ECZACILIKTA VE SAĞLIKTA YAPAY ZEKA DESTEKLİ EĞİTİM TEKNOLOJİLERİ

Son zamanların en çok konuşulan ve her alanda karşılaşılan en önemli konularından biri yapay zekadır. Bu yazımda yapay zekanın ve yapay zekâ destekli eğitim teknolojilerinin sağlıkta kullanımına göz atacağız. Yapay zekâ bizlerin düşünce şeklini ve yapısını anlayıp bu sistemleri kopyalayarak yaşamsal olmayan formlara ve yazılımlara aktarma işlemidir. Yakın bir geçmişe dayandığını düşünüyor olsak bile yapay zekâ, 1950 yılında Alan Turing’in, düşünen makineler yaratma olasılığı hakkındaki düşüncelerini paylaştığı makalesiyle köklerini salmaya başlamıştır. Turing Testi olarak adlandırılan testin amacı, insan ile makinenin sorulara verdiği yanıtlarda, makinenin verdiği yanıtların gözlemci tarafından ayırt edilip edilemeyeceğine dayanmaktadır. 1951’de Manchester Üniversitesi’nin Ferranti Mark 1 makinesini kullanan Christopher Strachey bir dama program yazarken Dietrich Prinz ise bir satranç programı yazdı. Yapay zekayı temellendiren bu gelişmelerin yanı sıra altın çağ 1956 – 1974 yılları arasına tekabül etmektedir.

Yapay Zekâ Zaman Çizelgesi’ni incelemek için tıklayınız.

Waton: Watson, IBM tarafından geliştirilen ve doğal dilde sorulan sorulara cevap vermek için tasarlanan bir yapay zekâ programıdır. 2011 süresince Watson, yeteneklerinin test edilmesi için televizyondaki yarışma programı Jeopardy!’e gönderildi ve yarışmayı başarıyla tamamlandı. İki oyunda, üç Jeopardy! Bölümünde kombine edilmiş denk yayın, 14-16 Şubat’ta yayınlandı; Watson, Jeopardy!’de tüm zamanların en çok parasını kazanan Brad Rutter ile en uzun süre şampiyon serisini elinde tutan Ken Jennings’i geçti. Ken Jennings ve Brad Rutter, ilk oyunlarında sırasıyla 300.000$ ve 200.000$ kazanırken Watson, ilk oyununda 1 milyon dolar kazandı.

Yapay Zekâ ve Robotiğin Sağlıkta Kullanım Alanları:

1. Keeping Well (Sağlıklı Kalmak): AI’nın en büyük potansiyel faydalarından biri, insanların sağlıklı kalmasına yardımcı olmaktır, böylece bir doktora ihtiyaçları olmaz veya bu ihtiyaç minimum seviyeye iner.

2. Diagnosis(Teşhis): IBM’in Watson for Health, adlı uygulaması sağlık kuruluşlarının çok sayıda sağlık verisini ve zor teşhis edilecek vakaların kilidini açmak için bilişsel teknolojiyi uygulamalarına yardımcı olmaktadır. Watson, dünyadaki her tıbbi dergi, semptom, tedavi ve yanıt, vaka incelemesi gibi çok daha fazla tıbbi bilgiyi gözden geçirip saklayabilmektedir

IBM Watson Health amacı nedir?

IBM Watson Health, akıllı sağlık ekosistemlerinin oluşturulmasına yardımcı olmayı amaçlar.

Kardiyoloji
Klinik karar desteği
Teşhis amaçlı görüntüleme
Kurumsal görüntüleme
Sağlık hizmetleri ve insani hizmetler analitiği
Ortopedi
Radyoloji

gibi birçok alanda farklı teknolojik gelişme ilerlemelere sahiptir.

Sağlık hizmetlerinde yapay zekanın avantajları:

Kullanıcı odaklı deneyimler sağlama: Sağlık kuruluşları, büyük veri kümelerini ve makine öğrenmesini kullanarak yapay zekâ ile tespitleri daha hızlı ve daha doğru bir şekilde bulabilir, böylece hem kurum çalışanlarının hem de müşterilerin memnuniyet düzeylerini arttırabilir
Operasyonlarda verimliliği artırma: Yapay zekâ teknolojileri, veri kalıplarını inceleyerek sağlık hizmetleri kuruluşlarının verilerinden, varlıklarından ve kaynaklarından en iyi şekilde yararlanmalarına yardımcı olabilir, verimliliği arttırabilir ayrıca klinik ve operasyonel iş akışları, süreçler ve finansal operasyonların performansını iyileştirebilir.
Farklı sağlık hizmetleri verilerini bağlama: Sağlık hizmetleri verileri genellikle parça parçadır ve çeşitli biçimlerde bulunur. Kuruluşlar, yapay zekâ ve makine öğrenmesi teknolojilerini kullanarak verilerin ardındaki kişilere ilişkin daha birleşik bir tablo elde etmek için farklı verileri birbirine bağlayabilir.

