Bir uyku laboratuvarında geçirilen tek geceden yola çıkan yapay zeka, parkinson ve demanstan kalp krizi ve göğüs kanserine kadar 130’dan fazla hastalık için risk hesaplaması yaptı.
Yapay zeka dayanaklı yeni bir sistem, uyku laboratuvarında tek bir gecede topladığı sinyalleri kıymetlendirerek parkinson, demans, kalp krizi, prostat ve göğüs kanseri dahil yaklaşık 130 hastalık için ileride ortaya çıkabilecek riskleri hesapladı.
Nature Medicine mecmuasında yayımlanan çalışmanın muharrirlerinden Stanford Üniversitesi data bilimcisi James Zou, sisteme ait “Üstelik bunu birinci belirtiler ortaya çıkmadan yıllar evvel yapabiliyor” dedi.
Yeni yapay zeka modelinin ismi SleepFM. Model, yüz binlerce saatlik uyku verisiyle eğitildi. SleepFM, Stanford Üniversitesi’nde biyomedikal data bilimcisi Rahul Thapa’nın liderliğindeki bir takım tarafından geliştirildi.
Yapay zeka uykuyu nasıl “okumayı” öğreniyor?
Uyku laboratuvarında uykunun incelenmesi ve ölçülmesi sürecine polisomnografi ismi veriliyor. Bu sistemde beyin dalgaları, kalp aktivitesi, teneffüs, kas gerginliği ile göz ve bacak hareketleri birebir anda kaydediliyor.
SleepFM için takım, çoğunluğu Stanford Uyku Tıbbı Merkezi’nden olmak üzere, farklı kümelerden yaklaşık 65 bin bireye ilişkin toplam 585 bin saatlik bu çeşit kaydı kullandı.
Ön eğitim etabında yapay zeka, olağan uykuda beyin, kalp ve teneffüs sinyallerinin nasıl bir ahenk içinde olduğunu öğrendi. Model, adeta istatistiksel olarak yakalanmış bir “uyku dili” oluşturdu.
Yapay zeka, beyin, kalp ve teneffüs sinyallerini tahlil etmede kıymetli katkı sağlıyor
Uyku sinyalinden hastalık öngörüsüne
Bu temel eğitimin akabinde SleepFM, uyku evrelerinin belirlenmesi ve uyku apnesi tanısı üzere misyonlar için ince ayarlandı ve bu alanlarda U-Sleep ya da YASA üzere yerleşik usullerle rekabet edebilecek sonuçlara ulaştı.
Bu iki program, beyin dalgalarının ölçüldüğü EEG bilgilerini kullanıyor ve araştırmacıların uyku evrelerini tanımlayıp tahlil etmesine yardımcı oluyor.
Daha sonra araştırmacılar, uyku datalarını geriye dönük olarak 25 yıla kadar uzanan elektronik sıhhat kayıtlarıyla ilişkilendirdi ve tek bir ölçüm gecesinden hangi sonraki teşhislerin öngörülebileceğini inceledi.
Model, binin üzerinde kategori ortasından, riski en az orta ile yüksek doğruluk seviyesinde iddia edilebilen 130 hastalığı belirledi. Çalışmanın birinci muharriri Rahul Thapa, bu yaklaşımın “rutin uyku ölçümlerinin, insan sıhhatinin uzun vadeli seyri için bugüne kadar gereğince fark edilmemiş bir pencere açtığını” gösterdiğini vurguluyor.
Özellikle demans, parkinson, kalp krizi, kalp yetmezliği, kimi kanser cinsleri ve genel mevt riski konusunda öngörüler daha başarılı oldu.
Dortmund Teknik Üniversitesi (TU) Lamarr Enstitüsü’nden uyku uzmanı Sebastian Buschjäger, “Yeterli bilgi tabanı olduğu sürece, bir yapay zeka modelini çok sayıda farklı öngörü için eğitmek prensipte mümkün” diyor.
Yapay zeka uykuda ne arıyor?
Analizler, kalp sinyallerinin bilhassa kalp-damar hastalıklarının öngörülmesinde değerli rol oynadığını, beyin sinyallerinin ise nörolojik ve psikiyatrik bozukluklar için daha belirleyici olduğunu gösteriyor.
Ancak en manalı sonuçlar, farklı sinyallerin birlikte değerlendirilmesiyle elde ediliyor. Örneğin EEG’nin istikrarlı bir uyku durumunu gösterdiği, buna rağmen kalbin daha “uyanık” davrandığı durumlar üzere.
