Derin öğrenme Tıp araştırmalarını nasıl yönlendirir?

Derin öğrenmeden yararlanarak, araştırmacılar, bir hastalığın insan vücudunda kendini nasıl belli ettiği hakkında daha fazla bilgi edinebilirler.

Tansiyon manşonu olmasaydı tıbbın durumunun ne olacağını bir düşünün. O olmadan felç, kalp hastalığı ve böbrek hastalığı gibi durumlarda riski anlamak daha zor olurdu. Kan basıncı, tıp araştırmacılarının altta yatan hastalık mekanizmalarını ve vücudun belirli bozukluklara biyolojik tepkileri anlamalarına yardımcı olabilecek bir sinyal ya da biyobelirteç olarak bilinmektedir.

Yapılan araştırmalar açıkça göstermiştir ki, biyobelirteç tanımlamak, erken teşhis ve harici müdahaleler için doğrudan fayda sağlamaktadır. Nörolojik bozukluklar söz konusu olduğunda, manyetik rezonans görüntüleme (MRI), pozitron emisyon tomografisi (PET) ve bilgisayarlı tomografi taramaları gibi beyin görüntüleme teknikleri, Alzheimer hastalığı veya beyin kanserinin varlığını gösteren altta yatan hastalık fenotiplerini belirlemek için sıklıkla kullanılır.

Araştırmacılar, nörogörüntüleme sonuçlarını inceleyerek ve anlamlandırarak biyobelirteç tanımlama işlevini, gelişmiş makine öğrenimi teknikleri ve yapay zekanın bir alt kümesinden oluşan derin öğrenmeyi (Deep Learning, DL) giderek daha fazla uygulamışlardır.

DL’nin geleneksel makine öğrenimi ve istatistiksel yöntemlere göre önemli bir avantajı vardır. İnsan sınırlamalarının (zaman, kaynaklar ve araştırma yanlılığı) konusu olan el yapımı veri kümelerine dayanmaz. Bunun yerine, DL minimum insan müdahalesi ile işlenen ham verilerden elde edilen bilgilerden yararlanabilir.

Bu nedenle, birçok alanda DL kullanan çeşitli uygulamalar için elde ettiğimiz sonuçlar daha doğrudur. Ayrıca, yeni biyobelirteçlerin keşfi olmak üzere çeşitli analiz fırsatları da sunarlar. Başka bir deyişle, DL, sağlıklı deneklerden hastalığa yakalanan hastaları daha iyi tahmin eden ve sınıflandıran araçlar oluşturmaya yardımcı olabilir.

DL, sağlıklı deneklerden hastalık veya hastaları tahmin edebilen ve sınıflandırabilen araçlar oluşturmanın yanı sıra, biyobelirteç keşfi için aşırı avantajlar göstermiştir ve daha önce mümkün olmayan veya bilinmeyen tıbbi araştırmalar için yararlı olan bazı bilgileri potansiyel olarak ortaya çıkarmıştır. DL’nin biyobelirteç keşfinde umut verici yeni araştırmaları nasıl desteklediğine dair önde gelen üç örnek aşağıdaki başlıklarda verilmiştir.

BEYİN GÖRÜNTÜLEME

Nörogörüntüleme biyobelirteçleri, bize belirli bir hastalığın şiddeti veya olasılığının derecesi hakkında bilgi verebilen, görüntülemeden türetilen ölçümlerdir. Örneğin, MRI ile ölçülebilen Alzheimer hastalığı (AD) ile ilgili biyobelirteçler, hipokampal hacim ve entorinal kortikal kalınlığı içerir. DL, minimum alan bilgisi ile ham verileri kullanmamıza izin verdiğinden, çok sayıda araştırma, Alzheimer hastalığı, otizm, şizofreni ve şiddetli depresyon gibi diğer beyin hastalıklarının yanı sıra AD için ek aday nörogörüntüleme biyobelirteçlerini tanımlayabildi. Araştırma yolu, özellikle az bilinen diğer beyin rahatsızlıkları için aday nörogörüntüleme biyobelirteçlerini belirlemek için umut vericidir.

