimlerden etkilenmesi, tek bir doğruya odaklanması, ırksal ve bölgesel farklılıklara göre modelin eğitilmesi ihtiyacı, blackbox problemi ve tıbbi görüntülere lezyon ekleme-silme potansiyelleri (Chu ve ark., 2020) gibi veri güvenliği problemleri de yapay zekanın üzerine düşünülmesi gereken kısımlarını oluşturuyor.

Sonuç olarak ülkemizde ve dünyada birçok YZ çalışması yapılıyor. Ancak bunların klinikte kullanılmaya başlanması, şirketlerin YZ’yı entegre ettiği ürünleri pazarlaması ve devletlerin akademik çalışmaları, özellikle de bunların ürünlere dönüşümünü destekleyerek klinik kullanımlarına izin vermesiyle ivme kazanacak gibi görünüyor (Radyolojide akademi ve endüstri hakkında daha fazla bilgi için Chan ve ark., 2020 yayınını inceleyebilirsiniz.). Bu bakımdan 2018 yılında FDA’nın diyabetik retinopati tespiti için üretilen YZ temelli ürüne onay vermesiyle yeni bir dönem başladı. 

 

Not: Bu yazı oluşturulurken “Radyolojide Bilişim, Yapay Zeka, Metin Madenciliği, Teleradyoloji Çalıştayı” ve “DeepAIm 2.0-Görüntüleme ve Ötesi” toplantısından yararlanılmıştır.

 

5.6 Tıp eğitiminde YZ – Zeynep Sude Kaya 

Yapay zeka popüler bir konu olduğundan her yerde karşımıza çıkmakta. Hepimizin doğru yanlış bilgi sahibi olduğu bir alan. Gerek bilim kurgu filmleri gerek teknoloji konseptli oyunlar, şarkılar, videolar olsun kafamızda bir fikir oluşturmakta. Yapay zekaya dair bilgileri herhangi bir şekilde elde ettikçe, Endüstri 4.0 kavramını duyunca ister istemez gelecekte bizi nasıl bir hayatın beklediğini, çeşitli sektörlerin nasıl bu süreçten etkileneceğini merak ederiz. Bu merak sağlık sektörü için de geçerli. “Muayenelerimizi artık robotlar mı yapacak, ameliyatlarımıza cerrahlar yerine robotlar mı girecek?” şeklinde sorulara varırız ya da bu şekil sorular duyarız. Sonra aklımıza şu sorular da gelir: “Artık sağlık sektöründe robotlar olacaksa o zaman hekimler nasıl yetiştirilecek?”, “Tıp fakültelerine ne olacak?” …

Tıp eğitimi, öğrenilmesi gereken bilgi ve becerilerin fazla olması, hekim yeterliklerinin sürekli yenilenmesi, alana özgü eğitim yöntemleri ve günümüzün toplumunun modern tedavi ve sağlık bakım gereksinimi nedeniyle dijital teknolojilerin desteğine gereksinim duyan bir alandır. Bu nedenle, klinik karar vermeyi desteklediği için tıp ve sağlık bilimleri alanında yaygın olarak kullanılan karar destek sistemleri, tıp eğitimine özgü eğitsel amaçlarla da kullanılmaya başlanmıştır. (Karaca, Çalışkan ve Demir, 2020)

 

Şekil 5.6.1: Tıp eğitimine özgü karar destek sistemlerinden yararlanan paydaşlar

 

Tıp eğitiminde kullanılan karar destek sistemleri, yukarıda önerilen standartlar ile elde edilen eğitsel verilerin zenginliğine göre Şekil 5.6.1 ‘de belirtilen paydaşlarca farklı karar verme süreçlerinde kullanılabilir. (Karaca, Çalışkan ve Demir, 2020) 

Örneğin; 

  • Tıp ve sağlık bilimleri öğrencilerinin performanslarına ilişkin ölçümler üzerinden belirlenen ve iyileştirilmesi gereken yönlerinin görülmesi. 
  • Tıp ve sağlık alanı için içerik üreten dış veya iç kaynakların, ürünlerinin nasıl kullanıldığını ve işlevselliğinin belirlenebilmesi. 
  • Tıp eğitimi veren kurumlar için öğrencilerin başarı düzeylerini görebilmesi ve buna ilişkin öngörülerin yapılması, öğretim yöntemlerinin verimliliklerinin değerlendirilmesi, çevrimiçi öğrenme kaynaklarının veya eğiticilerin etkinliğinin belirlenmesi. 
  • Sağlık eğitimi konusunda politika geliştirici kurumların eğitim veren kurumları karar destek sistemi aracılığıyla üretilen veriler sayesinde kendi özel ölçütlerini kullanarak değerlendirebilmesi veya akredite etmesi. (Karaca, Çalışkan ve Demir, 2020)

Karar destek sistemlerinin birincil görevi sağlık hizmet sunucusuna yardım etmek veya hastanın aldığı sağlık hizmetini iyileştirmektir. Karar destek sistemleri buna ek olarak uzmanlık öğrencisinin eğitimi ve uzman hekimin sürekli mesleksel gelişimine de katkı sağlayabilmektedir. Örneğin, Pensilvanya Üniversitesi’nde bu soruna çözüm oluşturmak amacıyla ARIES (The Adaptive Radiology Interpretation and Education System) adında bir yazılım geliştirmiştir. Bayesian ağ yapısında ve açık kaynak kodlu bir yazılım olan ARIES hem radyolojik görüntüleri yorumlayarak tanı koymaya yardım eden hem de eğitim amaçlı kullanılabilen bir klinik karar destek sistemidir. ARIES gibi sistemlerin, adayların öğrenme ve tanı koyma etkinliklerini geliştirip geliştirmediğini belirlemek için daha ileri geçerleme çalışmaları sürdürülmektedir. Bu tür ağlar henüz klinik uygulama için onaylanmamıştır. (Karaca, Çalışkan ve Demir, 2020)

Tıp ve sağlık eğitiminde kullanılan yapay zeka uygulamalarını örneklemek için öncelikle günümüzde eğitimde kullanılan yapay zeka uygulamalarını kategorik olarak incelemek gerekmektedir. Luckin, Holmes, Griffiths ve Forcier günümüzde eğitimde kullanılan yapay zeka yazılım uygulamalarını üç kategoride tanımlamaktadır: kişisel eğiticiler, işbirlikli öğrenme için akıllı destek ve akıllı sanal gerçeklik. (Karaca, Çalışkan ve Demir, 2020)

Zawacki-Richter ve arkadaşlarının yaptıkları sistematik derleme ile eğitimde uygulanan 146 yapay zeka araştırmasını incelemiş ve eğitimdeki yapay zeka uygulamalarını, sınıflama ve öngörme, zeki öğretim sistemleri, ölçme ve değerlendirme, uyumlanabilen sistemler ve kişiselleştirme olmak üzere dört ana kategoriye ayırmışlardır. (Karaca, Çalışkan ve Demir, 2020)

 

Şekil 5.6.2: Tıp Eğitiminde Yapay Zeka Uygulama Ana Başlıkları ve Örnekleri

 

Ayrıca hem hastaların hem de öğrencilerin zor durumda kalmaması açısından öğrencilerin çeşitli noktalardaki yeterliliklerini arttırmak için eğitimlerde çeşitli simülasyonlar da kullanılmaktadır. Yapay zeka teknolojisi sayesinde öğrenciler bir müdahale yaptıklarında simülasyon sanki gerçek hastaya bu müdahale yapılmış gibi tepki vermekte. Bu şekilde öğrenciler çeşitli işlemlerin pratiklerini defalarca kez yapabilmekte.

Kısacası saymakla bitiremeyeceğimiz imkanlar teknoloji geliştikçe önümüze sunulmakta. Teknoloji ile hem yeni bilgiler keşfedilmekte hem yeni uygulamalar geliştirilmekte, üstüne üstlük verim artmakta ve maliyet azalmakta. Gelişmelerle iç içe olarak yetiştirilen ve kendisine her daim güncel tutan hekimler bize gelecekte daha güçlü sağlık sektörlerini getirecektir.

 

5.7 Kanser ve YZ – Meryem Doğan 

Yapay zeka yöntemleri kanser hastalıkların tanısında ve risk faktörlerinin değerlendirilmesinde yardımcı olmaktadır. YZ birden çok avantajları bulunmaktadır. Yakın geçmişte Google’ın YZ kanser tespit yetenekleri bir makale olarak yayınlandı. Tümörleri 100×00 piksel kadar küçükken dahi tespit etmek için, görsel kalıpları tanımaya dayalı tahminler yapan bilgisayarlardan oluşan bir yöntem olan bir sinir ağı kullanıldı. Böylece %92,4 doğrulukla tümörler tespit edilebildi. Daha önce başka bir YZ yöntemiyle %82,7 ile elde edilmiş olan en yüksek sonuç böylece geçilmiş oldu. Patologların elle yaptığı ölçümlerde ise bu oran %73,2 idi. Örneğin bir onkolog yeni tedavileri öğrenmek amacıyla makale okumalıdır. Bir yılda 150 binden fazla kanser araştırma makalesi yayınlanıyor. Bir hekimin bu yayınların hepsini kısa bir sürede okuması oldukça zor gözüküyor. Oysa bir yapay zeka saniyeler gibi oldukça kısa süre içerisinde tüm bu makaleleri okuyup öneriler sunabiliyor. Benzer şekilde tecrübe oldukça önemli ve bir hekim hayatı boyunca ortalama 100 bin hasta görebilir. Oysa yapay zeka milyonlarca hatta milyarlarca hasta verisinden öğrenebilir. Aynı zamanda hastanın eski hasta kayıt sistemlerinden elde ettiği tetkiklere ulaşıp kişiye özel değerlendirme yapabilme, insan gözünün bile göremeyeceği ince tespitler, MR-BT görüntünün kalitesini yükseltmesi gibi aslında birçok avantajı içinde bulunduruyor. Google sağlık alanındaki iş birlikleri ile, yakın zamanda onkologların erken tanı koyamadığı hastalarda bile kanseri erken evrede teşhis edebilen bir yapay zeka geliştirdiğini duyurdu. Bu yapay zeka, yaklaşık 15 bin hastaya ait yaklaşık 42 bin bilgisayarlı tomografi akciğer görüntüleri (veri) ile eğitildi. Sonra 6 uzman radyologdan oluşan bir ekibe karşı test edildi. Geliştirilen yapay zekanın, akciğer kanseri tespitinde uzmanlardan yüzde 5 oranında daha başarılı olduğu belirtildi. Tüm bunlarla birlikte yapay zekanın kanser alanı için çok önemli gelişmeleri beraberinde getirdiğini gözlemleyebiliriz. 

