Tıp ve Bilimde Yapay Zeka: PubMed Makalelerinden Derlenen Kapsamlı Bilgilendirme Notu
Özet
Bu belge, "Yapay Zeka" alanındaki güncel bilimsel gelişmeleri özetleyen ve PubMed veritabanında yer alan 2025-2026 tarihli makalelerden derlenen bir sentez sunmaktadır. Bulgular, yapay zekanın (AI) tıp, bilim ve teknolojinin çeşitli dallarında dönüştürücü bir rol oynadığını göstermektedir. Temel çıkarımlar dört ana tema etrafında toplanmaktadır: (1) Klinik tanı ve prognozda yapay zekanın artan kullanımı, özellikle kanser, kardiyovasküler hastalıklar ve nörolojik bozuklukların erken teşhisi ve risk sınıflandırmasında devrim yaratmaktadır. (2) Cerrahi planlama, tedavi yanıtı tahmini ve hasta rehabilitasyonu gibi terapötik uygulamalarda yapay zeka destekli araçların geliştirilmesi, kişiselleştirilmiş ve daha etkili müdahalelere olanak tanımaktadır. (3) Yeni algoritmalar, veri analizi teknikleri ve malzeme bilimi, gıda güvenliği gibi tıp dışı alanlardaki uygulamalarla birlikte yapay zeka teknolojisindeki temel ilerlemeler devam etmektedir. (4) Bu hızlı ilerlemeyle birlikte, veri yönetişimi, model doğruluğu, hasta mahremiyeti, düzenleyici çerçeveler ve deepfake gibi teknolojilerin toplumsal etkileri gibi önemli etik ve uygulama zorlukları ortaya çıkmaktadır. Genel olarak, yapay zeka sağlık hizmetleri ve bilimsel araştırmalarda benzeri görülmemiş fırsatlar sunarken, bu teknolojilerin sorumlu, güvenli ve adil bir şekilde entegrasyonu için titiz doğrulama, sağlam yönetişim ve disiplinler arası işbirliği kritik öneme sahiptir.
1. Klinik Tanı ve Prognozda Yapay Zeka
Yapay zeka, özellikle makine öğrenmesi (ML) ve derin öğrenme modelleri, hastalıkların teşhis doğruluğunu artırma, prognozu tahmin etme ve tedavi stratejilerini kişiselleştirme konularında önemli bir potansiyel sergilemektedir. Araştırmalar, onkolojiden kardiyolojiye, nörolojiden nadir hastalıklara kadar geniş bir yelpazede yapay zekanın etkisini ortaya koymaktadır.
Kanser Araştırmaları
Hepatoselüler Karsinom (HCC): Radyomik ve RNA'nın entegre bir analizi, agresif HCC alt tiplerinin biyolojik temelini ve terapötik sonuçlarını ortaya çıkarmak için kullanılmıştır. Bu yaklaşım, agresif HCC'yi tahmin etmede klinik faydayı artırma potansiyeli sunmaktadır (Makale 1).
Prostat Kanseri (PCa): Yapay zeka, büyük hacimli yapılandırılmamış genomik verileri işleyerek yeni kanserle ilişkili genleri belirlemek, klinik riski tahmin etmek ve tedaviye yanıtı öngörmek için umut verici bir araç olarak görülmektedir. miRNA'lar, mRNA'lar ve gen ekspresyonu analizleri yoluyla metastatik ilerleme ve biyokimyasal nüks gibi olumsuz sonuçları tahmin edebilmektedir. Ancak klinik doğrulama eksikliği, yaygın kullanımını sınırlamaktadır (Makale 6).
Pankreatik Duktal Adenokarsinom (PDAC): PORCELAIN (Pancreatic Cancer Tumor-Infiltrating Neutrophil-to-T-Cell Ratio Evaluation with Artificial Intelligence) adlı çok modlu bir yapay zeka modeli geliştirilmiştir. Bu model, tümör immün mikroçevresindeki nötrofil-T hücresi oranını (NTR) invaziv olmayan bir şekilde değerlendirerek hastaların genel sağkalımını ve nükssüz sağkalımını önemli ölçüde sınıflandırabilmektedir. Bu, PDAC prognozu ve tedavisi için potansiyel bir biyobelirteç sunmaktadır (Makale 19).