Sağlık hizmetinde yapay zekâ kullanım örnekleri:

Gelişimsel hastalıkların tespiti: Gelişimsel hastalıkların tespiti özellikle çocukluk çağındaki bireylerde yüz tanıma sistemiyle oluşturulmakta ve anormaliler tespit edilerek rapor verilmektedir.
Deri ve göz hastalıklarının teşhisi: Fotoğraflama ile analizde çeşitli bulgular saptanarak yol haritası çizilmesine yardımcı olmaktadır.
İlaç geliştirilmesi: Yapay zekâ, ilaç geliştirilmesinde karşımıza oldukça sık çıkar. Özellikle ilacın hangi proteine bağlanacağının ve bu bağlantın 3 boyutlu yapısını aktarır.
Kan tahlili ve hastalık tespiti: Hastalıkların oluşumundan önce erken tanı yöntemini hayata geçirmeyi sağlar. Ayrıca patolojik etkilerin daha rahat ve keskinlikle uygulanabilir olması için önemlidir.
EKG analizi: EKG analizindeki bu kolaylık gün içerisinde veya farklı günlerde EKG yorumu için tekrar hekime başvurma kısmında bizlere zaman tasarrufu sağlamakta ayrıca evrensel bir teşhisle de daha net cevaplar verebilmektedir.
Antibiyotik seçimi: MIT’ın Bilgisayar Bilimi ve Yapay Zekâ Laboratuvarı’ndaki araştırmacılar bir enfeksiyonun birinci veya ikinci basamak antibiyotiklerle tedavi edilmesine dayanan bir algoritma geliştirdi.
Robot Charly: Almanya’da geliştirilmiş bir robot olan Charly, eczaneye gelen müşteriyi karşılar. Müşterilerin dediklerini algılayarak istenilen ilaç rafına yönlendirir ve ilaçlarla ilgili basit bilgileri aktarır.

Yapay zekâ destekli eğitim teknolojilerinin uygulanması:

Yapay zekâ teknolojisinin doğru kullanımını anlatma: Yapay zekâ, her ne kadar tarihçesi çok eskiye dayansa da kullanımının ve avantajlarının yeni yeni anlaşıldığı bir dönemde olduğumuzdan yapay zekâ teknolojisinin insanlara doğru aktarımı oldukça önemlidir.

Bilinç oluşturma: Yapay zekâ kullanımının anlaşılması durumunda bile insanlar kendileri için yeni olan bir teknolojiye hemen ayak uydurmak istemeyebilirler. Bu sebeple insanlarda yapay zekâ uygulamalarıyla alakalı doğru bir bilinç oluşturulması gerekmektedir.

Alıştırma: Yapay zekâ teknolojilerini insanlarla birleştirmek ve onlara bunu uygulamalı olarak göstermek insanların alışması için çok önemlidir. Örneğin birçok insan Robot Charly’nin gereksiz olduğunu düşünseler bile eczanede birebir gördüklerinde fikir değiştirebilirler. Önyargıyı kırmanın en etkili yolu da birebir temastır.

Eğitim sistemine yapay zekayı dahil etme: İlkokuldan itibaren yeni nesillere yapay zekâ bilincinin aşılanması ileride gelişimleri için oldukça önemlidir. Özellikle üniversitelerde neredeyse her bölümde yapay zekâ uygulamaları mevcuttur ve bunların zorunlu/seçmeli ders olarak eklenmesi yenilikçi yönün gelişimi açısında oldukça önemlidir.

Zincir-buluş yöntemi başlatma: Zincir-buluş yönteminde öncelikle icat edilen yapay zekâ uygulamasının zamanla yeni fikirler eklenerek yoğurulması ve ideal hale getirilmesi amaçlanmalıdır.

