Professional Documents
Culture Documents
UYGULAMALARI
1
Karar Destek Sisteminin Elemanları
2
Analiz yetenekleri güçlü bir
teoriye ya da kullanımı kolay iyi bir
Model ağırlıklı sistemler kullanıcı ara yüzle birleşmiş
modele bağlıdır.
KARAR DESTEK
SİSTEMİ
Ana işletme sistemindeki büyük
miktardaki veriyi analiz eder.
Bu sistemler, çok miktardaki
Veri ağırlıklı sistemler verinin içinden yararlı bilginin
kullanıcılar tarafından ortaya
çıkarılmasına olanak tanıyarak
karar verilmesini destekler.
3
Tıbbi Karar Destek Sistemleri
Tıbbi Karar Destek Sistemi (Medical Decision Support
System), sağlıkçalışanlarına teşhis ve tedavide yardımcı
olmak için geliştirilmiştir.
Bu sistemler hekimin yerini alamaz, hekimlere yardımcıdır.
Birbirini etkileyen hastalıkların tespitinde başarılı sonuçlar
sağlarlar.
Kompleks çoklu hastalık durumunda ki yanılgıları minimize
edebilirler.
Eğitim ve araştırmada yeni araçlar sağlar
Hastalara da yardımcı olabilir
Maliyet, zaman ve tıbbi hataların azaltılmasını
sağlamaktadır.
4
Tıpta Uzman Sistemler
CASNET: Glokom hastalığının tanısı için geliştirilmiştir.
IRIS: Glokomlu hastalar için danışmanlık sistemi olarak
geliştirilmiştir.
PUFF: Akciğer hastalıklarının tanısı için geliştirilmiştir.
PIP: Böbrek hastalıklarının tanısı için geliştirilmiştir.
LEDI-2: Yoğun bakımdaki hastalara karar destek için
geliştirilmiştir.
UMDES: Ülser hastalığının tanı ve bakımı için
geliştirilmiştir.
10
5
Yapay Zeka-Makine Öğrenmesi-Derin Öğrenme
11
DERİN ÖĞRENME
YAPAY ZEKA MAKİNE 2010’lu yıllarda
1950’lerde açığa ÖĞRENMESİ kullanılmaya
çıkmış olup, başlanmış, büyük ile
1980’lerde açığa
makinaların insanlar tek bir katmanda
çıkmış olup veri
kadar kabiliyetli bir değil, birçok
madenciliğin
şekilde bazı işlemleri katmanda makine
kullanılması ile
yapabilmesi olarak öğreniminde
beraber daha
tanımlanabilir. kullanılan hesapları
popüler hale
tek bir seferde
gelmeye başlamıştır.
yapma kabiliyetine
sahiptir.
12
6
1950’de Alan Turing,
yayınlamış olduğu bir
makalede
makinelerin düşünüp
düşünemediğini
gündeme getirmiştir.
insan zekasının
Ancak yapay zekanın
karakteri olan asıl isim babası 1956
işlemleri yılında konu ile ilgili
gerçekleştirebilen
makinalar bir akademik
konferans düzenleyen
John McCarthy’dir.
13
14
7
Öncelikle yapay zekanın hangi alanda kullanılacağı belirlenir.
Her yapay zeka için farklı yollar izlenecek olsa dahi temelde yapay
zeka için takip edilen işlem prensibi aynıdır.
15
16
8
Yapay Zeka Katmanları
17
Sanal
Asistanlar
Sağlık Oyunlar
Akıllı Ev
Akıllı Arabalar
Sistemleri
Yapay Zeka
Başlıca
Kullanım
Alanları
Müzik ve Seyir
Satın Alma
Öneri
Tahmincileri
Robotları
Güvenlik Dolandırıcılığı
Sistemleri Önleme
Sohbet ve
Destek Botları
18
9
Yapay Zeka Sistemlerinin Avantajları
Öğrenme kabiliyeti
Genelleme yapabilme
Adaptasyon kabiliyeti
Sonuç çıkarma özelliği
Lineer olmayan kompleks ilişkileri kurabilme
Gürültüye karşı toleransı
Tamamlanmamış, eksik bilgi ile başa çıkabilme
Farklı tekniklerle entegrasyon kabiliyetleri
Rastgele çözümlerden sonuca ulaşabilmeleri
Matematiksel olarak ifade edilmesi zor veya imkansız sistemleri
modelleyebilmeleri
…
19
20
10
Hastalıkların Teşhisi
Hastalıkların doğru bir şekilde tespit edilmesi, yıllarca
tıp eğitimi almayı gerektirir. Bu eğitimin ardından bile
teşhis koymak zorlu ve zaman alıcı bir iştir.