Kardiyovasküler ve Pulmoner Hastalıklar
Hipertansiyon: Derin öğrenme tabanlı yüz görüntüsü analizi, hipertansiyon için invaziv olmayan, ölçeklenebilir ve pasif bir tarama yöntemi olarak önerilmiştir. Yüzü altı anatomik bölgeye ayıran geliştirilmiş bir U-Net modeli ve ResNet tabanlı sınıflandırıcılar kullanılmıştır. Tam yüz modeli %83 doğruluk elde ederken, yalnızca zigomatik (elmacık kemiği) ve yanak bölgelerini kullanan modellerin her birinin %82 doğrulukla benzer performans göstermesi, bu bölgelerin hipertansiyonla ilişkili konsantre fizyolojik sinyaller içerdiğini düşündürmektedir (Makale 2).
Nadir Akciğer Hastalıkları: Yapay zeka, klinik heterojenliği yüksek ve teşhisi zor olan nadir akciğer hastalıklarının erken tanınması, doğru teşhisi ve kişiselleştirilmiş yönetimi için yeni fırsatlar yaratmaktadır. Derin öğrenme, pekiştirmeli öğrenme ve transfer öğrenmesi gibi teknikler; idiyopatik pulmoner fibrozis ve kistik fibrozis gibi hastalıkların klinik karar desteği, radyomik analizi ve tedavi yanıtı tahmininde kullanılmaktadır (Makale 9).
Kronik Obstrüktif Akciğer Hastalığı (KOAH): Yapay zeka destekli BT analizi, KOAH için geliştirilen çok katmanlı bir tarama sisteminin bir parçası olarak kullanılmaktadır. Bu yaklaşım, anket bazlı ön taramadan basitleştirilmiş akciğer fonksiyon testlerine kadar çeşitli yöntemleri birleştirerek erken evre yüksek riskli bireylerin tespit hassasiyetini artırmaktadır (Makale 10).
Nöroloji ve Yoğun Bakım
Parkinson Hastalığı (PD): Çok merkezli ¹²³I-mIBG planar sintigrafi verileri üzerinde eğitilen makine öğrenmesi sınıflandırıcıları, Parkinson hastalığını diğer parkinson sendromlarından yüksek doğrulukla ayırt edebilmiştir. Özellikle erken kalp-mediasten (H/M) oranının tek başına %80,3 doğrulukla mükemmel bir ayrım sağlaması, yalnızca erken görüntülemenin yeterli olabileceğini göstermektedir (Makale 40).
Yoğun Bakım Ünitesinde (YBÜ) Deliryum: Yapay zeka odaklı iletişim teknolojileri, YBÜ'deki kritik hastalarda deliryumun erken teşhisini ve yönetimini iyileştirmek için kullanılmaktadır. Doğal Dil İşleme (NLP) ve bilgisayarlı görü gibi teknolojiler, sedasyon veya mekanik ventilasyon altındaki hastalar, aileleri ve sağlık ekipleri arasındaki iletişim engellerini aşarak daha entegre ve hasta merkezli bir bakım sağlamaktadır. Bu araçların deliryum süresini kısalttığı, antipsikotik kullanımını azalttığı ve uzun vadeli bilişsel sonuçları iyileştirdiği gösterilmiştir (Makale 12).
Görüntüleme ve Patoloji
Radyolojide Görü-Dil Modelleri (VLM'ler): VLM'ler, görüntü yorumlama ve rapor oluşturma için dar yapay zeka araçlarından entegre sistemlere doğru bir paradigma kaymasını temsil etmektedir. Ancak, modellerin teorik potansiyeli ile pratik dağıtımı arasında önemli bir boşluk bulunmaktadır. Yapay zeka tarafından oluşturulan raporların yaklaşık %22'sinde olgusal hatalar (halüsinasyon) bulunması, çeşitli veri setlerinde dış doğrulama eksikliği ve yüksek hesaplama maliyetleri gibi engeller, bu modellerin henüz otonom klinik kullanıma hazır olmadığını göstermektedir (Makale 13).