Bugünün üniversiteleri, ayrık öğrenciler, yüksekokulu bırakma durumları ve geleneksel “herkese uyan tek bir yaklaşımla” eğitime yaklaşmanın, eğitime olumsuz etkileri gibi çok çeşitli zorluklarla karşı karşıyadır. Ancak büyük veri analizleri ve yapay zekâ doğru kullanıldığında, bu zorlukların bazılarının çözülmesine yardımcı olabilecek kişiselleştirilmiş öğrenme deneyimleri yaratılabilir.

Kişiselleştirilmiş bir öğrenme deneyimi ile her öğrenci, bireysel yeteneklerine ve gereksinimlerine tamamen uyarlanmış tamamen benzersiz bir eğitim yaklaşımından zevk alır. Bu, doğrudan öğrencilerin motivasyonlarını arttırabilir ve okuldan ayrılma ihtimallerini azaltabilir. Ayrıca profesörlere her öğrencinin öğrenme sürecini daha iyi anlamasını ve daha etkin bir şekilde öğretmelerini sağlayabilir.

AI tabanlı öğrenme sistemleri, profesörler; öğrencilerinin öğrenme stilleri, yetenekleri ve ilerlemeleri hakkında yararlı bilgiler verebilir ve öğretim yöntemlerini öğrencilerin bireysel ihtiyaçlarına göre nasıl özelleştirecekleri konusunda önerilerde bulunabilir. Örneğin, bazı öğrenciler daha fazla dikkat gerektiren veya yetişmek için özel ders gerektiren öğrenme güçlüğü veya zorlukları yaşıyor olabilir. Diğerleri, entelektüel olarak zorlanmayacakları ve ek çalışma materyallerinden veya ödevlerinden yararlanabilecekleri kadar hızlı ilerliyor olabilirler. Bu varsayımsal senaryoların her ikisinde de AI öğrenme sistemleri, öğrencilerin tam potansiyellerine ulaşmalarına yardımcı olacak ve muhtemelen uygun düzeltici önlemlerin alınmasına izin verecek kadar erken bir şekilde sorunları tespit ederek öğrencilerin yaşadığı zorlukları engelleyecektir.

Yapay zekâ eğitime uygulandığında, en iyi sonuçlar AI ve insan yeteneklerinin güçlü yönlerini bir araya getirmekten gelecektir. Eğitim ile ilgili görevler için insanların gerekli olmadığı bir zaman asla olmayacak. Örneğin, öğretmenler toplumumuzda her zaman çok önemli bir rol oynayacaktır, çünkü eğitim alanındaki insan etkileşimi ve eleştirel düşüncenin değerini asla küçümsememeliyiz.

Örneğin;

Long Island University:

Programın uygulanmasındaki 3 anahtar amaç:
- Problem çözümü,
- Algoritmik tasarım
- Çeşitli programların kullanımı
Hangi sebepten dolayı bu eğitim verilmektedir?
- Gelecekte ne kadar ileri gidebilir?
- Yapay zekaya farklı yaklaşımların ardındaki varsayımlar nelerdir?
- Yapay zekâ sistemlerinden ne gibi tehlikeler olabilir

Örnek dersler:

Biyoinformatikte Makine Öğrenimi: Kurs, genomik devrim sırasında uygulanan çeşitli makine öğrenimi yaklaşımlarını ele alır. Transkripsiyon başlangıç bölgelerinin (TSS’ler) yerlerinin tam olarak belirlenmesi, genomdaki DNA’nın öneminin belirlenmesi ve ökaryotik kromozomlardaki çevrilmemiş bölgelerin (UTR’ler), intronların ve ekzonların belirlenmesi gibi DNA dizilerindeki kalıpları tanımak için makine öğrenimi algoritmalarına vurgu yapılır.

Akıllı Otonom Robotik: Bu ders otonom robotik/sistemlerdeki temel konuları kapsar. Akıllı otonom robotlar ve sistemler çevrelerini algılayabilir, duyumlara göre nasıl davranacaklarına karar verebilir ve bu eylemleri insan yardımı veya müdahalesi olmadan gerçekleştirebilir. Kursun ana odak noktası, karmaşık ortamlarda bağımsız olarak hareket eden robotik sistemler tasarlamak ve inşa etmektir. 3 boyutlu stimüle edilmiş bir ortamda yapılmaktadır.