Dijital sağlık alanında Endüstri 4.0’ın da etkisiyle ortaya çıkan makinelerin hayatımızı kolaylaştırma durumu, YZ kullanılarak akıllanan cihazlarla insanlık adına ve insanlığın yararına kullanılmaya başlanmıştır. Özellikle hızlı yaşlanan toplumlarda makinelerin ve robotların insanların hayatını kolaylaştırması, sağlıklarını kararlı bir şekilde devam ettirmeleri beklenmektedir. Bu amaçla geliştirilen akıllı sağlık uygulamaları ve YZ teknolojilerinden bahsedilmiştir. Bu durum yapay zekanın sağlık alanı için vazgeçilemeyecek bir alt yapı oluşturmasını ve insandan kaynaklı hataların önüne geçilmesini sağlayacaktır. Yapay zekanın sağlık alanında kullanılmasıyla; yeni ilaç keşfi hızlandırılacak, hastalıkların henüz etkileri görünmeden hastalıkları teşhis etmelerini sağlayacak -ki kanser de erken teşhisin önemini biliyoruz- ve tedaviyi o şekilde planlanmasını gerçekleştirecektir. Genetik kaynaklı olan hastalıklar ve kanserler için yapılan çalışmalarda kişinin hastalık yatkınlıklarına bakılarak, hastalığın açığa çıkması için gerekli altyapının oluşmasının önüne geçilecek ve hastalığın önlenmesi sağlanarak daha uzun süre sağlıklı kalınması sürdürülebilecektir.

 

5.8 Medikal Robotlar ve YZ – Ceren Alicikoğlu 

1950’ lerden bu yana aktif bir araştırma alanı olan yapay zeka ve makine öğreniminin, medikal cihazların işleyişine dahil edilmesi demek, bu robotların insan üstü performansa ulaşması anlamına geliyor aynı zamanda. Yaygın hastalıkların taranması ve teşhisi için AI kullanan ve tıbbi görüntülerin hassas teşhisini gerçekleştiren medikal robotlar, kullanıcılara birçok alanda kolaylık sağlıyor.

  Medikal Robotların geliştirilmesinde neden yapay zekaya ihtiyaç duyuluyor?

 Bir robotun insan ile etkileşiminde, o robotun bilişsel ve fiziksel etkileşimleri birbirine bağlıdır. Robotun fiziksel dünya ile nasıl etkileşime girdiği, çevreyi bilişsel olarak değerlendirmek için kurallar belirlemesine yardımcı olabilir. Bu da robotun uygun kontrol parametrelerini belirlemesine yardımcı olarak fiziksel etkileşimleri iyileştirmeye yardımcı olabilir. Ve şimdi makine öğrenimini kullanan medikal robotik geliştiricileri, çeşitli senaryoları daha iyi anlayabilen ve daha verimli çalışabilen yapay zeka robotları geliştiriyor. İşte bu yapay zekayı robotik teknolojiye dahil ettiğimizde, bir robotun yeteneklerini artırarak, robotları daha verimli ve daha yetenekli hale getirmiş oluyoruz. Birkaç örnek vermek gerekirse; Rehabilitasyona yardım olarak, hastaların hareket kısıtlanmalarından (örneğin uzuv kaybından) kaynaklanan sorunlar karşısında bağımsızlıklarını korumak, ameliyat yapmak, kesinlik ve hassasiyet gerektiren karmaşık ameliyatları gerçekleştirmede cerrahlara yardımcı olmak için deneyimli bir cerrahi araç olarak yardım sağlamak için kullanılmak üzere ve sayılabilecek pek çok alanda daha karşımıza çıkıyor.

 Peki nasıl oluyor da yapay akıllı medikal robotlar böylesine bir yeteneğe sahip olabiliyor? 

Öncelikle yapay olarak akıllı bir robot (YZ robot); çok çeşitli fizyolojik sinyalleri, insan davranışını ve çevredeki ortamı algılamak için farklı sensörler gerektirir. Bir mikrodenetleyici ile sensörlerden elde edilen giriş bilgileri toplanır ve insan girdisi yoluyla durum hakkındaki bilgiler toplanır. YZ robot, yeni bilgilerin neyi ifade ettiğine karar vermek için bu depolanan verileri kullanır. Toplanan bilgilere dayanarak, YZ robotu, en uygun eylem planına karar vermek için olası tahminlerden geçecektir. Bu bilgiler saklanır ve robot aynı durumla tekrar karşılaşıldığında başarılı eylemi gerçekleştirmeye çalışır. Bu eylem, harmanlanmış bilgilere dayalı biçimdedir. YZ robot bilgiyi anladığında, bilgiyi çevirmesi ve bir çıktı oluşturması gerekir. Çıktı; hareket, ses, ışık veya kablosuz iletişim olabilir. Bir robotun kontrol sistemi ise, ürettiği çıktı türünü de etkileyebilir ve bir bilgisayarın yardımı olmadan girdilere yanıt vermesini sağlayabilir.

  Sağlık hizmetlerinde yapay zeka ve robotik alanı, insan-robot etkileşimi, insan merkezli tasarım ve YZ ve robotik içindeki düzenleyici kurumlar… Tüm bu unsurlar hep birlikte kullanıldığında, yakın gelecekte algoritmalar insan üstü performansa ulaşmaya hız kesmeden devam edecek ve tıpta geniş çapta benimsenmiş durumda olacak. Aynı zamanda nüfus da arttıkça, robotik ve yapay zeka gibi alternatif sağlık hizmeti seçeneklerine yönelik talep de artacaktır. Yapay zeka, insan etkileşiminin yerini alma yeteneğine sahipken, robotlar yorulmadan sürekli çalışma yeteneğine sahip. Bu teknolojilerin ikisi birlikte kullanıldığında, herhangi bir zamanda sağlık hizmetlerine erişim sağlamaya yardımcı olabilirler.

6.1 YZ’ya Hastaların Adaptasyonu – Arş. Gör. Seda Çetin Avcı 

Yapay zeka, sağlık yönetimini desteklemek için umut verici bir araçtır. Çeşitli çalışmalar, yapay zekanın hasta yönetimini iyileştirdiğini ve böylece klinisyenler üzerindeki idari talepleri azaltarak klinik bakımı artırdığını göstermiştir. Sağlıkta yapay zeka uygulamaları, insanları kendi semptomlarını değerlendirme ve mümkün olduğunda kendilerine bakım konusunda yetkilendirme potansiyeline sahiptir (Reddy, 2018; Ellahham ve ark. 2019). Yapay zeka kavramı, nasıl çalıştığı ve neyi yapabileceği/yapamayacağı konusu bakımından hastalar için oldukça karmaşıktır. Bu karmaşıklığın giderilmesi, hastaların yapay zekayı anlamlandırabilmesi için önemlidir fakat hastaların yapay zeka kavramını derinlemesine incelemesine ihtiyaç yoktur. Önemli olan konu, hastaların yapay zekanın ne işe yaradığını, nasıl faydalı olduğunu, kendileri için nasıl güvenilir bir şekilde çalıştığını bilmeleri ve güvenmeleridir. Bu güveni ve yapay zeka hakkında ön bilgiyi sağlamak, yapay zekanın hasta adaptasyonunda en önemli adımlarından biridir. Bu nedenle, yapay zeka geliştiricileri, yapay zekanın hasta bireye sağlayacağı faydasına ve güvenilirlik konusuna odaklanmalıdır (Academy of Royal Medical Colleges, 2019). Ayrıca yeterli açıklama yapılmadan yapay zekanın sağlık alanında kullanılması tehlikeli olabilmektedir. Bu nedenle mutlaka hastalara yapay zeka hakkında derinlemesine olmayan ön bilgi verilmelidir (Cohen, 2020; Robins ve Brodwin, 2020). Şeffaflık ve açıklanabilirlik, yapay zeka uygulaması için oldukça önemlidir (Geis ve ark., 2019). Lennartz ve ark. (2021) yaptığı bir çalışmada yapay zeka hakkında önceden bilgi sahibi olan hastalar, yapay zeka kullanımını daha kolay kabul etmiş ve adapte olmuştur. Yine aynı çalışmada yapay zeka teknolojisine aşinalığın hastaların bunu kabul etmesini etkileyen en önemli faktör olduğunu belirtilmiştir. Bunun yanı sıra, yapay zekanın hastalara adaptasyonu için, hastaların sağlık okuryazarlığı durumlarının da önemi büyüktür. (Schulz ve Nakamoto, 2013).

Yapay zekayı kabul edilebilir bir şekilde uygulamak için önemli bir paydaş olan hastaların yapay zeka kullanımı hakkında görüşlerini, beklentilerini ve bakış açılarını anlamak da önemlidir (Pinto Dos Santos ve ark., 2019). Literatürde çalışmaların çoğunda hastaların tıpta yapay zeka uygulamasını genel olarak kabul ettiği belirtilmiştir. Çalışmalarda hastalar, yapay zekanın faydasının zararından daha ağır bastığını ifade etmişlerdir (Tran ve ark., 2019; Lennartz ve ark., 2021).

Bahsedildiği gibi yapay zekaya adaptasyonu sağlamak için hastaların yapay zeka teknolojilerine aşina olmaları ve ön bilgiye sahip olmaları önemlidir. Bunu sağlamak için farkındalık çalışmaları ve hasta eğitimleri yapılabilir. Ayrıca aşinalığı sağlamak amacıyla da bilgilendirici broşürler hazırlanıp hastalara dağıtılabilir (Schulz ve Nakamoto, 2013).

 

6.2 YZ Hakkındaki Endişeler – Hatice Yakışıklı 

    Yapay zeka sağlık alanının araştırma ve geliştirilmesinde, hizmetinin sunumunda, korunması ve sürdürülmesinin sağlanmasında kullanıma girmektedir. Yapay zeka; sağlıkta daha hızlı, daha verimli, daha etkin ve daha az maliyetli olabilmesi sebebiyle erken teşhis, tanı, karar verme ve tedavi alanlarında yapay zekânın kullanımı giderek genişlemektedir.

 Yapay zekanın kullanım alanının faydalı ve verimli olarak gelişmesinin yanında birtakım endişeler ve etik kaygılara yol açan görüşler ile karşılaşabilmekteyiz.

Yapay zeka destekli kullanımlarda istenmeyen sonuçlara yol açabilecek kasıtlı veri girişi ve değişimi sebepleri başta olmak üzere birçok yapay zeka uygulama ve sistemlerinde kayıt altında tutulan sağlık verilerinin her geçen gün artması ve depolanması bu verilerin kaybolması, izinsiz işletilmesi ve paylaşılması bu alanda oluşabilecek güven risklerini de arttırıyor.

Sağlık alanında kullanılan yapay zeka destekli program ve robot sistemlerin insan zekâsı kadar sezgisel olmaması sebebiyle sağlıkta tanı ve tedavi tespitlerinin, acil durumlarda verilebilecek doğru tıbbi kararların ve meydana gelebilecek çeşitli komplikasyonlar ardından sorumluluk veya yetkinin kimde olması gerektiği birtakım çelişkilere sebebiyet vermektedir.