Mühendislik Kalp Dokuları: Etiketsiz orta kızılötesi dikroizm duyarlı fotoakustik mikroskopi (MIR-DS-PAM), mühendislik ürünü kalp dokularının histostrüktürel analizini yapmak için geliştirilmiştir. Bu teknik, moleküler özgüllüğü polarizasyon duyarlılığı ile birleştirerek, herhangi bir etiketleme olmaksızın hücre dışı matris (ECM) hizalanmasını nicelendirmekte ve fibrotik dokularda tanısal ipuçları ortaya koymaktadır (Makale 4).
2. Cerrahi ve Tedavi Uygulamalarında Yapay Zeka
Yapay zeka, cerrahi sonuçları tahmin etmekten tedavi planlamasını optimize etmeye kadar geniş bir alanda kullanılmaktadır. Bu teknolojiler, riskleri azaltarak ve hasta sonuçlarını iyileştirerek cerrahi ve terapötik alanlarda devrim yaratma potansiyeline sahiptir.
Cerrahi Sonuçların Tahmini
Pediatrik Cerrahi Alan Enfeksiyonları (CAE): Makine öğrenmesi (ML), doğal dil işleme (NLP) ve büyük dil modelleri (LLM'ler) gibi yapay zeka teknolojileri, pediatrik cerrahide CAE'lerin tahminini ve takibini geliştirmek için dönüştürücü bir fırsat sunmaktadır. Bu modeller, NSQIP-P verileri ve elektronik sağlık kayıtları (EHR) kullanılarak geliştirilmektedir. Ancak, zayıf doğrulama, sınırlı genellenebilirlik ve iş akışına uyumsuzluk gibi faktörler, gerçek dünyada benimsenmelerini kısıtlamaktadır (Makale 5).
Ventral Herni Onarımı: Açık ventral herni onarımı sonrası cerrahi alan enfeksiyonunu (CAE) tahmin etmek için SurgiCut-AI adlı bir yapay zeka aracı geliştirilmiştir. Ameliyat öncesi ve sırası parametreleri kullanan bu araç, özellikle Random Forest (RF) modelinde yüksek bir öngörü gücü (AUC = 0,82) sergilemiştir. Model, HbA1c, kan kaybı, serum albümini ve defekt boyutu gibi yedi temel öngörücüyü belirlemiştir (Makale 39).
Genel Cerrahi Risk Değerlendirmesi: Nutrisyonel Risk İndeksi'nin (NRI), cerrahi sonuçları tahmin etmede yaygın olarak kullanılan Modifiye 5 Maddeli Kırılganlık İndeksi (mFI-5) ile karşılaştırılabilir ve bazı durumlarda daha üstün bir performans sergilediği gösterilmiştir. 9,7 milyon hastanın verilerini analiz eden çalışma, dinamik ve sürekli bir ölçüm olan NRI'nin, preoperatif risk sınıflandırması için önemli avantajlar sunabileceğini ortaya koymuştur (Makale 35).
Tedavi Planlaması ve Yanıtı
Spor Hekimliği: Yapay zeka, spor hekimliğinde yaralanma riski tahmini, görüntüleme destekli teşhis, cerrahi planlama optimizasyonu ve rehabilitasyon süreçlerinin dinamik takibi gibi birçok alanda kullanılmaktadır. Büyük dil modelleri (LLM'ler) ayrıca hasta eğitimi ve danışmanlığı için de destek sağlamaktadır. Ancak, teknik darboğazlar, veri engelleri, hasta mahremiyeti ve düzenleyici mekanizmaların eksikliği gibi zorluklar bu entegrasyonu kısıtlamaktadır (Makaleler 7 & 8).
