Yapay Zeka Alanındaki Güncel Gelişmeler ve Uygulamalar Üzerine Bir Bilgilendirme Notu

Özet

Yapay zeka (YZ), başta tıp ve biyoteknoloji olmak üzere çok sayıda alanda dönüştürücü bir güç olarak ortaya çıkmaktadır. Mevcut araştırmalar, YZ'nin özellikle tıbbi görüntüleme, hastalık teşhisi, prognoz tahmini ve kişiselleştirilmiş tedavi stratejilerinin geliştirilmesinde devrim niteliğinde ilerlemeler kaydettiğini göstermektedir. Onkoloji, nöroloji ve kardiyoloji gibi alanlarda YZ destekli modeller, mamografi taramalarından patoloji slaytlarına kadar çeşitli verileri analiz ederek tanısal doğruluğu artırmakta ve klinisyenlerin iş yükünü azaltmaktadır. Aynı zamanda YZ, ilaç keşfi ve geliştirme süreçlerini hızlandırmakta; yeni bileşiklerin taranması, ilaçların yeniden konumlandırılması ve biyomateryallerin rasyonel tasarımı gibi konularda yeni ufuklar açmaktadır. Klinik iş akışlarına entegrasyon, hasta eğitimi ve halk sağlığı takibi gibi pratik uygulamalar giderek yaygınlaşırken, bu teknolojilerin güvenilirliği, etik kullanımı, veri gizliliği ve standardizasyonu konusundaki zorluklar da önemli bir araştırma odağı olmaya devam etmektedir. Bu nedenle, YZ'nin potansiyelinden tam olarak yararlanmak için sağlam doğrulama çalışmaları, etik çerçeveler ve disiplinler arası iş birlikleri kritik öneme sahiptir.

--------------------------------------------------------------------------------

I. Tıpta Tanı ve Prognoz Tahmini

Yapay zeka, çeşitli tıbbi disiplinlerde hastalıkların erken teşhisi, risk sınıflandırması ve sonuçların tahmin edilmesi süreçlerini iyileştirmek için yoğun bir şekilde kullanılmaktadır.

A. Onkoloji

YZ modelleri, kanser teşhis ve tedavisinde görüntü analizi, moleküler veri yorumlama ve prognoz tahmininde önemli bir rol oynamaktadır.

• Meme Kanseri: Yapay zeka destekli mamografi tarama sistemleri, kanser tespit oranlarını artırırken radyologların iş yükünü %40 ila %90 oranında azaltma potansiyeli göstermektedir (Kaynak 9). Ultrason ve klinik verileri birleştiren çok modlu bir model, Vasküler Endotelyal Büyüme Faktörü (VEGF) ekspresyonunu non-invaziv olarak tahmin ederek lenf nodu metastazı ve prognoz hakkında değerli bilgiler sunmaktadır (Kaynak 57). Ayrıca, MRI ve F-18 FDG-PET/CT görüntülerini kullanan bir derin öğrenme modeli, aksiller lenf nodu metastazını değerlendirmede uzman yorumundan daha yüksek bir performans sergilemiştir (Kaynak 53).
• Kolorektal Kanser: Hematoksilin ve eozin ile boyanmış tam slayt görüntülerinde (WSI) tümör tomurcuklanmasının (TB) tam otomatik olarak derecelendirilmesi, değerlendirme verimliliğini doğruluktan ödün vermeden önemli ölçüde artırmaktadır (Kaynak 4).
• Multipl Miyelom: Yan popülasyon hücrelerinden ve kök hücre indeksinden türetilen makine öğrenimi destekli bir prognostik model, kemoterapiye direnç ve bağışıklıktan kaçış profillerini ayırt ederek kişiselleştirilmiş tedavi stratejilerine rehberlik etme potansiyeli taşımaktadır (Kaynak 20).
• Prostat Kanseri: YZ, prostat brakiterapisinde görüntüleme, tedavi planlaması ve sonuç tahminini iyileştirerek hassasiyeti ve verimliliği artırmaktadır. Yapılan sistematik bir derleme, U-Net gibi derin öğrenme tekniklerinin segmentasyonda %84 duyarlılık ve doz optimizasyonunda %20-30 zaman tasarrufu sağladığını ortaya koymuştur (Kaynak 54).
• Genel Kanser Patolojisi: PathGen adlı çapraz modal üretken bir YZ modeli, dijital histopatoloji görüntülerinden gen ekspresyon verilerini sentezleyerek kanser derecelendirmesi ve hasta sağkalım riski tahminlerinde performansı önemli ölçüde artırmaktadır (Kaynak 2).