Bu dersin bir diğer avantajını da şu şekilde ifade edebilirim,

Eczacılar günümüzde kişisel eczanede, hastane eczanesi ve kliniklerinde, ilaç sanayinde, kozmetik firmalarında, adli tıp kurumlarında, ecza depolarında, klinik araştırma laboratuvarlarında çalışmaktadırlar. Bu kadar çeşitli istihdam alanları olmasına karşın günümüzde eczacıların yaklaşık %95’i eczanelerde çalışmaktadır. Eczane eczacıları, hasta yoğunlukları sebebi ile bazen danışmanlık görevlerine gerekli zamanı ayıramama durumları olabilir. Bu nedenle eczacıların daha uzun ve kaliteli bir danışmanlık hizmeti vermeleri için eczane robotlarını eczanelerde görebilmekteyiz.

İstatiksel Öğrenme: Olasılık üzerine düşünme, istatistiksel modelleme ve veri analizinin temel ilke ve teknikleri tanıtılır. İşlenen konular, olaylar, koşullu olasılıklar, rastgele değişkenler, olasılık dağılımları ve hipotez testleri dahil olmak üzere temel olasılık ve istatistikleri içerir.
Otomatik Konuşma Tanımlama: Kurs, en son teknolojiyi oluşturan istatistiksel yaklaşımlara odaklanarak, otomatik konuşma tanıma (ASR) teorisi ve pratiğini kapsar. Kurs, konuşma sinyali analizi, gizli Markov modellerini kullanarak akustik modelleme, dil modelleme ve tanıma araması dahil olmak üzere konuşma tanıma için genel çerçeveyi tanıtmaktadır. Kapsanan ileri düzey konular arasında konuşmacı uyarlaması, sağlam konuşma tanıma ve konuşmacı tanımlama yer alacaktır. Kursun pratik kısmı, bir konuşma tanıma yazılımı araç takımı kullanılarak bir konuşma tanıma sisteminin geliştirilmesini içerecektir.

Görüntü Hesaplamaları: Ders, üç boyutlu dünyadaki nesneleri tanımak, yeniden yapılandırmak ve modellemek için görüntülerin ve videoların analizini ele alır. Görüntü oluşumunun geometrisinin incelenmesine vurgu yapılır.

Hesaplamalı Sinirbilim, Biliş ve Yapay Zekâ: Kurs, bilişsel bilim ile hesaplamalı sinirbilimini yapay zekâ ile birleştiren temel araçları ele alır. Beyin ve davranışsal verilerle test edilen algısal, bilişsel ve kontrol görevleri sırasında beyin bilgi işlemesini taklit eden hesaplama modellerine vurgu yapılır. Büyük ölçüde paralel ağlar kullanarak bilişsel süreçleri anlamaya yönelik hesaplama yaklaşımları incelenir. Bağlantıcı ağlar için biyolojik olarak esinlenilmiş öğrenme kuralları ve bunların bağlantıcı algı, bellek ve dil modellerindeki uygulamaları tartışılmaktadır.

Uygulanabilir Derin Öğrenme: Derin öğrenme, yapay zekada en çok aranan becerilerden biridir. Bu derste öğrenci, derin öğrenmenin temellerini, sinir ağlarının nasıl kurulacağını ve başarılı makine öğrenimi projelerinin nasıl yönetileceğini öğrenecektir. Kurs, evrişimli ağları, RNN’leri, LSTM, Adam, Dropout, BatchNorm, Xavier/He başlatma ve daha fazlasını kapsar. Derin öğrenme algoritmaları, belirli bir görevdeki performansı en üst düzeye çıkaracak şekilde verilerin katmanlı üst düzey temsillerini çıkarır. Örneğin, yüzleri tanıması istendiğinde, derin bir sinir ağı görüntü piksellerini önce kenarlarla, ardından daha büyük şekillerle, ardından yüzün gözler ve kulaklar gibi kısımlarını ve son olarak da bireysel yüz kimliklerini temsil etmeyi öğrenebilir. Derin öğrenme, Siri’nin konuşma tanıma, Facebook’un etiket önerileri ve kendi kendini süren arabalar da dahil olmak üzere AI’daki birçok yeni gelişmenin arkasındadır. Öğrenci sağlık, otonom sürüş, işaret dili okuma, müzik üretimi ve doğal dil işleme konularında vaka çalışmaları üzerinde çalışacak ve sadece teoride uzmanlaşmakla kalmayacak, aynı zamanda endüstride nasıl uygulandığını da görecek. Bu fikirler Python ve TensorFlow kullanılarak keşfedilecektir. Öğrenci muhtemelen öğrendiklerini kariyerine uygulamak için yaratıcı yollar bulacaktır. Bu kurs bir capstone projesiyle sonuçlanır.