Uzman sistemler, bir uzmanın bilgisini bilgisayar ortamında gerçekleştirmeyi amaçlayan ve bu amaçla olaylara çözüm geliştiren yapay zeka programlarıdır. Uzman bilgisi odaklı gelişen, tekrar ve özel bir yaratıcılık gerektirmeyen işleri kolaylıkla yapabilen yapay zeka sistemlerinin sağlık sektöründe kullanımı ve bu sistemlerin gelişimi, sektördeki hizmet sürecine ilişkin etkisinin artmasına, alanında uzman sağlık personellerinin işlevselliğini azaltabilmesine ve mesleklerin yetkinliğinin boyutunu değiştirebilmesine ilişkin düşünceleri de beraberinde getiriyor.

  Yapay Sinir Ağları, insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş ve birbirine bağlanmış matematiksel sistem birimlerinden oluşan bir bilgi işlem teknolojisidir. Yapay sinir ağları birçok problemde insan uzmanlardan daha doğru kararlar verebilmekte, ama sonuçlar sorgulandığında bir uzman yetkinliği açıklığında yanıtlar alınamamaktadır. Buna bağlı olarak yapay zekanın uzmanlık seviyesinde bir bilgi potansiyeline sahip olabilmesi durumu işlediği sürecin sebep-sonuç ilişkisini açıklayabilmesi açısından yeterli görülmemektedir.

   Yapay zeka nihayetinde bir insan üretimidir fakat kendi kendini geliştirebildiği ve aynı zamanda sistemine işlenen verileri etkin ve hızlı kullanabildiği için birçok alanda insan zekâsının işlevinin ötesine geçebilmektedir. Bu gelişen sisteme eksik veya yanlış işlenecek her verinin kullanım çıktısının istenmeyen şekilde gelişmesi olanağı ve bu şekilde gelişecek olumsuzlukları engelleyebilecek yazılımın veya diğer bir tabirle kırmızı düğmenin olup olmayacağı hususu yeni tartışmalara yol açabiliyor.

   Sibernetik veya güdüm bilimi; canlı ve cansız tüm karmaşık sistemlerin denetlenmesi ve yönetilmesini inceleyen bilim dalıdır. Sibernetik bir yaklaşımla geliştirilmeye devam eden Yapay Bilinç sistemleri, insan aklına yakın duygusal karar alma ve denetleme yetisine sahip olabilme becerisidir. Bu alanda gelişim gösterecek yapay zeka sistemlerinin doğru ve kontrollü bir şekilde kullanılmaması sektörde beklenmeyen yanlış karar ve sonuçlara sebebiyet verebilir. Yapay zekada yeterince gelişmemiş yapay bilinç becerisi tanı ve tedavi süreçlerinde tanıyı ve problemleri ayırt edememe sorunlarını beraberinde getirebilir. Mesela yapay zeka sistemine “hasta” ve “hastalık” kavramının verileri doğru ve yeterli bir düzeyde işlenmemişse tanı ve tedavi süreçlerinde hastanın hasta olduğunu anlayamama veya ihtiyacı olan tedaviyi öngörememe gibi olumsuz sonuçları meydana getirebilir.

Sağlık sektörü emek yoğun hizmet gerektiren bir alandır ve yaygın bir şekilde insan gücü kullanımını barındırır. Yapay zeka, bilimsel ve sistematik olarak kullanım sahasını genişletmeye devam ettikçe sağlık alanında önemli bir yer edinmektedir. Bu gelişmeler devam ederken yapay zekanın sektörde ki yeri ancak makine ve yetkili uzman iş birliğinde ilerlerse gereken güveni sağlayabilir.

Yapay zekanın genişleyen kullanım alanları çeşitli işsizlik ve yetkinlik sınırlaması kaygılarını oluşturmaktadır. Yapay zeka insan zekası kadar sezgisel ve duygusal yetkinliğe sahip olamadığı için, acil tıbbi müdahale söz konusu olduğunda yaşanabilecek muhtemel sorunlar ve sonuçlar göz önüne gelmektedir. Sağlık hizmetlerinde ana unsur “insan sağlığı” olduğundan hassasiyet gerektiren ve ihtiyaç duyulan anda sağlanması lazım olan hizmet alanıdır. Bu yüzden tanı, teşhis ve tedavilerde yapay zeka destekli sistemlerin üretilmesi ve kullanılması da aynı oranda özen ve hassasiyet gerektirir. İnsan sağlığı odaklı bir alanda detaydan kaçacak veya zararlı sonuçlar doğurabilecek her hareket ve işlem geri dönülemez hatalara sebebiyet verebilir. Gerek sağlık sektörü gerekse diğer hizmet sektörleri olsun, zeki sistemlerin eğitiminde ve gelişiminde kullanılacak verilerin kalitesi ve doğruluğu aynı zamanda bu sistemleri tasarlayacak ve kullanımına katkı sağlayacak insan faktörüne kadar birçok etken dikkate alınarak yapay zekânın geleceği fayda ve güven odaklı sürdürülebilir olur. Yapay zeka sağlığın geleceği için, sağlığın geleceği yapay zekanın gelişimi içindir.

 

6.3 YZ ve Veri Güvenliği – Fulya Yoldaş 

Teknolojinin ve yapay zekanın hızla gelişmesiyle sağlık alanında da değişimler meydana gelmekte ve kişiselleştirilmiş tıp olgusu günden güne daha da güçlenmektedir. Kişisel sağlık bilgi sistemleri sayesinde hastalar kendi sağlık bilgilerini görüntüleyip yönetebilmekte, bilgi paylaşımı yapabilmekte ve sağlık durumlarını kontrol edebilmektedir. Hastalarla ilgili tüm bilgi ve belgelerin görüntülenebildiği bu büyük data sayesinde hastaneler de birçok kurum ile elektronik ortamda iş birliği yapabilir ve bütünleşik sistemler oluşturabilir hale gelmişlerdir. Bilgilerin görüntülenmesinin bu kadar kolay hale geldiği bu sistem, sağladığı pratiklik yanında akıllara elbette şüphe de düşürüyor. Kişisel bilgilerimiz ne kadar güvende? (Yıldırım, 2019) (Zayim Gedik, 2019) 

Gizlilik korumaları, genel olarak hastaya ve hasta hakkındaki verilere erişimi düzenlemeyle ilgilidir. Bu tür erişimler, bireyin bedensel mahremiyetini, görüntüsü ve ikamet yeri gibi kişisel bilgilerini içerir. Bu nedenle, korunan sağlık bilgilerinin buna hakkı olmayan ve bilmesine gerek duyulmayan kişiler tarafından görüntülenmesinin önlenmesi için gerekli adımların atılmasını sağlayan veri güvenliği önlemleriyle korunur. Özellikle yapay zeka uygulamalarında, klinik ve ticari kuruluşlar, bu tür verileri bilgisayar korsanlarından korumalı ve korunan verileri güvenli olmayan veya savunmasız sunuculara yerleştirmemeye dikkat etmelidir. 

2018 yılında Avrupa Birliği ‘Dünyanın En Kapsamlı Gizlilik Yasası’ olarak adlandırılan GDRP’yi uygulamaya başladı. GDRP kısıtlamalarına göre, AB şirketlerinin ve onlarla iş ilişkisi olan şirketlerin özel verilerinin nasıl kullanılacağına ilişkin, bireylerin açık bir şekilde bilgilendirilmesini gerektiriyor. Ayrıca şirketlerin veri toplamasının sadece ‘kesinlikle’ gerekli olduğu durumlarda ve toplanan verilerin ne kadar süre tutulacağına ilişkin sınırlamalar çerçevesinde yapılmasını zorunlu kılıyor. Özellikle, özel bilgilere sahip olan kuruluşlar, insanlara kendileriyle ilgili hangi verilere sahip olduklarını, verilerin nasıl kullanılacağını söyleyebilmeli ve eğer kişi isterse, bu verileri değiştirebilmeli veya silebilmelidir. Bu koşulları yerine getirmeyen kuruluşlar, yüksek miktarda para cezası ile cezalandırılır. (Nabile M. Safdar, 2020) 

Sağlık hizmetinin daha verimli bir hale gelmesi için depolanan verileri sağlık kuruluşları farklı teknolojiler ile de korumaktadır. Kullanılan teknolojiler arasında kimlik doğrulama, şifreleme, veri maskeleme ve erişim kontrolü gibi teknolojiler en yaygın olanlarıdır. 

  • Kimlik Doğrulama: Yalnızca yetkili kişinin kritik verileri okumasına veya yazmasına da izin verilir. Sunucular arası şifrelerin iletişiminin kaldırılmasını sağlar. Bir sağlık sisteminde, hem sağlayıcılar tarafından sunulan sağlık hizmetleri bilgileri hem de tüketicilerin kimlikleri her erişimin girişinde doğrulanmalıdır.
  • Şifreleme: Veri şifreleme, hassas verilere yetkisiz erişimi engellemenin etkili bir yoludur. Çözümleri, veri merkezinden uç noktaya (doktorlar, klinisyenler ve yöneticiler tarafından kullanılan mobil cihazlar dahil) ve buluta kadar yaşam döngüsü boyunca verilerin sahipliğini korur ve sürdürür. Sağlık kuruluşları, şifreleme şemasının verimli olmasını hem hastalar hem de sağlık uzmanları tarafından kullanımının kolay olmasını ve yeni elektronik sağlık kayıtlarını içerecek şekilde kolayca genişletilebilir olmasını sağlamalıdır. Ayrıca, her bir tarafın tuttuğu anahtar sayısı en aza indirilmelidir.
  • Veri Maskeleme: Maskeleme, hassas veri öğelerini tanımlanamayan bir değerle değiştirir, ancak gerçek bir şifreleme tekniği olmadığı için orijinal değer maskelenen değerden döndürülemez. Bu tekniğin önemli bir yararı, büyük veri dağıtımını sağlamanın maliyetinin düşürülmesidir. Güvenli veriler güvenli bir kaynaktan platforma taşınırken, maskeleme sayesinde platformda bulunan bu veriler üzerinde ek güvenlik kontrolleri uygulama ihtiyacını azaltır.
  • Erişim Kontrolü: Yalnızca kullanıcıların izinlerine sahip oldukları veri gönderme veya veri erişimi gibi etkinlikleri gerçekleştirebilmelerini sağlamak için gelişmiş yetkilendirme kontrolleri sağlar. (Karim Aboulmehdi, 2017)

Özet olarak yapay zeka gibi ileri teknolojilerin sağlık alanında daha fazla yer alması, hastanelerdeki büyük veri selinin daha iyi ayıklanmasını, hekimler tarafından daha kolay kontrol edilir hale gelmesini sağlıyor. Fakat bunun yanı sıra güvenlik ve gizlilik sorunları nedeniyle sağlık sektörü mevcut olan bu teknolojik kaynaklardan tam olarak yararlanamayabiliyor. Her ne kadar yapay zekanın öncelikli amacı sağlık sektöründe kolaylık ve verimlilik sağlamak gibi dursa da hastaların veri güvenliği her şeyin önünde tutulmalı. 