B. Nöroloji ve Nöroşirürji

YZ, nörolojik bozuklukların altında yatan karmaşık mekanizmaları anlamak, prognozu tahmin etmek ve cerrahi karar verme süreçlerini desteklemek için kullanılmaktadır.

• Subaraknoid Kanama (SAK): Geliştirilmiş SAK (eSAH) skoru, yaş, Glasgow Koma Skalası (GCS) ve subaraknoid kanama hacmi (SAHV) gibi rutin olarak mevcut değişkenleri birleştirerek erken sonuç sınıflandırması için nesnel bir çerçeve sunar. Bu skorun, kanama hacminin otomatik ve hassas bir şekilde ölçülmesini sağlamak üzere YZ ile entegrasyon potansiyeli yüksektir (Kaynak 3).
• Alzheimer Hastalığı: Makine öğrenimi destekli hiperspektral Raman görüntüleme, Alzheimer beyninin etiketsiz bir moleküler atlasını oluşturarak, Aβ42 birikiminin ötesinde kolesterol ve glikojen metabolizmasındaki bölgesel değişiklikleri ortaya çıkarmaktadır (Kaynak 63). Kore'de ise Demans Platformu Kore (DPK) ve Denemeye Hazır Kayıt (TRR) gibi girişimler, standartlaştırılmış veri setleri oluşturarak YZ tabanlı araştırmaları ilerletmeyi hedeflemektedir (Kaynak 6).
• Majör Depresif Bozukluk (MDB): Kenar merkezli fonksiyonel bağlantısallık (eFC) ve tüm beyin transkriptomi verilerini birleştiren bir çalışma, MDB hastalarında iyon kanalları ve sinaptik iletimle ilişkili gen ekspresyon profilleriyle bağlantılı ağ değişikliklerini ortaya koymuştur (Kaynak 12).
• Parkinsonizm: Askeri gazilerde yapılan bir çalışmada, α-sinüklein ve tau ko-patolojisinin bölgesel dağılımını sınıflandırmak için hiyerarşik bir sito-mimari sistem geliştirilmiştir. Bu sistem, nörodejeneratif bozukluklarda ko-patolojinin karmaşıklığını yakalamak için geniş bir uygulama potansiyeli sunmaktadır (Kaynak 41).
• Spinal Tümörler: Uyarılmış Raman Histolojisi (SRH) ile elde edilen görüntülerin YZ tabanlı analizi, intradural ekstramedüller (IDEM) tümörlerin (meningiom, schwannom vb.) intraoperatif olarak %94,3 doğrulukla sınıflandırılmasını sağlayarak cerrahi karar verme süreçlerini destekleyebilir (Kaynak 74).

C. Kardiyoloji

YZ tabanlı yaklaşımlar, non-invaziv yöntemlerle kardiyovasküler hastalıkların hemodinamik ve yapısal özelliklerini değerlendirerek tanı ve yönetimi iyileştirmektedir.

• Aort Darlığı: Tek görünümlü 2D ekokardiyografiden elde edilen Dijital Aort Darlığı Şiddet İndeksi (DASSi) adlı bir YZ biyobelirteci, hastalığın ilerlemesini tahmin etmede hemodinamik, yapısal (kalsiyum skoru) ve biyolojik (PET-CT) özelliklerle bağımsız olarak ilişkili bulunmuştur. Bu, çok modlu görüntülemeye ölçeklenebilir bir alternatif sunmaktadır (Kaynak 64).
• Konstriktif Perikardit: Yapay zeka tabanlı non-invaziv nabız dalgası analizi (AI-PWA), konstriktif perikarditli hastalarda merkezi hemodinamik ve arteriyel sertlik hakkında klinik olarak anlamlı bilgiler sunarak tanı ve yönetimi geliştirme potansiyeli göstermektedir (Kaynak 10).