Radyofarmasötikler: Hesaplamalı teknikler ve yapay zeka, hedefe özgü teranostik (teşhis ve tedaviyi birleştiren) ajanların geliştirilmesinde önemli bir rol oynamaktadır. Moleküler kenetlenme ve moleküler dinamik simülasyonları, yeni radyofarmasötik inhibitörlerin hedeflerle etkileşimini in-silico olarak araştırmak için kullanılmaktadır. Bu yaklaşımlar, yeni nesil ajanların maliyet etkin tasarımını hızlandırma potansiyeline sahiptir (Makale 11).
Keratokonus Tedavisi: Keratokonusun modern tedavisinde stromal lentikül ekleme keratoplastisi (SLAK) gibi minimal invaziv doku ekleme prosedürleri giderek daha fazla önem kazanmaktadır. Gelecekte, yapay zeka destekli planlama ve görüntü kılavuzluğunda tedavinin kişiselleştirilmesi, bu prosedürlerin hassasiyetini ve sonuçlarını daha da iyileştirebilir (Makale 43).
3. Yapay Zeka Teknolojisindeki Teknik Gelişmeler ve Diğer Bilimsel Uygulamalar
Tıbbi uygulamaların ötesinde, yapay zeka alanında temel algoritmik yenilikler ve çeşitli bilimsel disiplinlerdeki uygulamalar hızla ilerlemektedir. Bu gelişmeler, optimizasyon, veri analizi ve endüstriyel süreçlerde yeni ufuklar açmaktadır.
Algoritmik İnovasyonlar
Optimizasyon Algoritmaları: Özellik seçimi gibi ayrık optimizasyon görevleri için Geliştirilmiş Sekreter Kuşu Optimizasyon Algoritması (ISSBOA) önerilmiştir. Bu algoritma, yerel optimalardan kaçınma yeteneğini artıran bağımsız bir düşünme mekanizması ve arama adım boyutunu dinamik olarak ayarlayan bir sinüs-kare adım mekanizması içermektedir (Makale 22).
Dağılım Dışı (OOD) Tespiti: Dağıtılmış makine öğrenimi sistemlerinin güvenilirliği için kritik olan OOD verilerini tespit etmek amacıyla Dikkat Başlığı Maskeleme (AHM) adı verilen yeni bir teknik sunulmuştur. Bu yöntem, hem tek modlu hem de çok modlu (metin ve görüntü içeren belgeler gibi) verilerde gömme kalitesini artırarak yanlış pozitif oranını %10'a kadar düşürmektedir (Makale 23).
EKG Analizi: EKG sinyallerini herhangi bir büyük dil modeli (LLM) tarafından yorumlanabilen evrensel bir EKG diline dönüştüren ECG-aBcDe adlı yeni bir kodlama yöntemi tanıtılmıştır. Bu yaklaşım, model bağımlılığını ortadan kaldırır, zamansal ölçek bilgisini daha iyi yakalar ve dikkat ısı haritaları çıkararak yorumlanabilirliği artırır (Makale 29).
Malzeme Bilimi ve Gıda Güvenliği
LAZER Işınlı İşleme (LBM): Havacılık ve savunma sanayinde kullanılan yüksek performanslı XG3 çeliğinin LBM ile işlenmesi için derin öğrenme tabanlı bir öngörü modeli geliştirilmiştir. Geri Yayılımlı Yapay Sinir Ağı (BPANN) modeli, %0,999'u aşan regresyon katsayıları ile üstün bir öngörü yeteneği sergilemiştir (Makale 24).
Gıda Tazeliği: Etin bozulmasının önemli bir göstergesi olan toplam uçucu bazik nitrojeni (TVB-N) izlemek için yapay zeka entegreli kolorimetrik koku sensörleri geliştirilmiştir. FocusNet modeli, sensör verilerini işleyerek domuz eti numunelerindeki TVB-N seviyelerini %0,9367'lik bir korelasyon katsayısıyla doğru bir şekilde tahmin etmiştir (Makale 14).