 

6.4 YZ ve Etik – Özge Gül 

Yapay zekanın (YZ) büyük bir hızla gelişimiyle, olası fayda ve zararları üzerine birçok konferans gerçekleştirilmekte, tartışmalar yapılmaktadır. Bu tartışmalar kapsamında yapay zekanın incelenmesi gereken bir başka yönü de girmektedir: Etik.

Etik; Türk Dil Kurumu Sözlüğünde, ‘ahlaki, ahlakla ilgili’, ‘çeşitli meslek kolları arasında tarafların uyması veya kaçınması gereken davranışlar bütünü’ olarak açıklanır. Yapay zeka ve etik konusuna baktığımızda ise taraflar kimlerdir? Yapay zeka teknolojisinin kullanıcısı, üreticisi veya yapay zekanın kendisini taraflar olarak kabul edersek taraflar arasındaki konuları etik çerçevesinde ele almamız gerekir.

Yapay zekanın kullanıldığı teknolojilerin insanlığa sağladığı faydalarla birlikte olası etik problemler bulunmaktadır. 

İnsanın özne olduğu ve yapay zekayı araç olarak kullandığı durumlar için ortaya çıkan etik sorunları ele alalım. Bunlar; 

  • Gizlilik ve Gözetim: Dijital verilerimizin gizliliği ve gözetim olarak ise dijital ortamda bıraktığımız veri izi 
  • Davranışın Manipülasyonu: Bu kısım, çevrimiçi ve çevrimdışı davranışı manipüle etmek için bilgi kullanımını içerir. 
  • Şeffaflık ve önyargı: Yapay zeka algoritmalarının sonuçtaki çıktıya nasıl geldiği opak noktadır. Verilerin önyargı içermesi sonucu ise yapay zeka algoritmaları da önyargılı çıktılar elde edebilir.
  • İnsan-robot etkileşimi
  • İstihdam ve Otonominin etkileri: Yapay zeka ve robotik otomasyonunun bir sonucu olarak işgücü piyasasında yaşanan sorunlar

Yapay zekanın özne olduğu durumda makine etiği ve AI süper zekası sistemlerinin kendileri için etiği ele alabiliriz. 

  • Makine etiği: Makine etiği, makinelerin insanlara ve belki de diğer makinelere karşı davranışının etik olarak kabul edilebilir olmasını sağlamakla ilgilenir. Yapay zekanın makinelere sağladığı özelliklerle birlikte, makinelerin bir anlamda eylemlerinden sorumlu olması tartışılmaktadır.
  • Bir “tekilliğe” yol açan gelecekteki olası bir AI süper zekası sorununu da etik sorun olarak ele alabiliriz. Bu durumda yapay zekanın gelişiminin insan kontrolünden çıkması söz konusudur (Müller, 2020).

Günümüzde, etiğe olan ilgiyi artıran birçok YZ uygulaması bulunmaktadır. Bunlar arasında otonom araçlar, savaş alanı (ölümcül) robotları, e-ticarette ve sosyal medyada tavsiye sistemleri ve yüz tanıma yazılımları bulunmaktadır (Müller, 2020). “Otonom bir aracın yaptığı kazada kimi sorumlu tutacağız?”, “Hastalar için tedavi önerisinde bulunan bir yapay zeka teknolojisinin yanlış tedavi önermesi sonucu oluşan problemde kimi sorumlu tutacağız?” gibi çeşitli problemler önümüze çıkmaktadır. Etik boyutu ile beraber hukuki boyutu ve olası kanuni düzenlemeleri de dikkate almalıyız. Bitirirken; “Yapay zeka’nın potansiyel faydaları çok büyük, tehlikeleri de öyle.-Dave Waters”

 

6.5 YZ ve Sürdürülebilir Sağlık – Prof. Dr. Melih Bulut 

Yapay zeka karar destek sistemi olarak da çok faydalı. İlerleyen bölümlerde bu konuda güzel örnekler izleyeceksiniz. Diğer taraftan hastalar eskiye göre daha karmaşık sorunlarla karşımıza geliyorlar. Sadece Türkiye değil bütün toplumlar hızla yaşlanıyor. İlaveten geçmişte beslenme ve çevreyle ilgili yaptığımız hatalardan ötürü obezite, diyabet, kronik akciğer sorunları, kanser gibi hastalıklar yaygınlaşıyor. Bu durum sağlık sorunu nedeniyle bir kuruma başvuran veya hastaneye yatan hastaların değerlendirilme ve izlenmesinde yeni çözümler gerektiriyor.  Burada da yapay zekanın sağlıkçılara çok destek olacağını öngörmek mümkün. Ayrıca doğal dil işlemenin gelişmesiyle sesin yazıya dökülebilmesi hemşire, hekim ve tüm sağlıkçıların hastanın bulgularını elle yazmalarına gerek bırakmayacak ve kıymetli zamanlarından tasarruf sağlayacak bir olanak. Bu durum, çeviri imkanı ile, uluslararası hizmet ulaşımına da açık.

 

6.6 Sağlıkta YZ İçin Devlet Politikaları – Prof. Dr. Melih Bulut 

Sağlık sistemleri tüm dünyada verimsizlik ve israftan muzdarip. Hizmet sunumunda verimsizlik oranı, genel olarak %20 iken, ABD gibi temel sağlık hizmetlerini ihmal etmiş, buna karşılık tedavi hizmetlerini çok büyütmüş bazı ülkelerde bu oran %30’ları buluyor. Oysa, Hollanda deneyimi bize dijital teknolojilerin sağlık sektöründeki verimsizliği ortadan kaldırdığını gösteriyor. Bu durum hakkaniyetli bir sağlık hizmetinin sürdürülebilir olmasına da katkı yapacaktır şüphesiz.

Yapay zekadan sağlık alanında diğer bir beklentimiz de sağlıktaki eşitsizlikleri olabildiğince ortadan kaldırması. Bugün Afrika kıtası başta pek çok ülkede yeterli sağlık personeli yok, bu eksiği niçin yapay zeka ile gidermeyelim? Teletıp uygulamalarını yaygınlaştırarak en ücra köşedeki insanların bile sağlık sorunlarına çare olabiliriz. Aslında hiçbir devletin her an her vatandaşına en mükemmel düzeyde sağlık hizmeti sunması mümkün de değil. Ancak yapay zeka ve diğer teknolojiler yardımıyla verileri iyi kullanarak elimizdeki kaynakları, daha verimli politikalarla yönetime yansıtabiliriz. 

Dijital sağlık teknolojilerinin ve özellikle yapay zekanın en önemli yararı sağlığa bütünsel yaklaşım yapılabilmesindeki rolüdür. Bu yönüyle kamu sağlık otoritesi açısından sayısız yararı vardır. Nitekim hemen tüm devletler sağlıkta yapay zekanın önemini kavramış ve bu alanda adım atmaya başlamıştır. Kamunun sağlıkta en önemli ve başta gelen görevi yasal düzenlemeleri ortaya koymaktır. Çok hızlı gelişen yepyeni bir alan olması, Sağlık Bakanlığının hizmet de sunması Türkiye’de dijital sağlık ve yapay zeka konusunda bazı hukuki düzenlemelerin geriden gelmesine yol açıyor. Bu eksiklik mutlaka ve hızla giderilmelidir. Kötü ama ender örneklerden korkarak aşırı sıkı düzenlemeler yapan ülkelerde böylesi yaklaşımlar yeni teknolojilerin serpilmesini engelliyor. Devlet yetkililerinin bu noktaya dikkat etmesi lazım. Dijital sağlık teknolojilerini ve yapay zekayı esas itibariyle startuplar geliştirebiliyor, bunu geçmiş tecrübelerden çok iyi biliyoruz. Devlet veya çok uluslu şirketler gibi aşırı kurumsallaşmış yapılar inovasyon yapamıyor. Bu gerçekten hareketle kamunun dijital sağlık ve yapay zekada inovasyonu teşvik edecek ortamı sağlaması da regülasyon yapmaktan sonraki ikinci görevi olmalı.

 

6.7 Sağlıkta YZ için STK’ların önemi – Prof. Dr. Melih Bulut 

Dijital dünyanın değerleri eski dünyadan farklı. Paylaşımcı, şeffaf, hesap verebilir, demokrat, gerçekten sosyal sorumluluk taşıyan, çevik, kollektivite ve konnektiviteyi içselleştirmiş, yenilikleri seven, izleyen ve yeniliğe hızla adapte olabilen insanların dünyası bu dünya. Yani alışageldiğimizden farklı. Dijital dünyada bir ülkenin sadece devletin uygulayacağı politikalar ile başarıya ulaşması mümkün değil. Özellikle yapay zekada yeni bir anlayışla örgütlenmiş, yeni bir anlayışla çalışan sivil toplum örgütlerine büyük ihtiyaç var. Başarı için bu yeni nesil örgütlerin bir taraftan devletle, bir taraftan bireylerle, bir taraftan kurumsal şirketlerle, bir taraftan da startuplarla iş görebilmesi yani platform tabanlı iş modelleriyle çalışabilmesi lazım. 21. Yüzyılda toplumların iyice karmaşıklaşan sorunları devlet, yerel yönetimler, sivil toplum örgütleri, gönüllüler, şirketlerin ortak akılla birlikte çalışmasını zorunlu kılıyor.

Yapay zeka ve dijital sağlık teknolojileri sağlığın tüm bileşenlerinde etkili olarak sağlığı hızla dönüştürüyor. Bireyler, kurumlar, toplumlar ve dünya ölçeğinde sağlıkta başarı için bu değişimin bilincinde olmamız ve değişimi yönetmemiz gerekiyor. İster COVİD-19 ile mücadele ister aşı geliştirme ister bireysel sağlığımızı koruma ister sağlıktaki eşitsizlikleri giderme olsun ister hekim ve sağlıkçı eğitimi olsun sağlığın tüm alanlarında yapay zeka ve dijital teknolojileri bir fantezi şeklinde düşünmemeli, tersine onları dönüşümün ana omurgası olarak kurgulamalıyız.  

