Yapay Zeka (YZ), uzun yıllardır onkoloji alanında kullanılmakta; ancak son zamanlardaki çalışmalar, YZ'nin kanser tanı ve tedavisinde birçok ek uygulama sunabileceğini gösteriyor. Onkoloji alanındaki YZ uygulamaları, son birkaç yılda umut verici bir gelecekten gerçeğe dönüşmüş ve devam eden çalışmalar, YZ'nin kanser bakımında birçok ek uygulama sunabileceğini ortaya koymaktadır.
Onkoloji pratiğinde şu anda kullanılan YZ uygulamaları çoğunlukla kanser teşhisi alanında yardımcı oluyor. Makine öğrenimi ve derin öğrenme modelleri, kanser tanısı koyma sürecinin doğruluğunu ve verimliliğini artırmak için kullanılıyor.
Aşağıda, "yapay zeka", "makine öğrenimi" ve "derin öğrenme" kavramlarının kapsamı görülebilir.
Bugün Yapay Zeka
Amerikan Gıda ve İlaç Dairesi (FDA), onkoloji alanında kullanılmak üzere birçok YZ teknolojisinin onayını verdi, en dikkat çekici uygulamalar radyoloji alanında.
2021 yılında yapılan bir analize göre onkoloji alanında kullanılmak üzere onaylanmış YZ ile ilişkilendirilmiş cihazlar en yaygın olarak
- radyoloji (%54.9) ve
- patoloji (%19.7) alanlarında kullanılıyor ve
- bu cihazlar en sık meme kanseri (%31) için kullanılıyor.
Meme radyologları, YZ'yi,
- meme yoğunluğunu belirlemek,
- mamografinin kalitesini değerlendirmek,
- mamografileri düşük, orta veya yüksek meme kanseri riski olanlar olarak sınıflandırmak,
- meme kanserlerini tanımlamak
- ve ayrıca aterosklerotik hastalık (kalp-damar tıkanıklık) riski olanları belirlemek gibi görevlerde giderek daha fazla kullanıyor.
YZ ayrıca bir meme ultrasonu bulgusunun, kanser olup olmadığını konusunda ek bir bilgi sağlayabilir.
YZ, kolorektal kanser taraması ve tanısında da etkili olmuştur. 2021'de, FDA, GI Genius'un pazarlamasını onayladı, bu da kolonoskopi sırasında lezyonları tespit etmek için YZ kullanan ilk cihaz oldu.
İLGİLİ KONULAR:
Kolon Kanseri Erken Tanısı için Yapay Zeka Kullanan İlk Cihaza FDA Onay Verdi
Dijital Meme Tomosentezi İçin Yapay Zeka Teknolojisi, FDA Onayı Aldı
Bunun yanı sıra, YZ bazı patoloji laboratuvarlarında dijital patoloji lamalarını okumak ve kanser tanılarını netleştirmek için kullanılıyor, bu alanda yıllarca süren araştırmaların ardından.
Şimdiye kadar bahsettiğimiz konular hep görüntü tanımlama üzerine idi. Bununla birlikte YZ, yeni kanser ilaçlarının geliştirilmesinde de kullanılmaya başlandı.
İlaç şirketlerden bazıları, onkolojide yeni ve güvenli moleküler hedefler keşfetmek için YZ kullanıyor ve diğer şirketler, tamamen yeni ilaç adayı moleküllerini tasarlamak için YZ'yi bazen moleküler modelleme ile birleştiriyor. YZ'nin ilaç keşfi alanındaki geleceği, çok parlak.
YZ ayrıca, radyoterapi planlamasının verimliliğini artırmak ve tümör ve organ konturlarını belirlemek, böylece tedaviye hız kazandırmak ve radyasyon tesliminin etkinliğini ve güvenliğini artırmak için kullanılıyor.
Destekleyici ya da palyatif bakım bağlamında, Yapay Zeka (YZ), uzaktan takip edilen hastaların kendi rapor ettiği hayati belirtileri değerlendirmekte kullanılıyor. Doğal Dil İşleme (NLP) ve Makine Öğrenimi (ML) modelleri sayesinde, olumsuz sağlık trendleri erken bir aşamada tespit edilebilir ve gerekli uyarılar hızla verilebilir. Bu modeller, sağlık durumundaki kritik değişiklikleri otomatik olarak algılayabilir ve hızlı bir müdahale için gerekli bilgileri sağlayarak, hastaların bakım kalitesini artırabilir.