Su Arıtma: Atık alüminyum ince filmler ve polipropilen yalıtım kullanılarak geliştirilmiş bir pasif güneş damıtma cihazının (PSS) verimliliğini optimize etmek için yapay zeka kullanılmıştır. NSGA-II optimizasyonu, saatlik verimi doğru bir şekilde tahmin eden makine öğrenmesi modelleriyle birleştirilerek optimum bir konfigürasyon belirlemiştir (Makale 50).
Veri Analizi ve Modelleme
Kimyasal Reaksiyon Verimleri: Yüksek verimli deneylerden (HTE) elde edilen kimyasal reaksiyon verilerinin modellenmesi için istatistiksel bir model önerilmiştir. Çalışma, veri üreten süreç hakkındaki bilgiden yararlanmanın, yalnızca ML/AI algoritmalarını uygulamaktan daha güvenilir ve yorumlanabilir sonuçlar verdiğini vurgulamaktadır (Makale 16).
NIR Spektroskopisi: Gıda ve ilaç endüstrilerinde kullanılan Yakın Kızılötesi (NIR) spektroskopisi için küçük etiketli veri setleriyle güvenilir performans gösteren DeepSS adlı yeni bir derin öğrenme yaklaşımı geliştirilmiştir. Bu yöntem, veri eşleştirme stratejisi ve sahte etiket füzyonu kullanarak tahmin hatalarını %1,51 ila %14,29 arasında azaltmıştır (Makale 31).
YBÜ'de Nadir Durumlar: Yoğun bakım ünitelerindeki nadir hastalıklar ve düşük prevalanslı durumlar için klinik sonuçları tahmin etmek amacıyla KnowRare adlı bir derin öğrenme çerçevesi geliştirilmiştir. Bu çerçeve, veri kıtlığını gidermek için kendi kendine denetimli ön eğitimden ve koşul içi heterojenliği ele almak için klinik olarak benzer koşullardan bilgi aktarımından yararlanmaktadır (Makale 20).
4. Yapay Zekanın Etik, Yönetişim ve Uygulama Zorlukları
Yapay zekanın hızlı yayılımı, teknolojik başarıların yanı sıra önemli etik, yönetişim ve uygulama zorluklarını da beraberinde getirmektedir. Bu zorluklar, veri güvenliğinden düzenleyici çerçevelere, hasta eğitiminden yanlış bilginin yayılmasına kadar geniş bir yelpazeyi kapsamaktadır.
Yönetişim ve Düzenleme
Bilimsel Veri Yönetişimi: Veri yoğun ve yapay zeka odaklı bilimlerin ilerlemesi, çok kaynaklı heterojen veriler için yeni yönetişim zorlukları yaratmaktadır. Bu zorlukları ele almak için veri paydaşları, veri yaşam döngüsü ve veri yönetişim unsurlarını içeren üç boyutlu bir teorik çerçeve önerilmiştir (Makale 3).
S-RACE Platformu: Sorumlu yapay zeka geliştirmeyi desteklemek amacıyla yüksek kaliteli gerçek dünya verilerini (RWD) yönetmek için S-RACE adlı ölçeklenebilir ve yönetişimli bir platform oluşturulmuştur. Bu platform, ISO 42001 ve AB AI Yasası gibi yönetişim standartlarına bağlı kalarak sorumlu yapay zekanın klinik olarak benimsenmesini hızlandırmak için güvenilir bir temel sunmaktadır (Makale 21).
Akademik Yayıncılık: Yapay zekanın akademik yazım ve yayıncılıkta artan rolü, yazarlık, araştırma bütünlüğü ve hesap verebilirlik konularında önemli etik endişeleri gündeme getirmektedir. Yapay zekanın sorumlu entegrasyonu, insan yargısı ile dengelenmeli ve titiz standartlarla yönetilmelidir (Makale 28).
Hasta Eğitimi ve İletişim
Sternotomi Sonrası Öz Bakım: Sternotomi sonrası hastaların taburculuk sonrası sıkça sorduğu soruları yanıtlamak için bir yapay zeka uygulaması geliştirilmiştir. Bu uygulama, hastaların iyileşme sürecine uyumlarını teşvik ederek yeniden hastaneye yatış riskini azaltmayı hedeflemektedir. İlk değerlendirmede, uygulama tarafından üretilen yanıtların %86,7'si kapsamlı ve doğru bulunmuştur (Makale 15).