15 Types of Regression in Data Science. Listen Data. 07.03.2021. https://www.listendata.com/2018/03/regression-analysis.html

6 Types of Regression Models in Machine Learning You Should Know About. upGrad Blog. 07.03.2021. https://www.upgrad.com/blog/types-of-regression-models-in-machine-learning/

  1. Diba, V. Sharma, A. Pazandeh, H. Pirsiavash, and L. V. Gool, “Weakly Supervised Cascaded Convolutional Networks,” in Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 5131–5139, Honolulu, HI, July 2017.
  2. Diba, V. Sharma, A. Pazandeh, H. Pirsiavash, and L. V. Gool, “Weakly Supervised Cascaded Convolutional Networks,” in Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 5131–5139, Honolulu, HI, July 2017.

Academy of Royal Medical Colleges. 2019. Artificial Intelligence in Healthcare. https://www.aomrc.org.uk/wpcontent/uploads/2019/01/Artificial_intelligence_in_healthcare_0119.pdf

Akdoğan, E. (2017, Temmuz). İnsan için Robotik: Fizik Tedavi ve Rehabilitasyon Robotları. https://www.researchgate.net/:

Allen, F., Crepaldi, L., Alsinet, C., Strong, A. J., Kleshchevnikov, V., De Angeli, P., … & Parts, L. (2019). Predicting the mutations generated by repair of Cas9-induced double-strand breaks. Nature biotechnology, 37(1), 64-72.

Alpaydın, E (2010). Introduction to Machine Learning. Londra: The MIT Press. s. 8. 

Alpaydın, E. (2004). Introduction to machine learning (OIP). Cambridge, MA: Mit

Armitage, A., Conger, A., & Goldman, A. (2019, July 29). CRISPR algorithm predicts how Well gene editing will work. Retrieved February 27, 2021, from https://scopeblog.stanford.edu/2019/07/29/crispr-algorithm-predicts-how-well-gene-editing-will-work/

Arslan, B. Sağıroğlu, Ş. (2016). Mobil Cihazlarda Biyometrik Sistemler Üzerine Bir İnceleme: Gazi ÜNİVERSİTESİ Mühendsilik Fakültesi̇ örneği̇. Politeknik Dergisi.

Aslan, A. (2021). https://pymed.ai/, Son Erişim Tarihi: 26 Şubat 2021.

Bae, S., & Kim, J. S. (2018). Machine learning finds Cas9-edited genotypes. Nature biomedical engineering, 2(12), 892-893.

Baker, D. J. (2018). Artificial Intelligence: The Future Landscape of Genomic Medical Diagnosis: Dataset, In Silico Artificial Intelligent Clinical Information, and Machine Learning Systems. In Human Genome Informatics: Translating Genes into Health (pp. 223–267). Elsevier Inc. https://doi.org/10.1016/B978-0-12-809414-3.00011-5

Banerji, M., Lahav, O., Lintott, C. J., Abdalla, F. B., Schawinski, K., Bamford, S. P., … Vandenberg, J. (2010). Galaxy Zoo: Reproducing galaxy morphologies via machine learning. Monthly Notices of the Royal Astronomical Society. https://doi.org/10.1111/j.1365-2966.2010.16713.x

Barh, D. (2020). Artificial intelligence in precision health. Elsevier.

Big Pharma forging more partnerships with AI vendors for drug discovery. (2021). Clinicaltrialsarena.com. https://www.clinicaltrialsarena.com/comment/big-pharma-ai-partnerships/

 Bilgi Teknolojileri ve İletişim Kurumu. (2020, 25 Kasım). GİYİLEBİLİR TEKNOLOJİLER raporu, Erişim adresi (2 Mart 2021). https://www.btk.gov.tr/uploads/pages/arastirma-raporlari/giyilebilir-teknolojiler-arastirma-raporu.pdf

Birinci, Ş. Sağlıkta Yüksek Teknoloji ve Yapay Zekâ. Dergisi, Mart- Nisan- Mayıs 2019

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. the Journal of machine Learning research, 3, 993-1022.

Blei, D., & Lafferty, J. (2006). Correlated topic models. Advances in neural information processing systems, 18, 147.

Bostrom, Nick (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press. https://en.wikipedia.org/wiki/Superhuman#Artificial_intelligence

Brooks, H. (1994). The relationship between science and technology. Research Policy. https://doi.org/10.1016/0048-7333(94)01001-3

Brundage, M. (2018, February). The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation. https://arxiv.org/pdf/1802.07228.pdf

Burkov, A. (2019). The Hundred-Page Machine Learning Book. Andriy Burkov.

Büyükgöze, S. & Dereli, E. 2019. Dijital Sağlık Uygulamalarında Yapay Zeka

Büyükgöze, S., & Dereli, E. (2019). Dijital Sağlık Uygulamalarında Yapay Zeka. VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi-Fen ve Sağlık, 07-10.

Campos, D., Matos, S., & Oliveira, J. L. (2012). Biomedical named entity recognition: a survey of machine-learning tools. Theory and Applications for Advanced Text Mining, 11, 175-195.

Chan S., Bailey J., Ros P.R., 2020. Artificial Intelligence in Radiology: Summary of the AUR Academic Radiology and Industry Leaders Roundtable. Acad Radiol. 27, 117-120.

Chan, H. C. S., Shan, H., Dahoun, T., Vogel, H., & Yuan, S. (2019). Advancing Drug Discovery via Artificial Intelligence. Trends in Pharmacological Sciences. doi:10.1016/j.tips.2019.07.013

Chang, A. (2020). AI + XR: convergence of artificial intelligence and extended reality in healthcare. Medical Intelligence: https://www.mi10.ai/2020/10/01/ai-xr-convergence-of-artificial-intelligence-and-extended-reality-in-healthcare/

Chen, Y., Hsu, C., Liu, L., & Yang, S. (2012). Constructing a nutrition diagnosis expert system. Expert Systems With Applications, 39(2), 2132-2156. doi: 10.1016/j.eswa.2011.07.069

Chu C.L., Anandkumar A., Shin H.C., Fishman E.K., 2020. The Potential Dangers of Artificial Intelligence for Radiology and Radiologists. J Am Coll Radiol 17, 1309-1311.

Cohen IG. Informed Consent and Medical Artificial Intelligence: What to Tell the Patient? SSRN Journal 2020; 108:1425-1469.

Cohen, P. R., & Howe, A. E. (1988). How Evaluation Guides AI Research: The Message Still Counts More than the Medium. AI Magazine, 9(4), 35.

Crevier, Daniel (1993), AI: The Tumultuous Search for Artificial Intelligence, New York, NY: BasicBooks, ISBN 0-465-02997-3.

Crist, R. (2021, January 22). Facebook, Twitter, YouTube algorithms could be radicalizing people, congressional Democrats say. CNET. https://www.cnet.com/news/facebook-twitter-youtube-algorithms-could-be-radicalizing-people-congressional-democrats-say/

Cruz, J. (2007). Applications of machine learning in cancer prediction and prognosis. Retrieved February 28, 2021, from https://pubmed.ncbi.nlm.nih.gov/19458758

  1. Kollias and S. P. Zafeiriou, “Exploiting multi-CNN features in CNN-RNN based Dimensional Emotion Recognition on the OMG in-the-wild Dataset,” in IEEE Transactions on Affective Computing, doi: 10.1109/TAFFC.2020.3014171.

Dastin, J. (2018, October 11). Amazon scraps secret AI recruiting tool that showed bias against women. U.S. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G

Davenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future healthcare journal, 6(2), 94–98. https://doi.org/10.7861/futurehosp.6-2-94

Davenport, T., & Kalakota, R. 2019, June. The potential for artificial intelligence in healthcare.

DeGregory, K., Kuiper, P., DeSilvio, T., Pleuss, J., Miller, R., & Roginski, J. et al. (2018). A review of machine learning in obesity. Obesity Reviews, 19(5), 668-685. doi: 10.1111/obr.12667

Devlin, J. (2018, October 11). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. ArXiv.Org. https://arxiv.org/abs/1810.04805

Dialani, P. (2020, Ocak 18). EXTENDED REALITY ENHANCING HEALTHCARE INDUSTRY. Analytics insight https://www.analyticsinsight.net/extended-reality-enhancing-healthcare-industry/

Dignum, V. Ethics in artificial intelligence: introduction to the special issue. Ethics Inf Technol 20, 1–3 (2018).

Doench, J. G., Fusi, N., Sullender, M., Hegde, M., Vaimberg, E. W., Donovan, K. F., … & Root, D. E. (2016). Optimized sgRNA design to maximize activity and minimize off-target effects of CRISPR-Cas9. Nature biotechnology, 34(2), 184-191.

Dr. Sachin. P. Godse, v. a. (2019, Kasım). Musculoskeletal Physiotherapy using Artificial. International Journal of Innovative Science and Research Technology: https://ijisrt.com/assets/upload/files/IJISRT19NOV347.pdf adresinden alındı

Dubber, M. D., Pasquale, F., Das, S. (2020). The Oxford Handbook of Ethics of AI. Oxford University Press, 28-29.

Dünya Gazetesi. (2021, January 24). Eczanelere yapay zeka getirdi, ekonomiye 4.6 milyon TL kazandırdı. Dünya Gazetesi; Dünya Gazetesi. https://www.dunya.com/girisimcilik/eczanelere-yapay-zeka-getirdi-ekonomiye-46-milyon-tl-kazandirdi-haberi-608223

Duong M.T., Rauschecker A.M., Rudie J.D., Chen P., Cook T.S., Bryan R.N., Mohan S., 2019. Artificial Intelligence for Precision Education in Radiology. Br J Radiol 92.

Durga, S., Nag, R., & Daniel, E. (2019). Survey on Machine Learning and Deep Learning Algorithms used in Internet of Things (IoT) Healthcare. 2019 3rd International Conference on Computing Methodologies and Communication (ICCMC), 1018–1022. https://doi.org/10.1109/iccmc.2019.8819806

Ellahham S, Ellahham N, Simsekler MCE (2019) Application of artificial intelligence in the health care safety context: Opportunities and challenges. American Journal of Medical Quality.

Ellahham, S., Ellahham, N., & Simsekler, M. C. E. (2020). Application of artificial intelligence in the health care safety context: opportunities and challenges. American Journal of Medical Quality, 35(4), 341-348.

Engadget. 2017. Robot caregivers are saving the elderly from lives of loneliness. [Online]. [Erişilen tarih 17 Şubat 2021]. Ulaşılabilir Link: https://www.engadget.com/2017/08/29/robotcaregivers-are-saving-the-elderly-from-lives-ofloneliness/?guccounter=1&guce_referrer_us=aHR0cHM6Ly93d3cuZ29vZ2xlLmNvbS8&guce_referrer_cs=O1gn9LDqv-ih12Sefnpf9w

Enter AI: How Technology is Changing the Pharmaceutical Industry for the Better. (2020). Pharmacy Times. https://www.pharmacytimes.com/news/enter-ai-how-technology-is-changing-the-pharmaceutical-industry-for-the-better

Etik. Türk Dil Kurumu. 07.03.2021. https://sozluk.gov.tr/

European Society of Radiology (ESR), 2018. ESR Paper on Structured Reporting in Radiology. Insights      Imaging 9, 1-7.