Gelecekte Yapay Zeka
YZ'nin onkolojideki ek uygulamalarına dair potansiyelleri ortaya koyan birçok devam eden araştırma mevcut.
Meme görüntüleme, YZ araştırmaları için elverişli bir alan olarak kabul ediliyor ve gelecekteki uygulamalar, aile öyküsü bağımsız veya aile öyküsü ile birlikte kullanıldığında, kısa ve uzun vadede meme kanseri riskini belirleme konusunda önemli bir araç haline gelebilir.
Araştırmacılar, YZ'nin karın görüntüleme ve uzun dönemli hasta elektronik sağlık kayıtlarını kullanarak yüksek riskli pankreas kanseri hastalarını belirleme kapasitesini inceliyor. Bu, yüksek yaşam kaybı oranlarıyla ilişkilendirilen bir hastalıkta erken teşhis imkanı sunarak, yüksek riskli bireyler için tarama programları oluşturmayı mümkün kılabilir.
YZ sonunda, kanserlerin moleküler özelliklerini ve biyolojik belirteçlerini değerlendirebilir, bu da bazı durumlarda girişimsel biyopsileri ve sonuçlar için beklemeyi gereksiz kılabilir.
Bu, kan alımı veya MRG (manyetik rezonans görüntüleme) radyomikleri kullanılarak gerçekleştirilen girişimsel olmayan bir "sanal biyopsi" ile mümkün hale getirilebilir; örneğin, bir derin öğrenme modeli, bir beyin MRG'sini analiz ederek beyin tümörünün IDH1 veya BRAF gibi spesifik bir genetik mutasyona sahip olup olmadığını belirleyebilir.
Onkolojide omik yaklaşım, genomik (genom bilimi), transkriptomik (transkriptom bilimi), proteomik (proteom bilimi) ve metabolomik (metabolom bilimi) gibi disiplinler aracılığıyla kanser biyolojisinin derinlemesine anlaşılmasını amaçlar. Bu yaklaşım, kanser hücrelerinin genetik ve moleküler düzeyde nasıl işlev gördüğünü anlamayı ve kanser tedavisinde daha etkili stratejiler geliştirmeyi hedefler. Omik yaklaşım, bireyselleştirilmiş tıp ve daha hedeflenmiş kanser tedavileri için kapıları açar, böylece tedavi etkinliği artar ve yan etkiler azalır.
ChatGPT ile Yapay Zeka'da Yeni Dönem
Yeni ve büyük bir adım olarak, ChatGPT gibi Büyük Dil Modelleri (BDM), onkoloji alanında uygulama potansiyeli taşıyan heyecan verici bir gelişme olarak öne çıkıyor.
Mevcut ChatGPT modellerinin tıbbi sorunlara iyi bir doğrulukla yanıt verebildiğini gösteren çalışmalar var, fakat bu sonuçlar yüksek kaliteli, gerçek veri setleri kullanılarak daha sistematik bir şekilde doğrulanmalı.
Hastanelerin ve tıp merkezlerinin, laboratuvar sonuçları, taramalar ve önceki tıbbi geçmiş gibi verileri içeren yüksek kaliteli Büyük Dil Modelleri (BDM) eğitmek için yakın zamanda petabaytlarca tıbbi onkoloji verisine erişim sağlama olasılığı, onkoloji alanındaki YZ uygulamalarını önemli ölçüde ileri taşıyabilir. Böyle bir veri erişimi, kanser teşhisi, tedavisi ve araştırmaları için daha etkili ve bireyselleştirilmiş YZ modellerinin geliştirilmesini mümkün kılarak, hasta bakımını ve tedavi sonuçlarını iyileştirebilir.
Onkolojide ChatGPT Örnekleri
Bu yılın daha önceki bir zamanında yayınlanan bir çalışmada, Haver ve ekibi, ChatGPT'nin, meme radyologları tarafından onaylanan meme kanseri tarama ve önleme ile ilgili sorunlara %88 doğrulukla yanıt verdiğini tespit etti.