Yapay zeka, pek çok alanda olduğu üzere tıbbî araştırmalarda da giderek daha yaygın ve aktif biçimde kullanılıyor. Fakat YZ bilgilerine tümüyle güvenmek epeyce riskli
Beyin ile kalp ortasındaki bu çeşit uyumsuzluklar, belirtiler ortaya çıkmadan çok evvel bilinmeyen yüklenmelere ya da erken hastalık süreçlerine işaret edebiliyor. Buschjäger, “Uyku tıbbındaki meslektaşlar bir ilişkiden şüphelendiğinde, biz yapay zeka tarafında bunu bir öngörü sistemine dönüştürebiliyoruz. Bilakis, mümkün irtibatların nerede olabileceğine dair ipuçları da sunabiliyoruz” diyor.
Ancak Buschjäger şu uyarıyı da ekliyor:
“Ortaya koyduğumuz ilgiler çoğunlukla istatistiksel. Nedensel bağın uzmanlar tarafından doğrulanması gerekiyor.”
Laboratuvar bilgileri ne kadar sağlam?
Modelin temelini yüklü olarak uyku laboratuvarlarından elde edilen bilgiler oluşturuyor. Bu da çoğunlukla uyku problemleri nedeniyle yönlendirilmiş, yüksek teknoloji tıbbına erişimi olan ve daha varlıklı bölgelerde yaşayan bireyler manasına geliyor.
Araştırmacılar ABD ve Avrupa’dan birden fazla kümesi, yani kohortu çalışmaya dahil etmiş olsa da, uyku şikayeti olmayan ya da sıhhat hizmetlerine erişimi kısıtlı bölgelerde yaşayan beşerler hâlâ gereğince temsil edilmiyor.
Model ayrıyeten bağımsız bir çalışmada da test ediliyor, lakin temsil sorunu büsbütün ortadan kalkmış değil.
Tanı ve tedavi için fırsatlar ve sınırlar
Araştırmacılar bilhassa vurguluyor: SleepFM hastalıkların nedenlerini ortaya koymuyor, sırf korelasyonları tespit ediyor. Yani uykudaki istatistiksel örüntüleri, ileride konulan teşhislerle ilişkilendiriyor.
Çalışmaya dahil olmayan ve TU Dortmund’da uyku bilgilerinin tahlili için yapay zeka ve makine öğrenmesi formülleri üzerine çalışan bilgisayar bilimci Matthias Jakobs, “Çoğu yapay zeka yolu nedensel alakaları öğrenmez” diyor.
Makine öğrenmesi (ML) formülleri, bilgisayarların örnek datalardan yola çıkarak kalıpları tanımasını ve kestirimler yapmasını sağlayan, her kuralın tek tek programlanmasını gerektirmeyen hesaplamalı yollar olarak tanımlanıyor.
Buna karşın Jakobs, “Yalnızca istatistiksel bağlantılardan yararlanılsa bile, teşhis ve tedavi açısından bir potansiyel görüyorum” değerlendirmesinde bulunuyor.
Yapay zeka beşere yardımcı oluyor, onun yerini almıyor
SleepFM üzere modeller, polisomnografiyle elde edilen devasa bilgi ölçülerini “embedding” olarak isimlendirilen, daha kompakt sayısal temsillere dönüştürüyor. Bu sayede daha süratli ve birçok vakit daha isabetli tahliller mümkün oluyor.
Jakobs, “Uyku evreleri ya da apneler bu yolla verimli biçimde işaretlenebiliyor. Elle yapılan bu tıp işler hem çok vakit alıcı hem de kusura açık. Böylelikle doktorların hastalarla ilgilenmesi için daha fazla vakit kalıyor” diyor.
Öte yandan Buschjäger, disiplinler ortası iş birliğinin ehemmiyetine dikkat çekiyor:
“Bir yapay zeka terapi planlaması için eğitilebilir, lakin sonuçları yorumlayan ve tedaviyi seçen insan, yani tabiptir. Üstelik birden fazla vakit tüm nedenler bilinmeden.”
Bu nedenle yapay zeka bir araç ve erken ihtar sistemi olarak kalıyor; teşhis ve tedavi sorumluluğu ise tıbbi çalışanda olmaya devam ediyor.
Uykuda tespit edilen bu örüntülerin hangi biyolojik sistemlere işaret ettiği şimdi net değil. Fakat araştırmacılar tam da burada büyük bir potansiyel görüyor. Şayet belli sinyal profilleri uykuda daima olarak muhakkak hastalıklarla ilişkilendirilebilirse, bu durum hudut sistemi, kalp-damar sistemi ya da bağışıklık sisteminde hangi süreçlerin erken etapta bozulduğuna dair ipuçları sunabilir. Böylelikle, bugüne kadar incelenen uyku laboratuvarı kohortlarının ötesinde, insanların sıhhati hakkında da çıkarımlar yapmak mümkün olabilir.
Kaynak: T24
Bir yanıt bırakın