Python’da Programlama: Python programlama dilini kullanarak problem çözme, algoritmik tasarım ve uygulama sunulmaktadır. Konular, temel veri türlerini ve ilişkili toplama veri türlerini, koşullu ve döngü yapılarını ve işlevlerin kullanımı ve uygulanmasını içerir. Kursun bu ilk bölümü, nesne yönelimli programlamanın sunumuyla tamamlanmaktadır. Hem prosedürle programlama hem de nesne yönelimli programlama için gelişmiş özellikleri seçin. Kurs boyunca, sağlam programlama stilleri ve gelişimi vurgulanmaktadır.
Python’da Algoritmalar ve Veri Yapıları: Ders, tasarım, analiz ve uygulama dahil olmak üzere veri yapılarının ve algoritmaların temellerini sağlar. Temel veri soyutlamaları, doğrusal listeleri, yığınları, sıraları ve deque’leri, öncelik sıralarını, çok bağlantılı yapıları, ağaçları ve grafikleri, haritaları, karma tabloları, dahili ve harici sıralama ve aramayı içerir.

Yapay Zekâ Tarihçesi: Yapay zekâ çalışmalarını kronolojik olarak incelememizi sağlar.

Veri Bilim: Verilerin daha doğru kullanımlarını ve özelliklerinin incelenmesini sağlar.

Yapay Zekâ Eğitimini Neden Tercih Etmeliyiz?

Yenilikçi olma: Hayatın dinamizmi içinde her bireyin yenilikçi olması ve yenilikçi düşünme becerisine sahip olabilmesi oldukça önemlidir. Yapay zekâ eğitimini almış bir birey, yenilikçi düşünebilir ve bunu başta mesleği olmak üzere her alanda uygulayabilir.

Liderlik vasfı kazandırma: Yapay zekâ teknolojisi aslında bizlere yönetim becerisi de kazandırır. Çünkü yapay zekâ kullanımı zamanla kişiselleştirilebilir ve geliştirilebilir kullanıma açıktır. Özellikle eğitimde görülen bu değişimin ardından kişinin standartlardan çıkıp başlı başına bir teknolojiyle ilgilenmesi onun için önemli bir vasıf olmaktadır.

Öğrenen (hayat boyu öğrenebilen): Yapay zekâ konusunda eğitim alan kişi, yalnızca öğrendikleriyle değil öğrenme becerisiyle gelişir. Bu hususta öğrenme kavramından kasıt hayat boyu öğrenmedir ve yenilikçi olmanın kaçınılmaz bir sonucudur.

Öğreten (öğrendiğini öğreten): Öğreten kavramı yalnızca belirli aktarımları yapabilen bireyleri değil, öğrenme dinamizminde kendine aktarılanları bir başkasına aktarma becerisine sahip kişi olmak anlamında kullanılmıştır.

Şikayetçi yerine çözümcü bir birey olabilme özelliği: Yenilikçi olma düşüncesinin beraberinde şikâyetçi olmak yerine bağımsız fikirler sunabilme, yaratıcılık ve hayal gücünün yapay zekada kullanılabilmesi ve fikirlerin ve düşüncelerin hayata geçirilmesi konusunda adımlar atma gibi birçok özelliğe sahip bireyler yetiştirilir.

Girişimci olma: Yeni fikirler üretme ve bunları hayata geçirme konusundaki çaba da bir süre sonra girişimci bir birey olma ve her alanda bu özelliğin korunarak kullanılabilmesini amaçlar.

Oldukça önemli kullanım avantajları ve hayatımızdaki her alana uygulanabilir olmasıyla yapay zekâ, bizlerin kullanımı için hazır. Bizler de yapay zekayı günlük yaşamamıza ve hatta eğitimimizin eksiksiz bir şekilde tamamlanabilmesi için akademik hayatımıza dahil etmeliyiz. Unutmayın ki yapay zekâ, bizim onu nasıl kullanabildiğimize bağlıdır ve kullanılmayı bekleyen bir büyük bir teknolojidir.

Nur İşcan
Pharmaino Science Intern

KAYNAKÇA

Nur Iscan

Bir cevap yazın Cevabı iptal et