Evangelopoulos, N.E. (2013), Latent semantic analysis. WIREs Cogn Sci, 4: 683-692. https://doi.org/10.1002/wcs.1254

EVLİYAOĞLU, F. (2015). BIYOMETRIK TANIMLAMA yöntemlerinin SAĞLIK Harcamalarindaki SUISTIMALLERI önlemede başarimi. Sosyal Guvence, (8), 92-92. doi:10.21441/sguz.2015817918

Fakoor R, Ladhak F, Nazi A, Huber M. Using deep learning to enhance cancer diagnosis and classification. A conference presentation The 30th International Conference on Machine Learning, 2013.

Female historians and male nurses do not exist, Google Translate tells its European users. (2020, September 17). AlgorithmWatch. https://algorithmwatch.org/en/google-translate-gender-bias/

Fleming, N. (2018). How artificial intelligence is changing drug discovery. Nature, 557(7707), S55–S57. https://doi.org/10.1038/d41586-018-05267-x

Fong, S. J., Dey, N., & Chaki, J. (2021). Artificial Intelligence for Coronavirus Outbreak. An Introduction to COVID-19.

Franco, R., Fallaize, R., Lovegrove, J., & Hwang, F. (2016). Popular Nutrition-Related Mobile Apps: A Feature Assessment. JMIR Mhealth And Uhealth, 4(3), e85. doi: 10.2196/mhealth.5846

‌Freedman, D. H. (2019). Hunting for New Drugs with AI. Nature, 576(7787), S49–S53. https://doi.org/10.1038/d41586-019-03846-0

Geis JR, Brady AP, Wu CC, Spencer J, Ranschaert E, Jaremko JL, et al. Ethics of Artificial Intelligence in Radiology: Summary of the Joint European and North American Multisociety Statement. J Am Coll Radiol 2019 Nov;16(11):1516-1521

Genişletilmiş Gerçeklik (XR) Evrenine Giriş-101. (2019, Haziran 3). obn: https://baslangicnoktasi.org/genisletilmis-gerceklik-xr-evrenine-giris-101/

Gong E., Pauly J.M., Wintermark M., Zaharchuk G., 2018. Deep Learning Enables Reduced Gadolinium Dose for Contrast-enhanced Brain MRI. J Magn Reson Imaging 48, 330-340.

Gupta S., Johnson E.M., Peacock J.G., Jiang L., McBee M.P., Sneider M.B., Krupinski E.A., 2020. Radiology, Mobile Devices, and Internet of Things (IoT). J Digit Imaging 33, 735-746.

Gupta, R. M., & Musunuru, K. (2014). Expanding the genetic editing tool kit: ZFNs, TALENs, and CRISPR-Cas9. The Journal of clinical investigation, 124(10), 4154-4161.

Hart, P., Nilsson, N., & Raphael, B. (1968). A Formal Basis for the Heuristic Determination of Minimum Cost Paths. IEEE Transactions on Systems Science and Cybernetics, 4(2), 100–107. https://doi.org/10.1109/tssc.1968.300136

Hayes-Roth, F. 1997. Artificial Intelligence: What Works and What Doesn’t?. AI Magazine, 18(2), 99.

Hoffman, T. (1999). Probabilistic latent semantic analysis. In proc. of the 15th Conference on Uncertainty in AI, 1999.

Holte, R.C. Very Simple Classification Rules Perform Well on Most Commonly Used Datasets. Machine Learning 11, 63–90 (1993). https://doi.org/10.1023/A:1022631118932

Howe, J. (November 1994). Artificial Intelligence at Edinburgh University: a Perspective.

https://doi.org/10.1016/b978-0-12-817133-2.00011-2

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8471151

https://machinelearningmastery.com/data-preparation-is-important/

https://machinelearningmastery.com/what-is-computer-vision/

https://medium.com/@ekrem.hatipoglu/machine-learning-clustering-k%C3%BCmeleme-k-means-algorithm-part-13-be33aeef4fc8

https://medium.com/@hamzaerguder/recurrent-neural-network-nedir-bdd3d0839120

https://medium.com/deep-learning-turkiye/k-means-algoritmas%C4%B1-b460620dd02a

https://medium.com/gobeyond-ai/artificial-intelligence-ai-in-mobile-phones-is-it-a-good-thing-fe044f20ea6c

https://missinglink.ai/guides/computer-vision/image-segmentation-deep-learning-methods-applications/

https://nanonets.com/blog/semantic-image-segmentation-2020/

https://openaccess.bezmialem.edu.tr/handle/20.500.12645/11045

https://plato.stanford.edu/archives/win2020/entries/ethics-ai/

https://reader.elsevier.com/

https://reader.elsevier.com/reader/sd/pii/S1877050917317015?token=2759E10ED73E58C91591F7E394217B087AB5D61FE22C387E0C5C886F29F660AECA3B4ABD0CE90F3A43923D2CB15AA3D2

https://scipy-lectures.org/packages/scikit-image/index.html

https://www.analyticsvidhya.com/blog/2015/08/comprehensive-guide-regression/

https://www.fingent.com/blog/how-artificial-intelligence-is-enhancing-mobile-app-technology/

https://www.researchgate.net/publication/318877770_Insan_icin_Robotik_Fizik_Tedavi_ve_Rehabilitasyon_Robotlari

https://www.researchgate.net/publication/319776241_Robots_in_Medicine_Past_Present_and_Future

https://www.sciencedirect.com/science/article/abs/pii/S0720048X19304188?casa_token=cnU_vj_RlF8AAAAA:5c2hGpJnPjLSAiMJZJSoS_NWRO9SOw8BkqbScp-zugW5d_jiAjo1Jx-OpD_YYko2E-EiUcxsQpo

https://www.simplilearn.com/tutorials/deep-learning-tutorial/deep-learning-algorithm

How mobile phones work with artificial intelligence

Hunt, E. (2019, September 9). Tay, Microsoft’s AI chatbot, gets a crash course in racism from Twitter. The Guardian. https://www.theguardian.com/technology/2016/mar/24/tay-microsofts-ai-chatbot-gets-a-crash-course-in-racism-from-twitter

Hyun C.M., Kim H.P., Lee S.M., Lee S., Seo J.K., 2018. Deep learning for Undersampled MRI Reconstruction. Phys Med Biol 63, 135007.

  1. Arel, D. C. Rose and T. P. Karnowski, Deep Machine Learning – A New Frontier in Artificial Intelligence Research [Research Frontier], in IEEE Computational Intelligence Magazine, vol. 5, no. 4, pp. 13-18, Nov. 2010.

IBM Watson Helps Fight Cancer with Evidence-Based Diagnosis and Treatment Suggestions. IBM. Retrieved November 12, 2013.

ISBN 978-0-262-01243-0.

Jacobson VJ, Jacobson R, Coyne-Beasley T, Asafu-Adjei J, Szilagyi P. Patient reminder and recall interventions to improve immunization rates. Cochrane Database Syst Rev. 2018 Jan 18;:18. doi: 10.1002/14651858.cd003941.pub3.

Jin, C. Y. (2019). A review of AI technologies for wearable devices. IOP Conference Series: Materials Science and Engineering, 688, 044072. doi:10.1088/1757-899x/688/4/044072

Joshi, S., & Nair, M. K. (2018). Survey of Classification Based Prediction Techniques in Healthcare. Indian Journal of Science and Technology, 11(15), 1–19. https://doi.org/10.17485/ijst/2018/v11i15/121111

Joshinav, N. (2019, April 01). Biometrics is smart, but ai is smarter. here’s why: Artificial intelligence. Retrieved March 04, 2021, from https://www.allerin.com/blog/biometrics-is-smart-but-ai-is-smarter-heres-why

K, K., M, M. N., & R, S. (2018). Applications of Data Mining Techniques in Healthcare and Prediction of Heart Attacks. International Journal of Data Mining Techniques and Applications, 7(1), 172–176. https://doi.org/10.20894/ijdmta.102.007.001.027

Kaizhu Huang, Haiqin Yang, I. King and M. R. Lyu, “Learning classifiers from imbalanced data based on biased minimax probability machine,” Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004. CVPR 2004., Washington, DC, USA, 2004, pp. II-II, doi: 10.1109/CVPR.2004.1315213.

kanser_Biyoenformatiginde_Yapay_Zeka.pdf (papatya.gen.tr)

Kanserde Yapay Zekanın Yeri (medikaynak.com)

Karaca, O., Çalışkan, S., Emir, K., Erümit, A., & Nabiyev, V. (2020). 14. Bölüm Tıp Eğitimde Yapay Zeka. In Eğitimde Yapay Zeka Kuramdan Uygulamaya (1st ed., pp. 346-366). Ankara, Türkiye: Pegem Akademi Yayıncılık.

Karim ABOUELMEHDI, v. a. (2017). Big data security and privacy in healthcare: A Review.

Kasina, H. Bahubalendruni, M. and Botcha, R. 2017. Robots in Medicine: Past, Present and Future. [Online].[Erişilen tarih 17 Şubat 2021]. Ulaşılabilir Link:

Kaur, H., & Wasan, S. K. (2006). Empirical Study on Applications of Data Mining Techniques in Healthcare. Journal of Computer Science, 2(2), 194–200. https://doi.org/10.3844/jcssp.2006.194.200

Krittanawong, C., Virk, H., Bangalore, S., Wang, Z., Johnson, K. W., Pinotti, R., Zhang, H., Kaplin, S., Narasimhan, B., Kitai, T., Baber, U., Halperin, J. L., & Tang, W. (2020). Machine learning prediction in cardiovascular diseases: a meta-analysis. Scientific reports, 10(1), 16057. https://doi.org/10.1038/s41598-020-72685-1.

Kwon, D. (2020). Personalized diet oriented by artificial intelligence and ethnic foods. Journal Of Ethnic Foods, 7(1). doi: 10.1186/s42779-019-0040-4

Le, Q. (2014, June 18). Distributed Representations of Sentences and Documents. PMLR. http://proceedings.mlr.press/v32/le14.html

Lee S., Mohr N.M., Street W.N., Nadkarni P., 2019. Machine Learning in Relation to Emergency Medicine Clinical and Operational Scenarios: An Overview. West J Emerg Med 20, 219-227.

Lee Y.H., 2018. Efficiency Improvement in a Busy Radiology Practice: Determination of Musculoskeletal Magnetic Resonance Imaging Protocol Using Deep-Learning Convolutional Neural Networks. J Digit Imaging 31, 604-610.

