2020 yılının Mart ayında, Türkiye, ilk olarak Çin'in Wuhan kentinde ortaya çıkan koronavirüs pandemisinden etkilenen ülkeler arasına girdi. O tarihten itibaren, yaklaşık 1.5 – 2 yıl boyunca süren pandemi yönetimi, "sistematik" bir hata sonucu meydana gelen eksi sayıda aktif hasta sayısıyla dikkat çeken bir politika ile yönetilmeye çalışıldı. Dönemin en bilinen pandemi politikalarından biri de, Hayat Eve Sığar adıyla tanıdığımız, HES uygulamasıydı. Bu mobil uygulama, çevremizdeki vaka yoğunluğunu ısı haritası olarak gösteriyor ve çeşitli sorularla koronavirüs riskimizi hesaplıyordu. HES uygulaması, özellikle HES kodunun zorunlu hale gelmesiyle yaygın olarak kullanıldı; ancak bazı akademik araştırmalarda, kullanıcıların veri güvenliği endişesi nedeniyle bu uygulamayı tercih etmediği ortaya konuldu (Alkış & Fındık Coşkunçay, 2021).
Koronavirüsün Dünya Sağlık Örgütü tarafından pandemi ilan edilmesinden tam 4.5 yıl sonra, 2024 yılının Ağustos ayında, Dünya Sağlık Örgütü, Afrika kıtasındaki bazı ülkelerde görülen ve toplumda maymun çiçeği olarak bilinen MPOX virüsünün bir pandemi haline geldiğini duyurdu. 22 Ağustos itibarıyla, 2024 yılında dünya genelinde 14 binden fazla maymun çiçeği vakası bildirilmiş olup, maalesef bu vakaların 457'si ölümle sonuçlandı.
Yapay zekânın pek çok alanda olduğu gibi sağlık uygulamalarında kullanımı da her geçen gün artıyor ve yaygınlaşıyor. Derin öğrenme algoritmaları başta olmak üzere farklı model ve mimariler pek çok disiplinler arası araştırmacıların katkılarıyla sağlık alanlarındaki sorunların çözümünü kolaylaştırmak, sağlık sisteminin üstündeki yükü hafifletmek için geliştiriliyor. Bu gelişmelerin en yeni örneklerinden biri, Stanford Üniversitesi'nden bir araştırma ekibinin maymun çiçeği (MPOX) virüsünün neden olduğu deri lezyonlarını tanımak için geliştirdiği yapay zekâ modeli MPXV-CNN oldu. Bu modelin amacı, cilt üzerindeki lezyonların MPOX virüsünden mi yoksa başka bir hastalıktan mı kaynaklandığını belirlemek. Araştırma sürecinde, tam 139,198 cilt lezyonu görüntüsü toplandı. Ancak, bu görüntülerin sadece 676'sı MPOX virüsüne aitken, geri kalanı diğer cilt hastalıklarından alınmıştı.
Modelin eğitimi sırasında, veri seti eğitim ve test gruplarına ayrıldı. Modelin doğruluğunu artırmak için çapraz doğrulama tekniği kullanıldı; bu, modelin farklı veri parçaları üzerinde tekrar tekrar test edilmesini sağladı ve hataların en aza indirilmesine yardımcı oldu. Sonuç olarak, MPXV-CNN modelinin doğruluk oranı yüzde 91, yani model, MPOX vakalarını büyük bir doğrulukla tespit edebiliyor. Ayrıca, modelin özgüllüğü de yüzde 89.8 olarak belirlendi; bu da modelin yanlış pozitif sonuçlar verme olasılığının düşük olduğunu gösteriyor.
Modelin altyapısında kullanılan ResNet34 adlı derin öğrenme mimarisi, modelin karmaşık görüntüleri anlamasını sağlıyor. ResNet34, yaklaşık 21.5 milyon parametreyi işleyebilen güçlü bir yapı. Bu kadar çok parametre, modelin görüntülerdeki küçük detayları bile yakalayabilmesine olanak tanıyor. Bu sayede, model sadece MPOX lezyonlarını tespit etmekle kalmıyor, aynı zamanda farklı cilt tonlarında ve vücut bölgelerinde de güvenilir sonuçlar veriyor.
Araştırmacılar, bu modeli herkesin kullanımına sunmak için PoxApp adında bir web uygulaması geliştirdiler. Artık insanlar, ciltlerindeki bir lezyonun fotoğrafını çekip bu uygulamaya yükleyerek, lezyonun MPOX virüsünden kaynaklanıp kaynaklanmadığını öğrenebiliyorlar. Uygulama, kullanıcıya hızlı ve güvenilir bir geri bildirim sağlıyor, bu da hastalığın yayılmasının önlenmesine yardımcı olabilecek erken teşhis imkânı sunuyor.
Bu çalışma, yapay zekânın sağlık alanındaki potansiyelini bir kez daha gözler önüne seriyor. MPXV-CNN modeli, benzer salgınlarla mücadelede erken teşhisin ne kadar kritik olduğunu vurguluyor ve sağlık sistemlerine büyük katkı sağlama potansiyeli taşıyor. Geçmişte yaşanan pandemi tecrübelerinden ders çıkararak, bu tür yapay zekâ destekli teknolojileri şimdiden kullanıma almanın kamu sağlığına ve yararına olacağına inanıyorum. Elbette, bu süreçte ilk paragrafta bahsettiğim veri güvenliği konusundaki hassasiyetlerin de göz önünde bulundurulması gerektiği unutulmamalı.
Referanslar
Thieme, A. H., Zheng, Y., Machiraju, G., Sadee, C., Mittermaier, M., Gertler, M., Salinas, J. L., Srinivasan, K., Gyawali, P., Carrillo-Perez, F., Capodici, A., Uhlig, M., Habenicht, D., Löser, A., Kohler, M., Schuessler, M., Kaul, D., Gollrad, J., Ma, J., . . . Gevaert, O. (2023). A deep-learning algorithm to classify skin lesions from mpox virus infection. Nature Medicine, 29(3), 738–747. https://doi.org/10.1038/s41591-023-02225-7
Alkış, N., & Fındık Coşkunçay, D. (2021). Covid-19 Salgınında Hayat Eve Sığar (HES) Uygulamasının Kullanıcılar Tarafından Benimsenmesi: Ampirik Bir Çalışma. Bilişim Teknolojileri Dergisi, 14(4), 367-376.
|
Ozancan Özdemir kimdir?
Ozancan Özdemir, lisans ve yüksek lisans derecelerini ODTÜ İstatistik Bölümü'nden aldı. Yüksek lisans döneminde aynı zamanda Anadolu Üniversitesi yerel yönetimler bölümünden mezun oldu.
Bir süre ODTÜ İstatistik Bölümü'nde araştırma görevlisi olarak çalışan Özdemir, şu günlerde Groningen Üniversitesi Bernoulli Enstitüsü'nde finans ve yapay zekâ alanındaki doktora çalışmalarını sürdürüyor.
Pandemi döneminde bir grup öğrenciyle birlikte gönüllü bir oluşum olan VeriPie adlı güncel veri gazetesini kurdu.
Araştırma alanları yapay öğrenme ve derin öğrenme uygulamaları, zaman serisi analizi ve veri görselleştirme olan Ozancan Özdemir, ayrıca yerel yönetimler ve veriye dayalı politika geliştirme konularında da çeşitli platformlarda yazılar yazmaktadır.
|
