Medikaynak Search
Üye Ol Üye Giriş
Medikaynak Menü

Yapay zekanın popüler bir alt disiplini olan makine öğrenmesi, büyük veri kümeleri kullanır ve değişkenler arasındaki etkileşim modellerini tanımlar. Bu teknikler daha önce bilinmeyen ilişkileri keşfedebilir, yeni hipotezler üretebilir, araştırmacıları ve kaynakları en verimli yönlere doğru yönlendirebilir. Makine öğremesi finans, otomatik sürüş, akıllı ev gibi çeşitli alanlarda uygulanabilir. Tıpta makine öğrenmesi, otomatik klinik karar sistemleri oluşturmak için yaygın olarak kullanılır.

Makine öğrenmesine yönelik çoğu yaklaşım denetimli ve denetimsiz olmak üzere iki ana kategoriye ayrılır. Denetlenen yöntemler sınıflandırma ve regresyon için mükemmeldir. Son örnekler arasında göğüs röntgeni akciğer nodülü tespiti, antikoagülasyon tedavisinin risk tahmin modelleri, kardiyomiyopatide otomatik defibrilatörlerin implantasyonu, inme ve inme-benzeri sınıflamasında kullanım, CD4 + T hücre heterojenliğinin modellenmesi, bulaşıcı hastalıklarda sonuç tahmini, EKG’de aritmi tespiti ve silico klinik araştırmasının tasarımı ve geliştirilmesi vardır.

Denetimsiz öğrenme etiketli veri gerektirmez. Verilerde mevcut olan gizli kalıpları belirlemeyi amaçlar ve genellikle veri araştırmalarında ve yeni hipotezlerin oluşturulmasında kullanılır.

Derin öğrenme, eğitim veri setlerinden otomatik tahminler üretmek için birden fazla yapay nöronal ağ katmanını kullanarak insan beyninin çalışmasını taklit eden bir makine öğrenmesi alt kümesidir. Derin öğrenme stratejisine dayalı modeller çoklu parametrelere ve katmanlara sahip olma eğilimindedir. Bu nedenle, model aşırı-uyarlaması kötü prediktif performansa yol açabilir. Eğitim örneği boyutunu arttırmak, gizli katman sayısını azaltmak ve verilerin iyi dengelenmiş olmasını sağlamak, aşırı-uyarlama önlenmesine yardımcı olabilir. Genel olarak derin öğrenme, görüntünün tanınmasında ve olaylar arasındaki zamansal ilişkileri kullanarak hastalığın başlangıcını modellemekte zorlayıcıdır.

Yapay Zeka Uygulamaları Kanser, Sinir Sistemi ve Kardiyovasküler Hastalıklara Odaklanıyor

Sağlık hizmetlerinde artan yapay zeka uygulamasına rağmen, araştırmalar temel olarak kanser, sinir sistemi ve kardiyovasküler hastalıklar üzerine yoğunlaşmaktadır, çünkü bunlar engellilik ve ölümlerin önde gelen nedenleridir. Bununla birlikte, bulaşıcı ve kronik hastalıklar da dikkat çekmektedir. Klinik iç görünün çıkarılmasını iyileştirerek ve bu tür iç görüyü iyi eğitilmiş ve onaylanmış bir sisteme sokarak artık birçok durum için erken tanı konulabilir.

Tedavi etkinliği ve sonuç tahmini, hastalık yönetimi stratejileri ve kişiselleştirilmiş bakım planlarında potansiyel klinik etkileri olan önemli alanlardır. On yıl önce, kanser sonuçlarını tahmin etmek için sadece moleküler ve klinik bilgilerden yararlanılmaktaydı. Genomik, proteomik ve görüntüleme teknolojileri dahil olmak üzere yüksek verimli teknolojilerin geliştirilmesiyle birlikte, yeni girdi parametreleri türleri toplanmış ve tahmin için kullanılmıştır. Büyük bir örneklem büyüklüğü ve histolojik veya patolojik değerlendirmeler içeren entegre multimodal veri tipleri ile bu yöntemler kanser duyarlılığı, sonuç tahmini ve prognoz doğruluğunu önemli ölçüde arttırabilir.

Makine öğrenmesi, artık ilaç geliştirme maliyetlerinin yüksek olması, ilaç hedeflerinin karakterizasyonunu yönlendiren 3 boyutlu yapısal bilgilerin bulunmasının artması ve klinik çalışmalarda oldukça düşük başarı oranları nedeniyle ilaç keşfi sürecinde kullanılmaktadır. Makine öğrenmesi, alanlar arası bağlantı kurmak için bir köprü olarak kullanılabilir. Endikasyonlarının veya yan etkilerinin tartışılması gibi bağlamsal ipuçlarını tanıyarak yeni onaylanmış bir ilacı tanımlayabilir.

Medikaynak Referanslar

Nariman Noorbakhsh-Sabet, Ramin Zand, Yanfei Zhang, Vida Abedi. Artificial Intelligence Transforms the Future of Health Care, The American Journal of Medicine (2019) 132:795−801.

+ Tüm Referansları Göster
  1. Benzer İçerikler