Skip to content

COVID-19 ve Yapay Zeka Çalışmaları

Göksu Bozdereli Berikol

Acil Tıp Uzmanı, Sağlık Bilişimi MSc ve halen Akdeniz Tıp Bilişimi PhDde tez yazmakta olup, bilişimi acil tıbba aktarmaya hevesli, veri madenciliği, makine öğrenmesi, derin öğrenme, yapay zeka, sanal gerçeklik gibi konularda ilgili olduğunu düşünmektedir.
Reklam
Share on facebook
Share on twitter
Share on email
Share on linkedin

Göksu Bozdereli Berikol

Acil Tıp Uzmanı, Sağlık Bilişimi MSc ve halen Akdeniz Tıp Bilişimi PhDde tez yazmakta olup, bilişimi acil tıbba aktarmaya hevesli, veri madenciliği, makine öğrenmesi, derin öğrenme, yapay zeka, sanal gerçeklik gibi konularda ilgili olduğunu düşünmektedir.

Bu yazıda COVID-19 mücadelesinde makine öğrenmesi/derin öğrenme ile birlikte yapay zeka çalışmaları ile ilgili güncel bir derlemenin​1​ özeti sunulmaktadır.

COVID-19 ve Yapay Zeka

Bilim insanları son 10 yıldaki en ölümcül virüslerden biri olan SARS-CoV-2 ile mücadelelerini antijen tanı testleri, tanıya ve prognoza yardımcı testler, ilaçlar ve aşı buluşları ile sürdürmeye devam ederken, bilişimciler de bu dönemde çoğunlukla erken teşhis, prognoz ve tahmin üzerinde çalışmalarını sürdürmektedir. Amaç erken teşhisi ve tedavinin başlanması olduğu kadar, sağlık çalışanlarının iş yüküne de yardımcı olabilecek hata payı düşük sistemler ortaya çıkarmaktır. Bunlardan en sık kullanılan bilgisayar görüsü, (insandaki görme ve algılama süreçlerinin, bilgisayarda dijital görüntüler ya da videolar üzerinde üst düzey yorumlamanın otomatizasyonu​2​) radyolojik görüntülerin işlenmesidir. Yüksek sayıda başvuru ve görüntüleme sonuçlarının yorumlanmasına yönelik, aynı görüntü yorumlama prosesinin otomatizasyonunun sağlanması, derin öğrenme gibi büyük ölçekli verilerin kompleks ve güçlü hesaplama platformları ile kolaylıkla gerçekleştirilebilmektedir. Derin öğrenme ile bu özelliklerin manuel tasarlanması ihtiyacı ortadan kalkar ve daha yüksek doğrulukla yüksek miktarda farklı sınıflama ve regresyon görevleri tamamlanmış olur.

Derin öğrenmeye bağlı iki sorundan biri olan eğitilme zorluğu, yüksek GPU tabanlı bilgisayarlarda optimum kodlarla çözülebilir; diğer sorun olan yüksek miktarda veriye ihtiyaçlarının olması ise çekişmeli üretici ağlarla (gerçek veriden yeni sentetik veri oluşturarak daha doğru yanıtlar için birbiri ile yarışan ağların olduğu bir yapay zeka türü​3​) sağlanabilmektedir.

Pozitif vakaların akciğer grafisi ve bilgisayarlı tomografi ile tespit edilmesi ve izlenmesi için yapay sinir ağları kullanılmıştır. Bunlardan geleneksel sinir ağları (convolutional neural networks,CNN) görüntülerden aldığı inputları, içerisindeki hesaplama katmanlarından geçirerek aşamalı olarak kalıpları öğrenir. Bu kalıplar, akciğer görüntüsünün kenarları çizgileri köşelerinden, kendi ayırt edici özellikleri bulup buna göre sınıflamasına kadar geniş bir pencerede yer alabilmektedir.

blank
Şekil 1: Geleneksel sinir ağları ile PA AC grafilerinin sınıflandırılması​4​

COVID-19 ve yapay zeka ile ilgili derleme çalışmalarının çoğunun, ya COVID-19 yönetiminin tek bir yönüne odaklandığını ya da aynı tür veri setini (sadece görüntü işleme gibi) incelediklerini göstermektedir. Yine bu derlemelerin çoğu, çok az karşılaştırmalı analiz sunmuş ve hakemli olmayan çok sayıda makale içeren, sayıca az makale araştırmışlarıdır.