D. Diğer Klinik Alanlar

• Hastane Yatışları: Kardiyovasküler risk faktörleri olan hastalardan toplanan anket verilerini kullanan makine öğrenimi modelleri, hastaneye yatışları (AUROC: 0.93) ve 90 günlük yeniden yatışları (AUROC: 0.99) yüksek doğrulukla tahmin edebilmektedir (Kaynak 7).
• HIV: HIV ile yaşayan yaşlı bireylerde bilişsel sağlık üzerine makine öğrenimi uygulamalarını inceleyen sistematik derlemeler, bu alandaki araştırmaların çoğunlukla HIV ile ilişkili nörobilişsel bozukluklara odaklandığını ve harici doğrulama eksikliği gibi metodolojik zorlukların bulunduğunu göstermektedir (Kaynak 42, 72).
• Üroloji: YZ, ürolojide tanısal görüntüleme, benign prostat hiperplazisi yönetimi ve robotik cerrahi gibi alanlarda doğruluğu ve verimliliği artırmaktadır (Kaynak 45).

II. İlaç Keşfi, Biyoteknoloji ve Temel Bilimler

Yapay zeka, moleküler düzeyde biyolojik süreçleri modelleyerek ve büyük ölçekli verileri analiz ederek ilaç geliştirme, biyomühendislik ve temel bilimsel keşifleri hızlandırmaktadır.

A. İlaç Geliştirme ve Keşif

• Doğal İlaçlar: YZ, doğal ürünlerdeki farmakolojik olarak aktif bileşikleri taramak, ilaç hedeflerini tahmin etmek ve ADMET (absorpsiyon, dağılım, metabolizma, atılım ve toksisite) özelliklerini öngörmek için kullanılmaktadır (Kaynak 13).
• İlaç Yeniden Konumlandırma: DRPMKB 1.0, YZ odaklı ilaç yeniden konumlandırma tahmin modelleri için kapsamlı bir bilgi tabanı sunarak, araştırmacıların veri ve modelleri entegre etmesine ve kişiselleştirilmiş öneriler almasına olanak tanımaktadır (Kaynak 44).
• Hedefe Yönelik Protein Yıkımı: Proteoliz hedefleyici kimeraların (PROTAC'lar) klinik potansiyelini artırmak için nanotaşıyıcı tabanlı dağıtım sistemleri geliştirilmektedir. YZ, bu alanda rasyonel PROTAC gelişimini desteklemektedir (Kaynak 59).
• Spesifik Bileşiklerin Keşfi: Yapı tabanlı rasyonel tasarım kampanyaları, üçlü-negatif meme kanseri için güçlü bir CDK12/13 yıkıcısı olan DN1679'un keşfedilmesini sağlamıştır (Kaynak 61). Benzer şekilde, in-silico araçlar, glioblastoma için potansiyel bir tedavi olan meranzin hidratın anti-malignite aktivitesini ortaya çıkarmıştır (Kaynak 85).

B. Biyomühendislik ve Laboratuvar Teknolojileri

• Kök Hücreler: Akıllı biyomateryaller, YZ ve çip-üzeri-organ teknolojilerini entegre eden gelecekteki platformların, hematopoetik kök hücrelerin (HSC) ex vivo çoğaltılmasındaki verimlilik, tutarlılık ve maliyet sınırlamalarını aşması beklenmektedir (Kaynak 11).
• Genomik ve Epigenomik: Oxford Nanopore Teknolojileri (ONT) doğrudan RNA dizilemesi, çeşitli RNA modifikasyonlarının tek molekül düzeyinde tespit edilmesini sağlayarak epitranskriptomik alanında devrim yaratmaktadır (Kaynak 75). Benzer şekilde, biyoinformatik ve YZ, kan grubu moleküler tiplemesinde ortaya çıkan büyük hacimli verilerin işlenmesinde ve yorumlanmasında giderek daha önemli bir rol oynamaktadır (Kaynak 22).
• Malzeme Bilimi: Gıda sistemlerinde polisakkaritlerin fonksiyonel özelliklerini geliştirmek için YZ ve moleküler dinamikler, yapı-fonksiyon ilişkilerini tahmin etmede ve veriye dayalı malzeme tasarımında kullanılmaktadır (Kaynak 28).
• Analitik Kimya: Uçucu organik bileşiklerin (VOC) uzun süreli izlenmesi için gaz kromatografisi piklerinin otomatik ve hassas bir şekilde segmente edilmesinde zamansal semantik segmentasyon tabanlı bir YZ çerçevesi geliştirilmiştir (Kaynak 21).

III. Klinik Uygulamalar, Etik ve Eğitim

Yapay zekanın sağlık hizmetlerine entegrasyonu, sadece teknik değil, aynı zamanda iş akışı, etik, düzenleme ve eğitim boyutlarını da içeren çok yönlü bir süreçtir.

