Düşük doz bilgisayarlı tomografi ile akciğer kanseri taramasının, yoğun sigara tükettiği için yüksek risk taşıyan kişilerde mortaliteyi (ölüm oranını) önemli ölçüde azalttığı bilinmektedir. Ancak, düşük doz akciğer bilgisayarlı tomografinin de bazı dezavantajları vardır: düşük doz da olsa yıllık radyasyona maruz kalma, aşırı teşhis ve yanlış pozitifler (kanserli olmayan tümörlerin kanserli gibi sanılıp biyopsiler yapılması) ve ameliyatlar gibi durumlar.

Yapay zekanın alt kümesi olan derin öğrenme (deep learning), Nature’daki bir çalışmaya göre, bu riskleri azaltmaya yardımcı olabilir.

yapay zeka makine öğrenimi derin öğrenme nedir arasındaki farklar

Derin öğrenme sistemlerinde, insan yapımı algoritmalar büyük miktardaki veriyi toplama, sıralama ve analiz etme işlemlerinden sorumludur. Büyük miktarlarda veri (big data), yapay bir sinir ağını (insan beyninden sonra modellenmiş bir algoritma kümesi) besler ve sonra yorumlanır. Programcılar, makineye verilerle ne yapmaları gerektiğini söylemez; bunun yerine, makine verileri analiz eder ve öğrendiklerine dayanarak kararlar alır. Çoğu durumda, ne kadar çok veri alırsa, kararları o kadar doğru olur.

Google’daki araştırmacılar, birkaç işleme katmanı içeren yapay bir sinir ağı geliştirdi. Bu çok katmanlı yapay sinir ağını, kişilerin akciğer bilgisayarlı tomografi (BT) tarama verileri ile beslediler: bu kişilerden bazıları akciğer kanseri olan, bazıları olmayan, bazıları da kansere dönüşen nodüllere sahipti.

Teknoloji, akciğer kanserini tespit etmek için olağanüstü bir yetenek gösterdi. 6 radyologa karşı kullanıldığında, sistem yanlış pozitiflerde (kanser olmadığı halde kanserli gibi yorumlanan) % 11, yanlış negatiflerde (kanser olduğu halde iyi huylu gibi yorumlanan) % 5 düşüşle oldukça iyi bir performans sergiledi. Önceki BT taramalarını görmelerine izin verildiğinde algoritma, uzman radyologlara eş sonuç verdi. Genel olarak, bu yapay zeka modeli % 94.4 oranında doğruydu.

Google’ın derin öğrenme sistemi yaygın kullanıma hazır olmasa da, sonuçlar yapay zekanın tıptaki potansiyel rolüne bir bakış açısı sunmaktadır. Sonuç olarak bu uygulama, akciğer kanserinde erken tanı için BT ile tarama işlemini bilgisayar yardımı ve otomasyonla optimize etmek için bir fırsat yaratıyor. Makinelerin her geçen gün tıbbi testlerde daha iyi sonuç vermesi ve klinik kararlara destek olması oldukça olumlu bir gelişme olmakla birlikte, sigara içen kişilerin çoğunun akciğer kanseri taraması yönünden zayıf bir bilince sahip olması ve korunması kalmaya devam etmesi ayrı bir sorundur. Taramaların Google'ın derin öğrenme modeli gibi klinik karar destek sistemleri ile otomatize olması, akciğer kanseri taramasının doğruluğunu, tutarlılığını ve benimsenmesini arttırma potansiyeline sahiptir.