Bu çalışmalar tamamen veriye dayalı olduğundan, daha önce tıp uzmanları tarafından bilinmeyen birçok yeni biyobelirteç keşfetme olasılığı ortaya çıkmaktadır. Travma Sonrası Baş Ağrısı için bu tür nörogörüntüleme biyobelirteçlerini belirlemek için Arizona Eyalet Üniversitesi ve Arizona’daki Mayo Clinic’teki araştırmacıların çalışmalarında gördüğümüz sonuçlar yalnızca mevcut literatürle örtüşmekle kalmıyor, aynı zamanda saf veriye dayalı içgörülerden gelen daha fazla keşfedilecek bazı ilginç keşiflere de işaret ediyor. Sonuçlar ise 2022’nin başlarında yayınlanacak.

MOLEKÜLER BELİRTEÇLER

Moleküler biyobelirteçlerin incelenmesi, kanser araştırmalarıyla ilgilidir. Amaç, beyin, prostat ve akciğer kanserlerinde tümör mutasyonlarının altında yatan nedenler hakkında daha fazla bilgi edinmektir. Derin öğrenme, araştırmacıların histolojik verileri kullanarak bu moleküler ‘imzaları’ veya morfolojik kalıplara bağlı biyobelirteçleri anlamalarını sağlamıştır. Ana odak noktası, mutasyonlarla ilgili gen ifadelerindeki karmaşık değişiklikleri tahmin etmektir. Doğrusal olmayan verilerde örüntü bulmada etkili olan DL teknikleri büyük umutlar göstermiştir.

KOMBİNE VERİ KAYNAKLARI

Yalnızca tek bir veri modalitesinin kullanılması – yani, yalnızca beyin görüntüleme veya yalnızca klinik veriler – çoğu zaman kesin olmayan sonuçlara yol açar. Küçük veri setleri ile karmaşık ve heterojen hastalık fenotiplerini anlamak zordur. Bu nedenle araştırmacılar, modeli eğitmek için birden fazla veri noktasını birleştirebilen “çok modlu” derin öğrenme yaklaşımları geliştirmeye odaklanıyorlar. Alzheimer Hastalığı durumunda, araştırmacılar, biyolojik belirteç keşfini geliştirmek için derin öğrenme teknikleriyle birlikte diğer biyolojik belirteçlerle birlikte beyin omurilik sıvısı, PET, klinik ve nöropsikolojik değerlendirmelerin kullanılabileceğini göstermiştir. Bununla birlikte, bu tür büyük ölçekli çok modlu verilerin ve bundan en iyi şekilde yararlanabilecek DL tekniklerinin toplanmasında önemli zorluklar devam etmektedir.

Büyüme hızlı , ancak zorluklar devam ediyor

Veriye dayalı teknikleri kullanan biyobelirteç keşfi, problem tanımına ve veri kümesi kullanılabilirliğine dayalı olarak önerilen yeni yaklaşımlarla hızla büyüyen bir araştırma alanıdır. Gelişmelere rağmen, ele alınması gereken zorluklar devam etmektedir. Tıbbi veri kümeleri genellikle yalnızca birkaç kuruluş tarafından yeterli miktarda toplanır ve gizlilik endişeleri nedeniyle kamuya açık değildir. Bu nedenle, bu verilere erişim ve bunun üzerine yapılan araştırmalar, yalnızca sınırlı sayıda ekip için şirket içinde kalır. Diğer kamuya açık veri kümeleri mevcuttur, ancak standart ölçütlerden daha iyi performans gösteren bir modeli gerçekten eğitmek için sınırlı miktarlardadır. Ancak, birkaç kurum yavaş yavaş bu boşluğu gidermeye çalışıyor. Bu, bağımsız araştırmacıların ve lisansüstü öğrencilerin yeni fikirleri keşfetmelerine yardımcı olabilir. Ayrıca, modelleri eğitmek için kullanılan veri kümesi dikkatli bir şekilde yönetilmezse, bu derin öğrenme algoritmaları çoğu zaman yanlı veya yanlış tahminlere tabidir.

Bu nedenle, uzman bilgisi ve tutarlı önlemlerle bu sonuçları doğrulamak için düzenlemeler ve standartlar oluşturulmalıdır. Ayrıca, bu ‘kara kutu’ modellerini açıklayabilen ve yeni keşifler için insan-AI işbirliğini geliştirebilen DL tekniklerinin açıklanabilir AI ve yorumlanabilirlik yöntemlerinin de ilgi gördüğünü farkediyoruz.

Yazar: Jay Shah, IEEE Member, IEEE Industry Applications Society

Kaynak: https://transmitter.ieee.org/three-ways-deep-learning-yields-new-insights-for-medical-researchers/