Reklam

Bu derlemenin yazarlarının 2020 yılına ait COVID-19 ve yapay zekanın kullanım alanlarını içerdiği derlemesinde yer alan kullanım alanları şu şekilde sıralanmıştır​5​,

  • makine öğrenmesi ile görüntü işleme,  
  • derin öğrenme ile görüntü işleme,
  • makine öğrenmesi ile laboratuvar örneklerinden COVID-19 tanı tahminleri,
  • ses solunum ve öksürük dalgalarından tanı tahmini,
  • risk faktörleri,
  • laboratuvar ve tomografi sonuçları ile COVID-19 şiddeti ve mortalite tahmini,
  • salgına ait hasta sayısı, başlangıç zamanı, riskli populasyon, ölüm sayısını azaltmaya yönelik önlemler ve yayılım hızı gibi verilere ait öngörü modelleri,
  • Viriona ait sekans formasyonu ve ilaç buluşu için nükleik asit saptama, bileşik oluşturma.

Yazımıza konu olan derlemede de çalışmalar yine konular ve metodlara yönelik sınıflandırılmıştır.​1​

COVID-19 Verileri ile Tanı Koymada Yapay Zeka Çalışmaları

COVID-19’a ait yapay zeka çalışmalarının süreçlerinin (veri seti oluşturlması, verinin temizlenmesi, öğrenme ve test etme algoritmalarının uygulanması ve yorumlanması) bir grafikte özetlenmiştir (Şekil 2).

blank
Yapay zeka uygulamalarında verinin izlediği süreçler​1​

COVID-19’un tanımlanması, sınıflandırılması ve teşhisi için klinik kan örnekleri ve radyografi görüntüleri gerektiren AI (artificial intelligence) tekniklerini dahil etmek için kullanılan genel yaklaşım ortaya konulmaktadır. COVID-19 ile ilgili veri setlerini depolamak ve paylaşmak için çeşitli havuzlar oluşturulmuştur. Daha sonra, veri madenciliğinin yanı sıra, gürültü giderme, veri temizleme, özellik çıkarma, bölümleme ve özellik analizi gibi çeşitli ön işleme teknikleri çoğunlukla veri setini geliştirmek ve daha anlamlı ve etkili temsile dönüştürmek için kullanılır. Son olarak, COVID-19’dan etkilenen hastaları diğerlerinden ayıran COVID-19 veri setlerini kullanmak için AI tabanlı teknikler ve araçlar tanımlanmıştır.

Reklam

Radyografide Görüntü İşleme Tabanlı COVID-19 Tanı Araçları

On çalışma, çoğu akciğer grafilerinden olmak üzere bilgisayarlı tomografiden de  görüntü işleme kullanımına yönelik bulunmuş. “normal”, ”COVID-19 pnömonisi”, “bakteriyel pnömoni” gibi tanılara ait etiketler önceden eğitilmiş modellerin kullanılarak, çoğunluğu destek vektör makineleri olmak üzere sinir ağları, karar ağaçları ve diğer makine öğrenmesi algoritmaları çalışılmış ve çalışmalarda %91’in üzerinde doğruluk ve duyarlılık, %89’un üzerinde hassasiyet elde edildiği raporlanmıştır.

Derin öğrenmeye ait çalışmalarda ise COVID-19 pnomonisinin tespitinin yanı sıra, enfekte lezyon bölgesinin tanımlanması, hacmin dolayısı ile pnömoni şiddetinin ve ciddiyetinin evrelenmesi, nüks tahmini gibi yaklaşımlar raporlanmıştır.

Rutin Klinik Verilere Dayalı Tanı Araçları

Raporlanan çalışmalarda kan tetkiklerinin sonuçları kullanılarak, COVID-19 tespiti için yapay zeka tabanlı uygulamalar ve araçlar geliştirilmiş, CRP, ortalama korpüsküler hemoglobin, MCV, ortalama korpüsküler hemoglobin konsantrasyonu, yaş, cinsiyet, hemoglobin, RDW, kırmızı kan hücreleri, lökositler, monositler, trombositler, lenfositler, bazofiller ve eozinofiller gibi değerlere göre random orman, logistik regresyon , karar ağaçları gibi makine öğrenmesi yöntemleri ile %60-90 aralığında duyarlılık ve doğruluk bulunmuştur.

Reklam

Öksürük Dalgaları ve Solunum Örüntülerine Dayalı Tanı Araçları

Takipne gibi solunum paternlerini ve öksürük gibi farklı ses dalgalarını keşfeden ve ayırt eden sistemlerin yanı sıra, nefes alış verişi ile oluşan termal videoların değerlendirilmesi kullanılarak pozitif vakaların tespit edildiği çalışmalar yorumlanmıştır.