Lee, J., Freddolino, P. L., & Zhang, Y. (2017). Ab initio protein structure prediction. In From Protein Structure to Function with Bioinformatics: Second Edition. https://doi.org/10.1007/978-94-024-1069-3_1

Leenay, R. T., Aghazadeh, A., Hiatt, J., Tse, D., Roth, T. L., Apathy, R., … & Zou, J. (2019). Large dataset enables prediction of repair after CRISPR–Cas9 editing in primary T cells. Nature biotechnology, 37(9), 1034-1037.

Lenfant M., Chevallier O., Comby P., Secco G., Haioun K., Ricolfi F., Lemogne B., Loffroy R., 2020. Deep Learning Versus Iterative Reconstruction for CT Pulmonary Angiography in the Emergency Setting: Improved Image Quality and Reduced Radiation Dose. Diagnostics (Basel) 10, 558.

Lennartz S, Dratsch T, Zopfs D, Persigehl T, Maintz D, Große Hokamp N, Pinto dos Santos D Use and Control of Artificial Intelligence in Patients Across the Medical Workflow: Single-Center Questionnaire Study of Patient Perspectives J Med Internet Res 2021;23(2):e24221 DOI: 10.2196/24221

Li, W. T., Ma, J., Shende, N., Castaneda, G., Chakladar, J., Tsai, J. C., Apostol, L., Honda, C. O., Xu, J., Wong, L. M., Zhang, T., Lee, A., Gnanasekar, A., Honda, T. K., Kuo, S. Z., Yu, M. A., Chang, E. Y., Rajasekaran, M. R., & Ongkeko, W. M. (2020). Using machine learning of clinical data to diagnose COVID-19: a systematic review and meta-analysis. BMC medical informatics and decision making, 20(1), 247. https://doi.org/10.1186/s12911-020-01266-z.

Listgarten, J., Weinstein, M., Kleinstiver, B. P., Sousa, A. A., Joung, J. K., Crawford, J., … & Fusi, N. (2018). Prediction of off-target activities for the end-to-end design of CRISPR guide RNAs. Nature biomedical engineering, 2(1), 38-47.

Liu, Hongyu; Lang, Bo. 2019. “Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey” Appl. Sci. 9, no. 20: 4396. doi: 10.3390/app9204396.

Llanasas R. How AI and Machine Learning is Transforming Mobile Technology. Greenbook Blog. 2020. https://www.greenbook.org/mr/market-research-technology/how-ai-is-transforming-mobile-technology/

Lochner, M., McEwen, J. D., Peiris, H. V., Lahav, O., & Winter, M. K. (2016). PHOTOMETRIC SUPERNOVA CLASSIFICATION WITH MACHINE LEARNING. The Astrophysical Journal Supplement Series. https://doi.org/10.3847/0067-0049/225/2/31

Lovell, T. (2020, December 12). AI test rules out A COVID-19 diagnosis within one hour in emergency departments. Retrieved February 28, 2021, from https://www.healthcareitnews.com/news/emea/ai-test-rules-out-covid-19-diagnosis-within-one-hour-emergency-departments

Lu, Y., Stathopoulou, T., Vasiloglou, M., Christodoulidis, S., Stanga, Z., & Mougiakakou, S. (2020). An Artificial Intelligence-Based System to Assess Nutrient Intake for Hospitalised Patients. IEEE Transactions On Multimedia, 1-1. doi: 10.1109/tmm.2020.2993948

Luger, George; Stubblefield, William (2004). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (5th ed.). Benjamin/Cummings. ISBN 978-0-8053-4780-7. Archived from the original on 26 July 2020. Retrieved 17 December 2019.

Machine Learning, Second Edition. CRC Press, 90.

Madakam, S., Ramaswamy, R., & Tripathi, S. (2015). Internet of Things (IoT): A Literature Review. Journal of Computer and Communications, 03(05), 164–173. https://doi.org/10.4236/jcc.2015.35021

Mandal, S., Greenblatt, A B. and An, J. 2018. Imaging Intelligence. IEEE Pulse. [Online]. [Erişilen tarih 17 Şubat 2021]. Ulaşılabilir Link:

Marr, B. (2019). How is ai used in healthcare – 5 powerful real-world examples that show the latest advances. Retrieved February 28, 2021, from https://www.bernardmarr.com/default.asp?contentID=1542

Marr, B. (2019). How is ai used in healthcare – 5 powerful real-world examples that show the latest advances. Retrieved February 28, 2021, from https://www.bernardmarr.com/default.asp?contentID=1542

Mehrholz, J., Thomas, S., Kugler, J., Pohl, M., & Elsner, B. (2020). Electromechanical-assisted training for walking after stroke. The Cochrane database of systematic reviews, 10, CD006185. https://doi.org/10.1002/14651858.CD006185.pub5.

Mikolov, T. (2013, January 16). Efficient Estimation of Word Representations in Vector Space. ArXiv.Org. https://arxiv.org/abs/1301.3781

Miller, A. A., Bloom, J. S., Richards, J. W., Lee, Y. S., Starr, D. L., Butler, N. R., … Eisner, J. A. (2015). A machine-learning method to infer fundamental stellar parameters from photometric light curves. Astrophysical Journal. https://doi.org/10.1088/0004-637X/798/2/122

Miller, J. A. (2020, Ekim 1). AACC. Robots Get Ready to Roam in Clinical Labs: https://www.aacc.org/cln/articles/2020/october/robots-get-ready-to-roam-in-clinical-labs

Morello, V., Barr, E. D., Bailes, M., Flynn, C. M., Keane, E. F., & van Straten, W. (2014). SPINN: A straightforward machine learning solution to the pulsar candidate selection problem. Monthly Notices of the Royal Astronomical Society. https://doi.org/10.1093/mnras/stu1188

Müller, Vincent C. Ethics of Artificial Intelligence and Robotics. The Stanford Encyclopedia of Philosophy (Winter 2020 Edition). Edward N. Zalta (ed.).

N, K., & T, R. (2016). NAMED ENTITY RECOGNITION FROM BIOMEDICAL TEXT -AN INFORMATION EXTRACTION TASK. ICTACT Journal on Soft Computing, 6(4), 1303–1307. https://doi.org/10.21917/ijsc.2016.0179

Nabile M.Safdar, v. a. (2020, Ocak). Ethical considerations in artificial intelligence. https://www.sciencedirect.com/:

Neapolitan, R. E., Jiang, X. (2018). Artificial Intelligence: With an Introduction to

Neapolitan, Richard; Jiang, Xia (2018). Artificial Intelligence: With an Introduction to Machine Learning. Chapman & Hall/CRC. ISBN 978-1-138-50238-3. Archived from the original on 22 August 2020. Retrieved 3 January 2018.

Nimri, R., Battelino, T., Laffel, L. M., Slover, R. H., Schatz, D., Weinzimer, S. A., Dovc, K., Danne, T., Phillip, M., & NextDREAM Consortium (2020). Insulin dose optimization using an automated artificial intelligence-based decision support system in youths with type 1 diabetes. Nature medicine, 26(9), 1380–1384. https://doi.org/10.1038/s41591-020-1045-7.

Odeh, A. H., & Odeh, M. A. Increasıng The Effıcıency Of Onlıne Healthcare Servıces Software And Mobıle Applıcatıons Usıng Artıfıcıal Intellıgence Technology. International Journal on “Technical and Physical Problems of Engineering” (IJTPE), Iss. 44, Vol. 12, No. 3, Sep. 2020

Olson, P. (2018, June 28). This ai just beat human doctors on a clinical exam. Retrieved February 28, 2021, from https://www.forbes.com/sites/parmyolson/2018/06/28/ai-doctors-exam-babylon-health/?sh=aad0c2912c0d

ÖZKAN, Y., SELÇUKCAN EROL, Ç., (2018) Kanser Biyoenformatiğinde Yapay Zeka,

  1. Ongsulee, “Artificial intelligence, machine learning and deep learning,” 2017 15th International Conference on ICT and Knowledge Engineering (ICT&KE), Bangkok, Thailand, 2017, pp. 1-6, doi: 10.1109/ICTKE.2017.8259629.
  2. P. Shinde and S. Shah, “A Review of Machine Learning and Deep Learning Applications,” 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), Pune, India, 2018, pp. 1-6, doi: 10.1109/ICCUBEA.2018.8697857.

Palaniappan, R., & Mandic, D. P. (2007). Biometrics from brain electrical activity: A machine learning approach. IEEE Transactions on Pattern Analysis and Machine Intelligence, 29(4), 738-742. doi:10.1109/tpami.2007.1013

Patel, S., & Patel, H. (2016). Survey of Data Mining Techniques used in Healthcare Domain. International Journal of Information Sciences and Techniques, 6(1/2), 53–60. https://doi.org/10.5121/ijist.2016.6206

Paul, D., Sanap, G., Shenoy, S., Kalyane, D., Kalia, K., & Tekade, R. K. (2021). Artificial intelligence in drug discovery and development. Drug Discovery Today. https://doi.org/10.1016/j.drudis.2020.10.010

Pei W. 2007. What Do You Mean by “AI”?

Pennington, J. (2014). GloVe: Global Vectors for Word Representation. ACL Anthology. https://www.aclweb.org/anthology/D14-1162/

PETOT, G., MARLING, C., & STERLING, L. (1998). An Artificial Intelligence System for Computer-Assisted Menu Planning. Journal Of The American Dietetic Association, 98(9), 1009-1014. doi: 10.1016/s0002-8223(98)00231-4

Phan, T., Montanari, R., & Zerfos, P. (2010). Mobile computing, applications, and services. Berlin: Springer.

Pinto Dos Santos D, Giese D, Brodehl S, Chon SH, Staab W, Kleinert R, et al. Medical students’ attitude towards artificial intelligence: a multicentre survey. Eur Radiol 2019 Apr;29(4):1640-1646.

Press.

Putting Watson to Work: Watson in Healthcare. IBM. Retrieved November 11, 2013.

Recep Aslan, S. E. (2017, Haziran 14). 21. Yüzyılda Hekimlik Eğitimi: Sanal Gerçeklik, Artırılmış Gerçeklik,. Kocatepe Veterinary Journal: https://dergipark.org.tr/en/download/article-file/387229

Reddy S (2018) Use of artificial intelligence in healthcare delivery. In eHealth-Making Health Care Smarter. IntechOpen.

Regression Algorithms – Linear Regression – Tutorialspoint. 07.03.2021. https://www.tutorialspoint.com/machine_learning_with_python/machine_learning_wi th_python_regression_algorithms_linear_regression.html

Regression techniques in machine learning. AnalyticsVidhya. 07.03. 2021.