Tıbbın birçok alanında, uzman talebinin arzı aşmış
durumda olması ile hastalıkların teşhisi daha da
gecikiyor.
21
Hastalıkların Teşhisi
Makine öğrenimi doktorların incelediği teşhis
bilgilerinin dijital ortama aktarıldığı aşağıdaki benzer
alanlarda faydalı oluyor:
– Bilgisayarlı tomografi taramalarını analiz ederek akciğer
kanseri ve felç teşhisi
– Elektrokardiyogramlarını analiz ederek ani kalp krizi
riskinin belirlenmesi
– Deri görüntülerini analiz ederek lezyonların
sınıflandırılması
– Göz görüntülerini analiz ederek diyabetik retinopati
göstergelerinin belirlenmesi
22
11
Radyoloji Alanında Hastalık Teşhisi
Yapay zekânın en yoğun ilgi gördüğü alanlardan biri
radyolojidir. Dünyada her yıl iki milyardan fazla göğüs
röntgeni çekiliyor. Yapılan araştırmalara göre, yapay zekâ
algoritmaları bu röntgenlerin değerlendirilmesi ve
hastalıkların teşhisinde insanlardan daha başarılı
olmaktadır.
Radyolojide yapay zekânın faydalarından bazıları:
– Meme, akciğer veya prostat kanserini tespit etmek
– Santral sinir sistemi tümörlerinin teşhisine yardımcı olmak
– İyi huylu lezyonları kötü huylu olanlardan ayırt etmek
– MR görüntülerindeki beyin dokularının hacim ve oylumunu
hesaplamak ve fonksiyonel MR görüntülerini analiz etmek
23
24
12
Cerrahi Yardım Robotları
Hareket kontrol teknolojileri ilerledikçe cerrahi yardım
robotları daha hassas hale geldi. Bu robotlar,
cerrahların büyük kesikler açmadan karmaşık
mikrocerrahi işlemler yapmasına yardımcı oluyor.
Cerrahi robotlar gelişmeye devam etmesi sonucunda
yapay zekalı robotlar, sinir ve diğer engellerden uzak
durarak vücudun belirli alanlarında hareket edebilmek
için bilgisayar görüşünü kullanabilecek.
Belki de bazı cerrahi robotlar, görevleri tek başlarına
tamamlayarak cerrahların prosedürü konsoldan
denetlemesine olanak sağlayabilecek.
25
İlaç Geliştirme
aç geliştirmek çok pahalı bir süreçtir. İlaç geliştirme
sırasındaki analitik süreçlerin çoğunluğu, makine
öğrenimi tarafından çok daha etkin bir şekilde
gerçekleştirilebilir. Bu durum, yıllarca sürebilen
çalışmaları kısaltacak, milyonlarca dolarlık yatırımı
azaltacaktır.
Yapay zekâ ilaç geliştirme sürecinin dört temel
aşamasında da başarıyla kullanılıyor:
– Müdahale edilecek hedeflerin belirlenmesi
– Olası ilaç adaylarının belirlenmesi
– Klinik deneylerin hızlandırılması
– Hastalığın teşhisine yönelik biyo-işaretlerin bulunması
26
13
Kişiye Özel Tedavi
Farklı hastalar ilaçlara ve tedavilere farklı tepkiler verir.
Dolayısıyla, kişiye özel tedavi hastaların yaşam
süresinin uzatılması açısından kritik önemdedir. Ancak
hangi tedavi yönteminin seçilmesi gerektiğini
belirlemekte kullanılan etkenleri tespit etmek kolay
değildir.