Ses Kısıklığı Kılavuzları: ChatGPT'nin (GPT-4 tabanlı) ses kısıklığı (disfoni) ile ilgili 2018 Klinik Uygulama Kılavuzu'na ne ölçüde uyduğunu değerlendiren bir çalışmada, modelin yanıtlarının %86,7'sinin kılavuzla tam uyumlu olduğu bulunmuştur. Bu, büyük dil modellerinin uzman gözetiminde hasta eğitimi ve klinik karar verme için yardımcı araçlar olarak potansiyelini desteklemektedir (Makale 25).
Dijital Kâtipler: Otomatik konuşma tanıma (ASR) ve doğal dil işleme (NLP) teknolojilerini kullanan dijital kâtipler, birinci basamak sağlık hizmetlerinde dokümantasyon süresini azaltarak iş akışı verimliliğini artırmaktadır. Ancak, çeşitli sağlık iş akışlarına uyum sağlama ve benimsenme konusunda önemli zorluklarla karşılaşmaktadırlar (Makale 44).
Güvenilirlik ve Yanılgılar
Deepfake Videolar: Yapılan bir çalışma, deepfake videoların sahte olduğuna dair açık uyarılara rağmen içeriklerinin insanlar üzerindeki etkisini tamamen ortadan kaldırmanın yetersiz olduğunu göstermiştir. Katılımcıların çoğu, videonun sahte olduğunu bildiklerini belirtmelerine rağmen içeriğinden etkilenmeye devam etmiştir. Bu bulgu, şeffaflık odaklı düzenleyici girişimlerin tek başına yeterli olmayabileceğine işaret etmektedir (Makale 18).
Kısmi Gerçekler: Tamamen yanlış mesajların ötesinde, hem doğru hem de yanlış bilgiler içeren mesajlara verilen tepkileri inceleyen bir çalışma, kaynağın insan, yapay zeka veya hibrit olarak algılanmasının, hatanın kabul edilebilirliği üzerindeki etkisini araştırmıştır. Bu, yanlış bilginin daha karmaşık formlarının nasıl algılandığını anlamak için önemlidir (Makale 53).
Uygulama Zorlukları
Spor Hekimliği Entegrasyonu: Yapay zekanın spor hekimliğine derinlemesine entegrasyonu; teknik darboğazlar, veri engelleri, hasta mahremiyeti riskleri ve yasal düzenleme ile sağlık sigortası mekanizmalarının eksikliği gibi temel zorluklarla karşı karşıyadır (Makale 7).
Pediatrik Cerrahi Benimsemesi: Yapay zeka araçlarının pediatrik cerrahide yaygın olarak benimsenmesi; zayıf doğrulama, sınırlı genellenebilirlik, iş akışı uyumsuzluğu ve pediatriye özgü veri sınırlamaları gibi engellerle kısıtlanmaktadır (Makale 5).
Yapay Zeka ve Karbon Ayak İzi: Dokuz teknolojik olarak gelişmiş ekonomide yapılan bir analiz, yapay zeka yatırımlarının, yabancı doğrudan yatırımların (FDI) ve İnsani Gelişme Endeksi'nin (HDI) karbon emisyonlarını artırdığını ortaya koymuştur. Bu bulgu, yapay zekanın yaygınlaşmasının çevresel risklerini vurgulamakta ve yeşil inovasyon ile sürdürülebilir çevre politikalarının önemini göstermektedir (Makale 38).
Acil Serviste Önceliklendirme: Acil serviste (ED) ilaç mutabakatını (MR) önceliklendirmek için yapay zeka destekli bir hastaneye kabul tahmin panosu kullanılmıştır. Pano, doğru yapılan MR oranını %86,4'ten %89,0'a çıkarırken, gereksiz MR oranını %17,9'dan %12,6'ya düşürmüştür (Makale 41).
Hiç yorum yok:
Yorum Gönder