Reuters. (2018, October 10). Amazon ditched AI recruiting tool that favored men for technical jobs. The Guardian. https://www.theguardian.com/technology/2018/oct/10/amazon-hiring-ai-gender-bias-recruiting-engine

Roberts, S., McQuillan, A., Reece, S., & Aigrain, S. (2013). Astrophysically robust systematics removal using variational inference: Application to the first month of kepler data. Monthly Notices of the Royal Astronomical Society. https://doi.org/10.1093/mnras/stt1555

Robins R, Brodwin E. An invisible hand: Patients aren?t being told about the AI systems advising their care Internet. 2020. https://www.statnews.com/2020/07/15/artificial-intelligence-patient-consent-hospitals/

Rowe, M. (2018, Haziran). Artificial intelligence in clinical practice: Implications for physiotherapy education. https://www.researchgate.net/: https://www.researchgate.net/publication/326876828_Artificial_intelligence_in_clinical_practice_Implications_for_physiotherapy_education

Ruffle, J. K., Farmer, A. D., & Aziz, Q. (2019). Artificial intelligence in gastroenterology. In Precision Medicine for Investigators, Practitioners and Providers (pp. 343–350). Elsevier. https://doi.org/10.1016/B978-0-12-819178-1.00033-2

Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2.

Sabhnani, Maheshkumar and Serpen, Gursel. ‘Why Machine Learning Algorithms Fail in Misuse Detection on KDD Intrusion Detection Data Set’. 1 Jan. 2004 : 403 – 415.

Sağlıkta simülasyon uygulamalarında yapay zeka dönemi. (2019, Kasım 14). Haberler.com: https://www.haberler.com/saglikta-simulasyon-uygulamalarinda-yapay-zeka-12617243-haberi/

Sanvito F., Castellano A., Falini A., 2021. Advancements in Neuroimaging to Unravel Biological and Molecular Features of Brain Tumors. Cancers (Basel) 13, 424.

SAWAT, S. (2019, December 11). How AI Enabled wearables are changing healthcare and fitness industry. Retrieved March 02, 2021, from https://www.einfochips.com/blog/how-ai-enabled-wearables-are-changing-healthcare-and-fitness-industry/

Saxena, Manoj (February 13, 2013). IBM Watson Progress and 2013 Roadmap. IBM. Retrieved November 12, 2013.

Schulz, P. J., & Nakamoto, K. (2013). Patient behavior and the benefits of artificial intelligence: the perils of “dangerous” literacy and illusory patient empowerment. Patient education and counseling, 92(2), 223-228.

Sciforce. (2019, February 11). AI in Pharmacy: Speeding up Drug Discovery – Sciforce – Medium. Medium; Sciforce. https://medium.com/sciforce/ai-in-pharmacy-speeding-up-drug-discovery-c7ca252c51bc

Senior, A. W., Evans, | Richard, Jumper, J., Kirkpatrick, J., Sifre, | Laurent, Green, T., … Hassabis, D. (2019). Protein structure prediction using multiple deep neural networks in the 13th Critical Assessment of Protein Structure Prediction (CASP13). https://doi.org/10.1002/prot.25834

Shadi Toghi Eshghi, e. a. (2018, Ekim 6). Quality assessment and interference detection in targeted mass spectrometry data using machine learning. Clinical Proteomics: https://clinicalproteomicsjournal.biomedcentral.com/articles/10.1186/s12014-018-9209-x

Shead, S. (2017, June 27). The 11 industries most under threat from artificial intelligence. Business Insider. https://www.businessinsider.com/industries-most-under-threat-from-artificial-intelligence-2017-6

Shen, M. W., Arbab, M., Hsu, J. Y., Worstell, D., Culbertson, S. J., Krabbe, O., … & variants. Nature, 563(7733), 646-651.

Shichao Zhang , Chengqi Zhang & Qiang Yang (2003) Data preparation for data mining, Applied Artificial Intelligence, 17:5-6, 375-381, DOI: 10.1080/713827180

Shortliffe, E. and Buchanan, B., 1975. A model of inexact reasoning in medicine. Mathematical Biosciences, 23(3-4), pp.351-379.

Şişman, P. D. (2018). Klinik Laboratuvarlarda Yapay Zeka Tabanlı Yeni Yaklaşımlar [P. D. Şişman tarafından kaydedildi]. İzmir, Türkiye.

Solomon A, Litoiu M (2011) Business process performance prediction on a tracked simulation model. In: Proceedings of the 3rd international workshop on principles of engineering service- oriented systems, pp 50–56

Sorin V., Barash Y., Konen E., Klang E., 2020. Deep Learning for Natural Language Processing in Radiology-Fundamentals and a Systematic Review. J Am Coll Radiol 17, 639-648.

Stockwell MS, Fiks AG. Utilizing health information technology to improve vaccine communication and coverage. Hum Vaccin Immunother. 2013 Aug;9(8):1802–1811. doi: 10.4161/hv.25031. http://europepmc.org/abstract/MED/23807361.

Subasi, A. (2020). Use of artificial intelligence in Alzheimer’s disease detection. In Artificial Intelligence in Precision Health (pp. 257–278). Elsevier.

Surg, ∗. (2018). Artificial intelligence in surgery: Promises and perils : Annals of surgery. Retrieved February 28, 2021, from https://dx.doi.org/10.1097/SLA.0000000000002693

‌The Rise of Artificial Intelligence (AI) – IPA. (2020). Indianapharmacists.org. https://www.indianapharmacists.org/news/the-rise-of-artificial-intelligence-ai/#:~:text=Awareness%20of%20artificial%20intelligence%20(AI)%20is%20increasig%20throughout%20health%20care.&text=For%20pharmacy%2C%20AI%20provides%20information,%2C%20usage%20trends%2C%20and%20more

ThinkTech, S. (2018). Yapay zekâ Doktorlarla Yarışıyor. Retrieved February 28, 2021, from https://thinktech.stm.com.tr/detay.aspx?id=97

Thrall J.H., Li X., Li Q., Cruz C., Do S., Dreyer K., Brink J., 2018. Artificial Intelligence and Machine Learning in Radiology: Opportunities, Challenges, Pitfalls, and Criteria for Success. J Am Coll Radiol 15, 504-508.

Tran V, Riveros C, Ravaud P. Patients’ views of wearable devices and AI in healthcare: findings from the ComPaRe e-cohort. NPJ Digit Med 2019;2:53

Trivedi H., Mesterhazy J., Laguna B., Vu T., Sohn J.H., 2018. Automatic Determination of the Need for Intravenous Contrast in Musculoskeletal MRI Examinations Using IBM Watson’s Natural Language Processing Algorithm. J Digit Imaging 31, 245-25.

Trivedi, T. T. B., Boger, R., Kamath, G. G., Evangelopoulos, G., Cate, J., Doudna, J., & Hidary, J. (2020). crispr2vec: Machine Learning Model Predicts Off-Target Cuts of CRISPR systems. bioRxiv.

Tsai, S. Q., & Joung, J. K. (2016). Defining and improving the genome-wide specificities of CRISPR–Cas9 nucleases. Nature Reviews Genetics, 17(5), 300-312.

Turiel, E. (2002). The culture of morality: Social development, context, and conflict. Cambridge: Cambridge University Press.

Uzun, T. 2020, Mart. Yapay Zekâ ve Sağlık Uygulamaları.

Vial A, Stirling D, Field M, et al. The role of deep learning and ­radiomic feature extraction in cancer-specific predictive modelling: a review. Transl Cancer Res 2018; 7:803–16.

Vincent, J. (2018, January 12). Google ‘fixed’ its racist algorithm by removing gorillas from its image-labeling tech. The Verge. https://www.theverge.com/2018/1/12/16882408/google-racist-gorillas-photo-recognition-algorithm-ai

Walsh S.L.F., Calandriello L., Silva M., SverzellatiN., 2018. Deep Learning for Classifying Fibrotic Lung Disease on High-Resolution Computed Tomography: A Case-Cohort Study. Lancet Respir Med 6, 837-845.

Wang, S., Zhang, Y., Lei, S., Zhu, H., Li, J., Wang, Q., Yang, J., Chen, S., & Pan, H. (2020). Performance of deep neural network-based artificial intelligence method in diabetic retinopathy screening: a systematic review and meta-analysis of diagnostic test accuracy. European journal of endocrinology, 183(1), 41–49. https://doi.org/10.1530/EJE-19-0968

Wasserman, L. (2004). All of statistics a concise course in statistical inference. New

2021].Ulaşılabilir Link: https://researchbriefings.parliament.uk/ResearchBriefing/Summary/POSTPN-0591

Wong, C. K., Ho, D., Tam, A. R., Zhou, M., Lau, Y. M., Tang, M., Tong, R., Rajput, K. S., Chen, G., Chan, S. C., Siu, C. W., & Hung, I. (2020). Artificial intelligence mobile health platform for early detection of COVID-19 in quarantine subjects using a wearable biosensor: protocol for a randomised controlled trial. BMJ open, 10(7), e038555. https://doi.org/10.1136/bmjopen-2020-038555.

Xie, N. (2020, April 30). Explainable Deep Learning: A Field Guide for the Uninitiated. ArXiv.Org. https://arxiv.org/abs/2004.14545

Yapay Zeka ve Kanser – hospitalmanager

YILDIRIM, B. F. (2019). Sağlığın Kişiselleşmesi ve Kişisel Sağlık Bilgi. https://dergipark.org.tr: https://dergipark.org.tr/en/download/article-file/899522

Yıldırım, B.F. 2019. Sağlığın Kişiselleşmesi ve Kişisel Sağlık Bilgi Sistemleri.

Yin, W., Kann, K., Yu, M., & Schütze, H. (2017). Comparative Study of CNN and RNN for Natural Language Processing. ArXiv, abs/1702.01923.

York: Springer.

Zayim Gedik, K. Y. (2019, Aralık 1). BİLGİ YÖNETİMİ VE BİLGİ GÜVENLİĞİ eBelge- eArşiv- eDevlet- Bulut Bilişim-Büyük Veri- Yapay Zekâ. https://openaccess.bezmialem.edu.tr:

Zhang Z., Seeram E., 2020. The Use of Artificial Intelligence in Computed Tomography Image Reconstruction – A Literature Review. J Med Imaging Radiat Sci 51, 671-677.

Zhang, X. H., Tee, L. Y., Wang, X. G., Huang, Q. S., & Yang, S. H. (2015). Off-target effects in CRISPR/Cas9-mediated genome engineering. Molecular Therapy-Nucleic Acids, 4, e264.

https://aws.amazon.com/tr/ec2/?ec2-whats-new.sort-by=item.additionalFields.postDateTime&ec2-whats-new.sort-order=desc

https://www.omnisci.com/technical-glossary/cpu-vs-gpu#:~:text=The%20main%20difference%20between%20CPU,resolution%20images%20and%20video%20concurrently.

Rehberle her türlü bilgi ve iletişim

Yesil Science bünyesinde Yesil Society topluluğu

Tüm hakları saklıdır. Kaynak göstermek ve ticari gelir elde etmemek koşuluyla kullanılabilir.