Geçmiş yıllardan beri, belki de hayatın başlangıcından beri insanoğlu psikiyatrik problemlerle yüzleşiyor. Bu hastalıkların semptomları arasındaki çizgilerin net olmaması, birbirinin içine geçmiş bir şekilde seyretmesi de tanı koyma sürecinde ve tedaviye başlamada sorunlar yaratıyor. Teknolojinin gelişimiyle birlikte yeni yapay zekâ yöntemlerinin kullanılmasına yönelik yapılan çalışma ve tezlerin de bize gösterdiği üzere “Makine Öğrenmesi” yöntemi ile tanı koyma kolaylaşmış ve kesinleşmiştir.
MAKİNE ÖĞRENMESİ NEDİR?
Çok büyük miktarlarda veriyi işlemek ve bu verilerin analizlerini yapabilmek insan olarak mümkün değildir[1]. Makine öğrenmesi (Machine Learning, ML), bir bilgisayarın ne yapacağına karar vermesi noktasında insanların net komutlarına ihtiyaç duymaksızın öğrenmesine yardımcı olacak matematiksel modellerin kullanımıdır diyebiliriz[2].
Makine öğrenmesi teknikleri genel olarak 2 gruba ayrılabilir[3];
1.Gözetimli Öğrenme (Supervised Learning)
- k- En yakın komşu kestirimi (k-Nearest Neighbors)
- Doğrusal Regresyon (Linear Reg.)
- Lojistik Regresyon (Logistic Reg.)
- Destek Yöney Makineleri (Support Vector Machines – SVMs)
- Karar ağaçları (Decision Trees) ve Rastgele Ormanlar (Random Forests)
- Yapay Sinir Ağları
2.Gözetimsiz Öğrenme (Unsupervised Learning)
Gözetimli öğrenme başlığı altındaki “Yapay Sinir Ağları” sağlık sisteminde en çok kullanılacak tekniktir. Yapay sinir ağları aslında insan beyninden esinlenilerek oluşturulmuş, insan beynini taklit ederek beynin öğrenme, hatırlama ve genelleme yapma özellikleriyle topladığı verileri işleyip yeni bir veriye dökebilmesi mantığına dayanır.
Biyolojik sinir hücresi ve yapay sinir ağı benzetimleri Şekil 1’de verilmiştir. Biyolojik Sinir sistemi elemanları ve yapay sinir sisteminde karşılıkları ise Tablo 1’de verilmiştir. Burada biyolojik sinir sistemi kısımlara ayrılmış ve her bir elemana karşılık yapay sinir ağı siteminde bir karşılığı verilmiştir[4].
Bir yapay sinir ağının hastalığı anlamlandırıp, yorumlayabilmesi için öncelikle o yapay sinir ağına bu hastalığın vücutta yarattığı değişimlerin ve etkilerin tanıtılması gerekir. Bu noktada o hastalık ile ilgili bir biyobelirteçin varlığı önemli olabilir.
BİYOBELİRTEÇ NEDİR?
Biyobelirteç sağlık ve eczacılık alanında oldukça önemli ve değerli bir kavramdır. Biyobelirteç, Ulusal Kanser Enstitüsü (The National Cancer Institute; NCI) tarafından kan, vücut sıvıları veya dokularda bulunan, normal/anormal bir durum veya hastalığın göstergesi olan biyolojik bir molekül olarak tanımlanmaktadır[5]. Hastalıkların tanımlanmasında oldukça önemli bir molekül olarak gösterilebilir. Özet olarak bu çalışma ile yapılması planlanan psikiyatrik hastalığın uygun biyobelirteçin makineye öğretilmesidir. Makine biyobelirteçi tanıyacak ve tanıdığı biyobelirteç üzerinden yola çıkarak daha sonra karşısına gelecek hastaları
yorumlayabilecektir.