A. Klinik İş Akışları ve Veri Yönetimi

• Federatif Öğrenme (FL): Avrupa Birliği'nde sağlık verilerini kullanan FL projeleri için etik, yasal, teknik ve idari ilkeleri entegre eden bir yol haritası geliştirilmiştir. Bu, gizliliği koruyan, ölçeklenebilir ve güvenilir YZ iş birliklerini desteklemeyi amaçlamaktadır (Kaynak 18).
• Veri Yönetimi: MedicalDataHandler gibi grafik kullanıcı arayüzü (GUI) tabanlı araçlar, DICOM verilerinin okunmasını, görselleştirilmesini ve işlenmesini kolaylaştırarak, özellikle derin öğrenme araştırmaları için veri hazırlama süreçlerini hızlandırmaktadır (Kaynak 62).
• Otomatik Skorlama: Büyük dil modelleri (LLM'ler), travma hastalarının Yaralanma Şiddet Skorunu (ISS) hesaplama sürecini otomatikleştirmek için kullanılmaktadır. Bir çalışmada, LLM tarafından üretilen ISS ile kayıt uzmanı tarafından hesaplanan ISS arasında 0.981'lik bir sınıf içi korelasyon katsayısı elde edilmiştir (Kaynak 15).

B. Hasta Eğitimi ve Danışmanlık

Farklı çalışmalar, ChatGPT gibi üretken YZ modellerinin hasta sorularını yanıtlama konusundaki güvenilirliğini değerlendirmiştir.

• Doğurganlık Tedavisi: Deneyimli doğurganlık uzmanları, karmaşık klinik sorulara verdikleri yanıtlarda üretken YZ modellerinden (ChatGPT ve Gemini) önemli ölçüde daha yüksek puanlar almıştır (Kaynak 34).
• Pediatrik Öksürük: Pediatrik pulmonologlar ve genel pediatristler, ChatGPT-4o'nun öksürükle ilgili sorulara verdiği yanıtları genel olarak güvenilir ve değerli bulmuşlardır, ancak uzmanlar arasındaki değerlendirme farklılıkları, YZ kaynaklı tıbbi içeriğin dikkatli yorumlanması gerektiğini vurgulamaktadır (Kaynak 50).
• Gelişimsel Kalça Displazisi (GKD): ChatGPT, GKD ile ilgili ebeveyn sorularına tatmin edici yanıtlar sunsa da, ayrıntılı teşhis ve tedavi yollarını sunmadaki sınırlılıkları nedeniyle uzman tıbbi danışmanlığının yerini tutamaz (Kaynak 65).
• Omurga Travması: YZ'nin omurga travması geçiren hastaların eğitimi için kullanılması, farklı modellerin güçlü ve zayıf yönlerini ortaya koymuştur. Bu durum, sağlık hizmeti sağlayıcılarının YZ'yi hasta eğitiminde daha bilinçli bir şekilde kullanması gerektiğini göstermektedir (Kaynak 58).

C. Etik, Eğitim ve Politika

• Psikiyatri: YZ'nin psikiyatride kullanımı; gizlilik, veri güvenliği ve algoritmik önyargı gibi önemli etik endişeleri beraberinde getirmektedir. Klinisyenlerin YZ okuryazarlığı geliştirmesi ve sorumlu uygulamaların şekillendirilmesine katılması kritik öneme sahiptir (Kaynak 14). Ayrıca, YZ'nin psikiyatri eğitimine artan etkisi, yeni müfredatların ve eleştirel düşünme becerilerinin geliştirilmesini gerektirmektedir (Kaynak 48).
• Yoğun Bakım: YZ'nin yoğun bakıma entegrasyonu, mekanik ventilatörün benimsenmesi gibi, dikkatli, titiz bir doğrulama ve insan merkezli bir yaklaşım gerektirmektedir. YZ, sağlık profesyonellerinin incelikli yargısının yerini almak yerine onu tamamlayan bir araç olarak hizmet etmelidir (Kaynak 27).
• Tıbbi Görüntü Analizi: Hibrit CNN-Transformer mimarileri, temel ve üretken YZ modelleri, federatif öğrenme ve açıklanabilir YZ gibi gelişmeler, YZ'nin radyoloji ve patoloji iş akışlarına entegrasyonunun önünü açmaktadır (Kaynak 43).

