Medikaynak Search
Üye Ol Üye Giriş
Medikaynak Menü

Penn State Great Valley araştırmacılarından oluşan bir ekip, doktorlar ve sağlık çalışanlarının bir gün akciğer kanseri hastalarına yönelik tedavi kararlarını yönlendirmek için derin öğrenme adı verilen bir makine öğrenme modelini kullanabileceğini belirtmişlerdir. Yaptıkları bir çalışmada araştırmacılar, belirli koşullarda akciğer kanseri hastalarının hayatta kalma beklentisini tahmin etmede yüzde 71'den fazla doğru olan ve ekibin test ettiği geleneksel makine öğrenimi modellerinden önemli ölçüde daha iyi olan bir derin öğrenme modeli geliştirdiklerini bildirmişlerdir. Bilim insanları test ettikleri diğer makine öğrenimi modellerinin yaklaşık yüzde 61 doğruluk oranına sahip olduğunu belirtmişlerdir. Veri analitiği doçenti Youakim Badr, bir hastanın hayatta kalma beklentisine ilişkin bilgilerin, doktorlara ve bakıcılara ilaç kullanma, kaynak tahsis etme ve hastalar için bakım yoğunluğunu belirleme konusunda daha iyi kararlar vermede rehberlik edebileceğini ifade etmiştir. Badr, bunun son derece doğru olan ve doktorların hastalarına bakım sağlama konusunda bu önemli kararları vermelerine yardımcı olmayı amaçlayan yüksek performanslı bir sistem olduğunu belirtmiştir. Badr, elbette bu aracın, akciğer kanseri tedavileri konusunda karar verirken bir doktorun yerini alamayacağını da sözlerine eklemiştir. Bilgi bilimi ve mühendisliği profesörü ve Hesaplamalı ve Veri Bilimleri Enstitüsü'ne bağlı Robin G. Qiu, modelin, faktörlerin bir kombinasyonunun akciğer kanseri hayatta kalma sürelerini nasıl etkilediğini anlamak için hastaları ve hastalığı tanımlayan, tipik olarak makine öğreniminde özellikler olarak adlandırılan büyük miktarda veriyi analiz edebileceğini belirtmiştir. Bulgularını International Journal of Medical Informatics'te yayınlayan araştırmacılar, modelin, kanser araştırmalarında gerekli olan sağlam analizi sağlayabildiğinden, derin öğrenmenin akciğer kanseri prognozunun üstesinden gelmek için benzersiz bir şekilde uygun olabileceğini bildirmişlerdir.

Derin öğrenme yapısı

Derin öğrenme, genellikle insan beyninin kendi sinir ağının nasıl çalıştığına göre modellenen yapay sinir ağlarına dayanan bir tür makine öğrenmesi olarak tanımlanmaktadır. Bununla birlikte, derin öğrenmede, geliştiriciler bu yapay nöronların birden çok katmanının karmaşık bir yapısını uyguladıklarından modele "derin" adı verilmektedir. Badr, derin öğrenmenin öğrenme yönünün, sistemin veriler ve etiketler arasındaki bağlantılardan nasıl öğrendiğinden geldiğini belirtmiştir. Badr, derin öğrenmenin, verilerin kendisi ve veri örneklerini açıklamak için kullandıkları etiketler arasında ilişki kuran bir makine öğrenme algoritması olduğunu ifade etmiştir. Ayrıca Badr, bunu ilişkilendirmeleri yaparak, verilerden öğrendiğini sözlerine eklemiştir. Qiu, derin öğrenme yapısının, özellikle çok sayıda kayda ve çok sayıda özelliğe sahip veri kümeleriyle karşılaşıldığında birçok veri bilimi görevi için çeşitli avantajlar sunduğunu ifade etmiştir. Yüksek lisans öğrencisi araştırma görevlisi ve makalenin ilk yazarı olan Shreyesh Doppalapudi, ekibin yapay sinir ağları, evrişimli sinir ağları ve tekrarlayan sinir ağları gibi çeşitli derin öğrenme yaklaşımlarını geleneksel makine öğrenimi modelleriyle karşılaştırdığını ve derin öğrenme yaklaşımlarının geleneksel makine öğrenimi yöntemlerinden çok daha iyi performans gösterdiğini belirtmiştir. Doppalapudi, derin öğrenme mimarisinin, SEER programı gibi böylesine büyük, çeşitli veri kümelerini işlemek için daha uygun olduğunu ifade etmiş ve bu tür veri kümeleri üzerinde çalışmanın, sağlam hesaplama kapasitesi gerektirdiğini sözlerine eklemiştir. Bu çalışmada, araştırmacılar ICDS'nin Roar süper bilgisayarına güvendiklerini ve SEER veri kümesindeki yaklaşık 800.000 ila 900.000 girişle, bu ilişkileri verilerdeki tüm tıbbi araştırmacılardan oluşan bir ekiple manuel olarak bulmanın, makine öğreniminin yardımı olmadan son derece zor olacağını belirtmişlerdir.

Medikaynak Referanslar

Penn State, Deep learning may help doctors choose better lung cancer treatments, ScienceDaily, 18 February 2021

+ Tüm Referansları Göster
  1. Benzer İçerikler