Üsküdar Üniversitesi Nöropsikiyatri Hastanesi Ayakta Tedavi Kliniğinde Ocak 2010 ve Aralık 2013 tarihlerinde yapılan bir çalışmada Bipolar Bozukluk ve Unipolar Bozukluk kabul edilen 89 kişilik hasta grubuyla çalışılmış[BY2] tır. Farklı yaş ve cinsiyet gruplarından 31 bipolar bozukluk depresif evre hastası ve 58 unipolar depresif evre hastaları eşleştirilmiştir. Seçilen katılımcılar bipolar ve unipolar bozuklukla ilişkili depresif evrede olan ve ayakta tedavi gören hastalardır. Aynı zamanda çalışmanın yapılacağı dönemden son 6 aylık süreçte alkol ve kötüye madde kullanımı gösteren vakalar ve araştırmaya katılmadan 3 ay öncesine kadar elektrokonvülsif terapi tedavisi görmüş olan kişiler araştırmaya dahil edilmemiştir. Özellik seçimi yöntemi ve yapay sinir ağları (YSA) ile sınıflandırma kullanılarak en doğru ve faydalı özelliklerin kümesi toplanmış ve sınıflandırmanın başarı oranı yükseltilmiş. YSA’nın en önemli özelliklerinden biri, potansiyel olarak yordayıcı değişkenler arasında yüksek dereceli etkileşimleri içeren karmaşık ve doğrusal olmayan ilişkileri modelleme becerisidir. Yapılan bu çalışmada bipolar ve unipolar hastalık teşhisinde, tedavi planlamasında ve izlenmesinde yapay zekâ teknolojilerinin sağlık uygulamaları açısından ne kadar önemli olduğu vurgulanmak istediği için özellik seçimi ve makine öğrenme yaklaşımı olan YSA’nın kombinasyonu Rapid Miner uygulaması kullanılarak oluşturulmuş. Sınıflandırma sonucu “A-T5, A-F3, A-C3, A-F4, A-C4, A-F8, A-T4” gibi elektrotlar belirgin özellik olarak kabul edilmiş ve elektrotlar incelendiğinde bu elektrotların dürtü kontrol, motor planlama, duygu dışavurum gibi bölgeleri ayırt ettiği görülmüş. Seçilen özelliklerin doğruluk oranı %94,44 olarak saptanmış. Bu bağlamda 31 bipolar ve 58 unipolar hastayı % 94,44 genel sınıflandırmayı başardıkları görülmüş[6].
DEĞERLENDİRME
Bipolar ve unipolar bozukluk depresif evre hastaların klinik semptomları çok benzerdir. Klinikte hekim aracılı tanı koyma süreci kesin tanıyı alabilmek ve doğru tedaviyi uygulayabilmek için adına uzun sürebilir. Belirlenmiş elektrotlar beyindeki özelleşmiş bölgelerin biyobelirteçleri kabul edilmiştir. EEG aracılı görüntüleme sayesinde temel anlamda incelenenler dalgalar, daha öncesinde makine öğrenmesi tekniğiyle yapay zekâ destekli sisteme öğretilen bilgiler ile kıyaslanmıştır. Sonuçların kesin olmamasıyla birlikte %94,44’lük çok ciddi bir başarı oranının da bize gösterdiği üzere yapay zekâ destekli sağlık modelleri sağlık alanında ciddi başarılara imza atmaktadır.
SONUÇ
Yapılan çalışmalar incelendiğinde sağlık ve teknoloji alanında görülen ilerlemeler, yapay zekâ teknolojilerin kullanımlarının artışıyla birlikte tanı koymakta zorlanılan, keskin sınırları olmayan hastalıklarda kullanılabilir. Psikiyatri alanında biyobelirteçlerin belirlenmesi ile daha fazla hastalığa kesin tanı konulabilir. Konulan tanıların ayırıcılığı daha net ve hızlı yapılabilir. Uzman bir hekim kontrolü altında yapılan makine öğrenmesi çalışması ile tanı koyma süresince geçen zaman süresince daha fazla hastaya ulaşılabilir. Bunun yanı sıra yapılan modellemenin doğruluğundan net bir şekilde emin olunması gerekmektedir. Başlangıçta yapılabilecek bir hata sonuçlarda büyük yanlışlara yol açabilir. Ayrıca başlangıç analizi için bol miktarda veri gerekmektedir ve bu da süreçleri uzatabilir.
KAYNAKÇA
- Diri, B. (2020). Makine Öğrenmesine Giriş. Ders Notu, Yıldız Teknik Üniversitesi Elektrik-Elektronik Fakültesi Bilgisayar Mühendisliği.
- Internet Blogu [Metin içinde atıf]: Makine Öğrenmesi (Machine Learning) ve Derin Öğrenme Nedir? Buradan erişilebilir: https://www.etiya.com/tr/blog/makine-ogrenmesi-machine-learning-ve-derin-ogrenme-nedir?
- Koptur, M. (2017,). Makine Öğrenmesi Teknikleri. Makine Öğrenimi.
- Öztürk, K., & Şahin, M. E. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-i Vekayi, 27–28.
Şekil 1: Öztürk, K., & Şahin, M. E. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-i Vekayi, 27–28.
Tablo 1: Öztürk, K., & Şahin, M. E. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-i Vekayi, 27–28.
- Köse, S. İ., & Maden, M. (2013). Biyomarkerler ve Klinik Kullanımları. Dicle Üniversitesi Veterinerlik Fakültesi Dergisi, 1–2.
- Altınbaşak, G., (2019). Bipolar ve Unipolar Bozuklukların Uygun Biyobelirteç Kullanarak Makine Öğrenme Yöntemleri ile Sınıflandırılması.
Pharmaıno 5.Dönem Marketing Intern
İstanbul Üniversitesi Eczacılık Fakültesi
