Hastalıkları Teşhis Eden Yapay Zeka Sistemler Doktorlara Destek Olabilir Mi?

ABD ve Avrupa'daki binlerce insan, bir doktorunun katılımı olmadan diyabetle ilgili körlüğü tespit etmek için yapay zeka doktor sistemi tarafından tarandı. Yapılan bir araştırmada, sistemin eğitimli profesyonellerden daha iyi performans göstermesinden sonra, geçen yıl onaylandı.

Yapay zekalar, meme ve akciğer kanserinden kırık bilek ve glokomlara kadar birçok durumun teşhisini iyileştirecek gibi görmektedir. Gerekli donanıma sahip olan herhangi bir hastanenin yakında aynı tanı standardı sunabilmesi planlanmaktadır.

Bununla birlikte, araştırmacılar bir yapay zekanın çok fazla veriyle beslenemeyeceğini ve veri kümelerindeki doğal önyargılar nedeniyle mükemmel bilgiler üretmesinin beklenemeyeceğini düşünmektedirler. Hastane test verileri ile beslenen bir yapay zeka sistemi, sonuçlar gelmeden çok önce hastanın hangi bozukluğa sahip olduğunu tahmin edebilse de, doktorların hastada olduğundan şüphelenildiği duruma dayanan testleri istediği düşünüldüğünde, önyargı engeline takılabilir.

En popüler yapay zeka türü olan derin öğrenme, temelde örüntü (pattern) tanıma biçimidir. Derin öğrenme sistemleri kara kutulardır, bu yüzden aldıkları örüntünün verilerdeki bir önyargının sonucu olup olmadığını söylemenin kolay bir yolu yoktur. Bunun yerine bir sebep-sonuç modeli üzerine kurulu yapay zeka sistemleri geliştirilmektedir. Bu nedensel modeller kararlarını açıklamak için daha şeffaf olacak şekilde tasarlanmıştır.

Yapay Zeka Önyargısını Kırmak

Şu anda araştırmacılar, MRI, BT ve retina taramaları gibi göreceli olarak basit, nesnel veri formlarına makine öğrenmesini uygulamaktadır. ABD Gıda ve İlaç İdaresi, X-ışınlarındaki kırık bilekleri tespit etmek için kullanılan OsteoDetect sistemi ve insülin pompaları olan kişiler için dozajları önermek için glikoz izlemesini kullanan DreaMed Advisor Pro gibi bir düzine yapay zeka algoritmasını onaylamıştır. Diyabetik körlüğe yönelik testi geliştiren termik IDx, retina taramalarında maküler dejenerasyon, glokom, Alzheimer hastalığı, kardiyovasküler hastalık ve inme riski teşhisi konusunda da çalışmaktadır.

Yine de, nispeten basit olan bu makine öğrenmesi uygulamalarında bile sorunlar vardır. Birincisi, bir yapay zeka, görüntüleme ekipmanlarından biri konusunda eğitilmişse, yalnızca bu makinelerle çalışır. Görüntüleme makinesi yazılımını yükseltmek bile yapay zekaları etkileyebilir. İdeal olarak, sistemler genelleştirilebilir olmalıdır.

Mamografilerı analiz etmekte doktorları geride bırakan bir derin öğrenme sistemi geliştirilmiştir. 2013 yılında yapılan bir çalışma, meme kanseri taraması söz konusu olduğunda, kurtarılan her yaşam için 10 kadının gereksiz tedavi gördüğü ve 200'ünün gereksiz yere stres yaşadığı sonucuna varmıştır. Bu tür girişimler, bazılarının kitlesel mamografi taramasının terk edilmesi gerektiğini savunmuştur. Benzer problemler kişisel teknolojilerde de yaşanabilir.

Yapay zeka algoritmasının yardımı ile anormal kalp ritimlerini tanımlayabilen bir EKG işlevli saat kullanan kişiler, birçok insanda semptomsuz düzensiz kalp ritmi olduğu düşünüldüğünde, gereksiz ilaç kullanımına maruz kalabilir ya da gereksiz yere ameliyat olabilirler.

Kural koyucu otoritelerin bu tür testlerin insanları gerçekten etkilediğine dair kanıt talep etmesi gerekmektedir. Sistemler sürekli öğrenen uyarlanabilir algoritmalar içerdiğinde, bu değişiklikleri inceleyen düzenli denetimler yapılmalıdır. Birçok çalışma, hastaların doktorları ile bir ilişki kurduğunda sonuçların daha iyi olduğunu göstermektedir.