D. Hasta Deneyimlerinin Analizi

• Duygu Analizi: Servikal kanser ve brakiterapi ile ilgili çevrimiçi forum tartışmalarının YZ tabanlı duygu analizi, hastaların özellikle bağırsak ve idrar yan etkileriyle ilgili endişelerini ortaya koymuştur. Bu tür analizler, hasta eğitimi ve onam süreçlerini iyileştirmek için değerli bilgiler sunmaktadır (Kaynak 88).

IV. Temel Yapay Zeka Araştırmaları ve Tıp Dışı Uygulamalar

Sağlık hizmetlerinin ötesinde, YZ temel bilimlerde, mühendislikte ve çeşitli endüstriyel sektörlerde yenilikçi çözümler sunmaktadır.

A. Yeni Modeller ve Teknikler

• Model Sıkıştırma: Nöral ağ modellerinin depolama ve hesaplama karmaşıklığını azaltmak için, budama ve nicelemeyi birleştiren iki aşamalı işbirlikçi bir eğitim çerçevesi önerilmiştir (Kaynak 37).
• Görüntüleme ve Görüş: YZ destekli süper çözünürlüklü mikroskopi (SRM), nano ölçekte hücresel görüntülemede devrim yaratma potansiyeli taşımaktadır (Kaynak 24). Geospatial AI (GeoAI) tabanlı bir vekil model, su havzalarındaki azot ve fosfor yüklerini tahmin etmek için "kaynak-taşıma-çökelti" mekanizmasını entegre etmektedir (Kaynak 19).
• İlaç-Hedef Afinitesi: PMHGT-DTA adlı çok modlu bir çerçeve, ilaç ve proteinlerin hem yerel hem de küresel yapısal bilgilerini yakalamak için önceden eğitilmiş modelleri ve hiyerarşik bir grafik transformatörünü birleştirerek ilaç-hedef afinitesi tahminini iyileştirmektedir (Kaynak 49).

B. Donanım ve Hesaplama

• Fotonik Hesaplama: Geleneksel Çin abaküsünden esinlenerek SUANPAN olarak adlandırılan, yayıcı-dedektör çiftlerinden oluşan ölçeklenebilir bir fotonik lineer vektör makinesi, yüksek boyutlu vektör iç çarpımları için %98'in üzerinde hesaplama doğruluğu elde etmiştir (Kaynak 25).
• Robotik: Kuantum tavlama (quantum annealing) tekniği, robotikte ters kinematik problemlerini çözmek için bir yöntem olarak araştırılmaktadır (Kaynak 23).

C. Tıp Dışı Uygulamalar

• Gıda Bilimi: Düşük maliyetli çok kanallı spektral sensörler ve makine öğrenimi, kahve kavurma derecesini tahmin etmek için kullanılmaktadır (Kaynak 17). Benzer şekilde, hiperspektral görüntüleme ve makine öğrenimi, oleojellerin kısaltma ikamesi olarak kullanıldığı kurabiyelerin kalitesini tahmin etmede başarılı olmuştur (Kaynak 80).
• Çevre Bilimi: Sanayi 4.0 teknolojilerinin (IoT, YZ vb.) Türkiye'deki KOBİ'lerin karbon ayak izini azaltmadaki etkinliği, makine öğrenimi tabanlı bir değerlendirme ile incelenmiştir. Sonuçlar, bu teknolojilerin benimsenmesiyle elektrik, doğalgaz ve atık emisyonlarında önemli düşüşler olduğunu göstermiştir (Kaynak 39).
• Dilbilim: Entropi tabanlı metrikler kullanılarak yapılan bir çalışma, ChatGPT tarafından yapılan Çince-İngilizce çevirilerde, çeviri moduna ve türe bağlı olarak değişen derecelerde basitleştirme eğilimlerini ortaya koymuştur (Kaynak 47).
• Biyoloji ve Ekoloji: Bilgisayarlı görü yöntemleri, Avustralya'daki biyokabuklardan liken ve briyofit türlerinin tanımlanmasında kullanılmaktadır (Kaynak 87).
• Halk Sağlığı: EPIWATCH adlı yapay zeka güdümlü bir açık kaynak istihbarat (OSINT) sistemi, 2017-2024 yılları arasındaki küresel botulizm salgınlarını izlemek için kullanılmış ve geleneksel raporlamanın sınırlı olduğu yerlerde değerli epidemiyolojik bilgiler sağlamıştır (Kaynak 40).