Yapay zeka, teşhis görüntülerini yorumlama konusunda sağlık profesyonelleri ve araştırmacılar için yararlı bir araç olabilir. Bir radyolog bir röntgenden kırıkları ve diğer anormallikleri belirleyebilirken, yapay zeka modelleri insanların göremediği desenleri görebilir ve bu, tıbbi görüntülemenin etkinliğini artırma fırsatı sunar.
Ancak Scientific Reports'ta yayınlanan bir çalışma, tıbbi görüntüleme araştırmalarında yapay zeka kullanmanın gizli bir zorluğunu vurguluyor - "kısayol öğrenme" olarak bilinen son derece doğru ancak potansiyel olarak yanıltıcı sonuçlar fenomeni. Araştırmacılar, Ulusal Sağlık Enstitüleri tarafından finanse edilen Osteoartrit Girişimi'nden 25.000'den fazla diz röntgenini analiz etti ve yapay zeka modellerinin hastaların refried fasulye yemekten veya bira içmekten kaçınıp kaçınmadıkları gibi ilgisiz ve mantıksız özellikleri "tahmin edebileceğini" buldu. Bu tahminlerin tıbbi bir temeli olmasa da, modeller verilerdeki ince ve istenmeyen desenleri kullanarak şaşırtıcı doğruluk seviyelerine ulaştı.
Çalışmanın kıdemli yazarı, Dartmouth Health'in Dartmouth Hitchcock Tıp Merkezi'nde ortopedi cerrahı ve Dartmouth'un Geisel Tıp Fakültesi'nde ortopedi yardımcı doçenti olan Dr. Peter Schilling, “Yapay zeka tıbbi görüntülemeyi dönüştürme potansiyeline sahip olsa da dikkatli olmalıyız. Bu modeller insanların göremediği kalıpları görebiliyor, ancak tanımladıkları kalıpların hepsi anlamlı veya güvenilir değil. Yanıltıcı sonuçları önlemek ve bilimsel bütünlüğü sağlamak için bu riskleri tanımak çok önemli.” diyor.
Araştırmacılar, yapay zeka algoritmalarının tıbbi açıdan anlamlı özellikler yerine tahminlerde bulunmak için genellikle X-ışını ekipmanındaki veya klinik alan işaretleyicilerindeki farklılıklar gibi kafa karıştırıcı değişkenlere nasıl güvendiğini incelediler. Bu önyargıları ortadan kaldırma girişimleri yalnızca marjinal olarak başarılı oldu; yapay zeka modelleri yalnızca diğer gizli veri kalıplarını “öğreniyordu". Çalışmanın ortak yazarlarından ve Dartmouth Hitchcock'ta makine öğrenimi bilimcisi olan Brandon Hill, “Algoritmanın bir röntgenin çekildiği yılı tahmin etmeyi bile öğrenebileceğini bulduk. Bu tehlikeli bir şey -- bu unsurlardan birini öğrenmesini engellediğinizde, daha önce görmezden geldiği bir diğerini öğrenecektir. Bu tehlike gerçekten bazı şüpheli iddialara yol açabilir ve araştırmacıların bu tekniği kullanırken bunun ne kadar kolay gerçekleştiğinin farkında olması gerekir.” diye ekliyor.
Bulgular, yapay zeka tabanlı tıbbi araştırmalarda titiz değerlendirme standartlarına olan ihtiyacın altını çiziyor. Daha derin bir inceleme yapılmadan standart algoritmalara aşırı güvenmek, hatalı klinik öngörülere ve tedavi yollarına yol açabilir.
Ancak Scientific Reports'ta yayınlanan bir çalışma, tıbbi görüntüleme araştırmalarında yapay zeka kullanmanın gizli bir zorluğunu vurguluyor - "kısayol öğrenme" olarak bilinen son derece doğru ancak potansiyel olarak yanıltıcı sonuçlar fenomeni. Araştırmacılar, Ulusal Sağlık Enstitüleri tarafından finanse edilen Osteoartrit Girişimi'nden 25.000'den fazla diz röntgenini analiz etti ve yapay zeka modellerinin hastaların refried fasulye yemekten veya bira içmekten kaçınıp kaçınmadıkları gibi ilgisiz ve mantıksız özellikleri "tahmin edebileceğini" buldu. Bu tahminlerin tıbbi bir temeli olmasa da, modeller verilerdeki ince ve istenmeyen desenleri kullanarak şaşırtıcı doğruluk seviyelerine ulaştı.
Çalışmanın kıdemli yazarı, Dartmouth Health'in Dartmouth Hitchcock Tıp Merkezi'nde ortopedi cerrahı ve Dartmouth'un Geisel Tıp Fakültesi'nde ortopedi yardımcı doçenti olan Dr. Peter Schilling, “Yapay zeka tıbbi görüntülemeyi dönüştürme potansiyeline sahip olsa da dikkatli olmalıyız. Bu modeller insanların göremediği kalıpları görebiliyor, ancak tanımladıkları kalıpların hepsi anlamlı veya güvenilir değil. Yanıltıcı sonuçları önlemek ve bilimsel bütünlüğü sağlamak için bu riskleri tanımak çok önemli.” diyor.
Araştırmacılar, yapay zeka algoritmalarının tıbbi açıdan anlamlı özellikler yerine tahminlerde bulunmak için genellikle X-ışını ekipmanındaki veya klinik alan işaretleyicilerindeki farklılıklar gibi kafa karıştırıcı değişkenlere nasıl güvendiğini incelediler. Bu önyargıları ortadan kaldırma girişimleri yalnızca marjinal olarak başarılı oldu; yapay zeka modelleri yalnızca diğer gizli veri kalıplarını “öğreniyordu". Çalışmanın ortak yazarlarından ve Dartmouth Hitchcock'ta makine öğrenimi bilimcisi olan Brandon Hill, “Algoritmanın bir röntgenin çekildiği yılı tahmin etmeyi bile öğrenebileceğini bulduk. Bu tehlikeli bir şey -- bu unsurlardan birini öğrenmesini engellediğinizde, daha önce görmezden geldiği bir diğerini öğrenecektir. Bu tehlike gerçekten bazı şüpheli iddialara yol açabilir ve araştırmacıların bu tekniği kullanırken bunun ne kadar kolay gerçekleştiğinin farkında olması gerekir.” diye ekliyor.
Bulgular, yapay zeka tabanlı tıbbi araştırmalarda titiz değerlendirme standartlarına olan ihtiyacın altını çiziyor. Daha derin bir inceleme yapılmadan standart algoritmalara aşırı güvenmek, hatalı klinik öngörülere ve tedavi yollarına yol açabilir.
Kaynak
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