Hastalık Şiddeti ve Sağkalım-Mortalite Değerlendirme Modelleri

Hastalığın şiddetinin bilgisayarlı tomografiden segmentasyon ile üç boyutlu progresyonundan,  akciğer ultrasonu ile plevral hattan tespitine yönelik çalışmalar yapılmış, mortalite ve kür tahminleri raporlanmıştır.

Salgın Tahmin Modelleri

Salgının seyri boyunca oluşan ve beklenen dalgalara yönelik yeni önleyici stratejiler önermelerine ve gelecekteki olasılıklar için kritik önlemler geliştirmelerine yardımcı olacak salgın tahmin modellerini tasarlamak için çeşitli zaman seri analizleri uygulamışlardır. Ülkelerdeki yayılma modelleri, tahmini ölüm iyileşme oranları, kısa vadede yeni görülen vakaların tahmini, riske göre bölgelerin ayrılması, sosyal mesafenin ve kısıtlamanın vakalar üzerindeki rolü, vakaların göç türü ve benzer ülkelerin kümelemeleri gibi salgın analizleri raporlanmıştır.

Reklam

COVID-19 Protein Dizisi Oluşumu ve İlaç Keşfi Modelleri

Aday aşı tahmini, moleküllerin parmak izinin keşfi ile ilaç keşfi ve ilaç bileşiklerinin oluşturulması, potansiyel antikor ve nükleik asit keşfi gibi çalışmalar da İlaç ve aşı çalışmalarına yardımcı olacak türde çalışmalar olarak ortaya konmuştur.

COVID-19 ve Yapay Zeka Çalışmalarına Ait Tespit Edilen Sorunlar

  1. Demografik verilerin azlığı ve onlar olmadan yapılan tahminler: Bu nedenle, sağlam ve iyi genelleştirilmiş tahmin araçlarına sahip olmak için semptomlar, hastaların beslenme şekilleri, diğer demografik bilgilerinin de dikkate alınması gerektiği belirtilmiştir.  
  2. Ardından aciliyet ve verilerin bölgeye özgü değerlere göre düzenli olarak güncellenmesi: Kısıtlama gibi düzenlemeler için hızlı istatistiklere ihtiyaç duyan yönetimler, bilimsel veri setlerinin aceleci hesaplamalar üzerine inşa edilmesine neden olmuştur.  
  3. Tahmin çalışmaları ve herhangi bir sistemi planlamak için büyük verilere ulaşmak, verilerin düzenlenmesi, coğrafyaya göre düzenlenmesi, sonuçların değerlendirilirken sağlık profesyonelleri ile değerlendirilmesi  olarak saptanmıştır.

Bunların dışında verilerin paylaşılamamasından dolayı çalışmalara ait verilerin ve kalitenin değerlendirilmesine ait zorluk, coğrafi bölgelere göre altyapı eksikliğinden kaynaklanan heterojenite, aşı geliştirilmesine ait çalışmalar sonucu test ve yararlanmaya ait politikaların geliştirilmesi, hastaneler üzerinden artan baskının kaldırılmasına yönelik kullanımın açılması, verilerin şeffaf olarak açıklanması diğer kısıtlılıkları oluşturmaktadır.

Özetle…

Yapay zeka; COVID-19 salgını ile ilgili bilgileri toplayarak ve analiz ederek mümkün olduğunca erken tespit için, bu virüsün gelecekte nereyi etkileyeceğini tahmin etmek için ve uygun tedaviye yönlendirecek genetik keşifler için kullanılmaktadır.


Kaynaklar

  1. 1.
    Rasheed J, Jamil A, Hameed AA, Al-Turjman F, Rasheed A. COVID-19 in the Age of Artificial Intelligence: A Comprehensive Review. Interdiscip Sci Comput Life Sci. Published online April 22, 2021. doi:10.1007/s12539-021-00431-w
  2. 2.
    Ballard DH, Brown CM. Computer Vision. Prentice-Hall; 1988.
  3. 3.
    Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial networks. Commun ACM. Published online October 22, 2020:139-144. doi:10.1145/3422622
  4. 4.
    Haque K, Abdelgawad A. A Deep Learning Approach to Detect COVID-19 Patients from Chest X-ray Images. AI. Published online September 22, 2020:418-435. doi:10.3390/ai1030027
  5. 5.
    Rasheed J, Jamil A, Hameed AA, et al. A survey on artificial intelligence approaches in supporting frontline workers and decision makers for the COVID-19 pandemic. Chaos, Solitons & Fractals. Published online December 2020:110337. doi:10.1016/j.chaos.2020.110337
Reklam

Henüz yorum yapılmamış, sesinizi aşağıya ekleyin!


Reklam