Yapay zekâyı “21’inci yüzyılın stetoskopu”olarak
niteleyen Doktor Bertalan Meskó’nun makalesinde
belirttiği gibi, yapay zekâ “tek tip” tedaviyi tarihe
gömerek, kişiye özel tedaviler, terapiler ve ilaçlar
önerebilir.
27
28
14
Google Deepmind
AI araştırmaları kapsamında
Google’nin kendi bünyesinde
başlattığı Google Deepmind
sağlık projesi, daha hızlı ve daha
iyi bir sağlık hizmeti sunabilmek
amacıyla tıbbi kayıtları
kullanılmaktadır. Google
Deepmind, sisteme yüklenen
bilgilerin dakikalar içerisinde
işlenmesini sağlamaktadır.
Araştırma şu an için erken
aşamalarda olsa da Google,
sistemi geliştirebilmek için
Moorfields Hospital ve NHS gibi
kurumlarla işbirliği yapmaktadır.
29
IBM WatsonPaths
IBM Watson, Cleveland Clinic ve
Lerner Case Western Reserve
Üniversitesi Tıp Fakültesi ile
işbirliği yaparak kendi bünyesi
içinde WatsonPaths adlı bir
proje başlatmıştır. WatsonPaths,
hekimlerin daha bilinçli, daha
doğru, aynı zamanda daha hızlı
kararlar almalarına yardımcı
olmak ve elektronik tıbbi
kayıtları (Electronic Medical
Records) analiz etmek için
tasarlanan, temelinde Watson AI
algoritması kullanılan; IBM
tarafından yürütülen bir
projedir.
30
15
Careskore
Careskore, tüm sağlık sektörü için
bulut tabanlı AI çözümleri sunan,
Chicago’da kurulan bir platformdur.
Careskore temel olarak realtime
(gerçek zamanlı) Zeus algoritmasını
kullanan, hastaların klinik,
laboratuvar, demografik ve
davranışsal verilerini kaynak olarak
kullanarak tahminler yapan bir
yapay zeka sistemidir. Topladığı bu
veriler ışığında hastaların kendi
sağlıkları hakkında daha şeffaf bilgi
edinmelerini ve hastanelerin hizmet
kalitelerini artırmalarını sağlamayı
amaçlamaktadır. Ayrıca hastalar
bireysel olarak bu sisteme
kaydolarak AI (yapay zeka) kendi
vücutlarıyla ilgili risk ve sorunlar
hakkında detaylı bilgi
edinebilmektedirler.
31
Enlitic
Enlitic, derin öğrenme teknolojileri
sayesinde özellikle radyografik
görüntülerde veri toplamaya ve bu
verileri analiz etme, görüntü tanıma
gücünü kullanır.
32
16
Lunit
2013 yılında kurulmuş olan Seul
merkezli Lunit, internet üzerinde
ilk gerçek zamanlı yapay zeka
tabanlı görüntüleme analizi
yapan bir yazılım şirketi. Göğüs
grafisi, mamografi ve patoloji
preparatlarını yapay zeka tabanlı
yazılımı ile inceleyerek
lezyonların morfolojisini daha iyi
modellemeyi, meme kanserini
erken yakalamayı ve patologlara
veya araştırmacılara, tümörlere
sızan lenfositlerin miktarını
objektif olarak belirlemelerine
yardımcı olmayı hedefliyorlar.
33
34
17
35
Kaynakça
Veri işlemede teknik ve teknolojiler, T.C. Orman ve
Su İşleri Bakanlığı, Ayşe Merve Uzun.
Tıp Bilişimi, Prof.Dr.Adem KALINLI, Erciyes Ün.,
2015.
https://geturkiyeblog.com/tipta-yapay-zeka-
devrimi/
https://www.intel.com.tr/content/www/tr/tr/heal
thcare-it/robotics-in-healthcare.html
https://www.yesilscience.com/tr/yapay-zeka-ve-
saglik/
36
18