Ağustos 2023'te yayınlanan iki çalışma, sohbet botlarının çeşitli kanser türleri hakkında yüksek doğrulukla soruları yanıtlayabileceğini, ancak bu teknolojinin hala sınırlamalar taşıdığını ortaya koydu.
Bu çalışmalardan birinde, Pan ve ekibi, cilt, kolorektal, prostat, akciğer ve meme kanserleri ile ilgili en çok internet aramalarına chatbotların yanıtlarını değerlendirdi. Chatbotlar genel olarak yüksek kaliteli bilgi sağladı, fakat bu bilgiler her zaman eyleme geçirilebilir değildi ve üniversite okuma seviyesinde yazılmıştı.
Diğerinde, Chen ve ekibi, bir chatbotun kanser tedavileri hakkındaki yanıtlarının, ABD Ulusal Kapsamlı Kanser Ağı (US-NCCN) rehberlerindeki önerilerle her zaman uyumlu olmadığını ortaya koymuştur. Chatbot, meme, prostat ve akciğer kanseri hakkındaki soruların %98'ine en az bir tedavi önerisi sağlayabilmekte ve tüm bu yanıtlar en az bir US-NCCN uyumlu öneri içermekteydi. Fakat yanıtların %34.3'ü en az bir uyumsuz öneri içerirken, %12.5'i "hallüsine" (yani, herhangi bir önerilen tedavinin bir parçası değil) idi.
YZ'nin bir başka uygulama alanı, doğal dil işleme modellerini kullanarak kanser hastalarının hayatta kalma olasılıklarını tahmin etmektir. Nunez ve ekibi, bu modellerin, bir hastanın başlangıç onkoloji konsültasyonundan elde edilen verilere dayanarak sadece hayatta kalma sonuçlarını tahmin edebileceğini belgeledi.
Klinik Kullanım için YZ'yi Optimize Etme
Uzmanlar, klinik onkoloji alanında Yapay Zeka (YZ) kullanımını optimize etmek adına bir dizi sınırlama ve konunun ele alınmasını gerektiğini belirtiyorlar.
Etik olarak, YZ modelleri ve YZ ile etkinleştirilmiş tıbbi cihazlar çeşitli veri setleri kullanılarak geliştirilmeli ve klinik uygulamada kullanıldıklarında, temsil edilecek hasta gruplarını doğru bir şekilde temsil etmeleri sağlanmalıdır. Aksi halde, bu modeller ve cihazlar önyargıyı ve sağlık bakımı eşitsizliklerini artırabilir.
Araştırma ve Geliştirme (Ar-Ge) aşamasında, büyük ve çeşitli veri setlerini kullanmanın önündeki bir engel, tıbbi merkezlerin veri paylaşma konusundaki tereddütleridir.
Veri paylaşımını normalize etmek ve ideal olarak hastaların desteği ile teşvik etmenin yollarını bulmalıyız ya da YZ modellerini yerel olarak eğitmek, modelleri farklı merkezler arasında birleştirmek ve ardından birleştirilmiş modellerin doğruluğunu doğrulamak için yeni eğitim algoritmaları geliştirmeliyiz.
Tüm bu ilerlemelere rağmen, birçok mevcut modelin klinik pratiğinde değerlendirilmesi zorunludur.
Bir YZ modeli, bir rafın üzerinde duruyorsa, sadece bir modeldir. Gerçek onkolojide, YZ, klinik bakımda kullanılan, doktorlara değer sağlayan ve hasta ile sağlık sistemi sonuçlarını iyileştiren bir model olmalıdır. Bu modellerin kullanılabilirliği, kabulü ve güvenliği tanımlanmalı ve etkilerini anlamak için devam eden değerlendirme süreçleri gereklidir.
YZ modellerinin klinik ortamda benimsenmesini şu anda sınırlayan uygulama zorlukları mevcuttur; bunlar arasında
- YZ modellerini elektronik sağlık kayıtları yazılımına entegre etmekte yaşanan zorluklar,
- birçok YZ modelinde sezgisel kullanıcı arayüzlerinin eksikliği ve
- bazı son model eğitimlerindeki yüksek maliyetler yer almaktadır.
