Professional Documents
Culture Documents
Özet
Dijital Patoloji çalışmalarının gelişimi son yıllarda hızlanmıştır. Yapay zeka metodlarının gelişmesiyle
gerçekleşen çalışmaların kapsamı da gelişmiş ve nitelikleri artmıştır. Bu proje ile ülkemizde ve
dünyada henüz yaygınlaşmamış olan dijital patolojinin sorunları çözülmeye çalışılmış ayrıca
uygulama; geleneksel ve maliyeti yüksek Web2 teknolojileri yerine merkeziyetsiz ve daha düşük
maliyetli Web3 teknolojisi kullanılarak tasarlanmıştır. Uygulamaya Web3 konsepti ve Blockchain
teknolojisi zemin oluşturmuştur. Web3 konsepti, geleneksel Web2 uygulamalarının
merkeziyetsizleştirilmesini esas almış ve bunu da blockchain teknolojisini kullanarak sağlamıştır.
Web3 konseptinin dijital patolojiye zemin oluşturduğunu kanıtlamak için akciğer ve meme
kanserlerinin teşhisi derin öğrenme modeliyle sağlanmış, görüntülerin dijitalleştirilmesi ve
incelenmesi, doktorlara konsültasyon olanağı sağlayan hasta havuzu gibi dijital patoloji araçları
sunulmuştur. Web3 uygulaması olarak bir kullanıcı arayüzü tasarlanmıştır. Ethereum ağının sağladığı
akıllı kontratlar blockchain teknolojisinin finans sektörü dışına çıkmasına olanak sağlamaktadır.
Uygulamada kullanılan Provider aracı Metamask olmuştur. Metamask, arayüz ile Ethereum
Blockchain arasında iletişim sağlamaktadır. Python modülleri ile hazırlanmış olan akciğer ve meme
kanserleri teşhisinde kullanılan derin öğrenme modelleri, FastAPI modülü ile iletişim sağlamaktadır.
Yapılan literatür taramalarında Türkiye’de Web3 teknolojisi ve dijital patolojiyi birleştiren çalışmaya
rastlanmamıştır. Dünyada ise sadece bir çalışmaya rastlanmıştır. Bunun dışında Web3 teknolojisi
Türkiye’de ekonomide kullanılırken dünyada lojistik, gıda ve sağlık sektörlerinde kullanıldığı tespit
edilmiştir. Bu da bu projenin özgün yönüdür. Dijital Patoloji Portalı’nın test edilmesi sonucunda;
akciğer ve meme kanseri teşhisinde modelin tahmin oranı %95 olmuştur, oluşturulan uygulamanın
veri iletimindeki bozuklukları, veri güvenliği ve gizliliği, gibi problemlere Web3 teknolojisinin çözüm
ürettiği tespit edilmiştir.
Proje Amacı
Günümüzde; dijital görüntüler, mobil uygulamalar, telekonsültasyon, uzaktan hastalara
erişebilme ve yapay zekanın alt dalı olan, makine öğrenimi ve derin öğrenmeyle yapılan testler,
uzaktan hastalık yönetimi yaygınlaşıyor. Dijital dönüşüm ve dijitalleşmenin temel taşlarından biri olan
yapay zekânın kullanıldığı teknolojiler sağlıkta kritik önem taşıyor ve yeni fırsatlar yaratıyor. Sağlıkta
dijital dönüşüm adımları, dijital patoloji gibi yüksek maliyet ve geniş depolama ve yüksek gizlilik
gerektiren alanlarda fazla hızlı ilerlemiyor. Bu çalışmanın amacı ise, dijital patolojideki sorunları
vurgulamak ve yazılım altyapılı bir Blockchain ve Web3 teknolojisinin düşük maliyetli bir veri
depolama ve iletimde önem oluşturduğunu öne göstermek ve oluşturulan alt yapıyla, dijital patoloji
için gereken alt yapının maliyeti önemli ölçüde azaltılacaktır. Böylece zaman, emek, ve iş kolaylığı
açısından kazanç sağlanacak ve sağlıkta dijitalleşme ve dönüşüm alanında önemli bir adım atılmış
olunacaktır.
1.Giriş
Dijital patoloji kısaca ışık mikroskobu altında incelenen lamların, dijital görüntüler haline getirilmesi
ve sonrasında mikroskop yerine bilgisayar ekranında incelenmesi olarak tariflenebilir. Dijital
patolojinin hayatımıza girişi, 1980’lerde “telepatoloji’’(uzaktan kumandalı) ile birlikte olmuştur. İlk
çalışmalar, özellik çıkarma temelinde başlamış, ancak yapay zeka, makine öğrenimi, derin öğrenme ve
yapay sinir ağları görüntü tanıma algoritmaları ile hızlı bir gelişme göstermiştir ( Özdemir, 2021).
‘’Dijital patoloji şuan genellikle konsültasyon, eğitim ve araştırma amacıyla kullanılmakla birlikte,
bazı merkezlerde rutin patoloji pratiğine girmeye de başlamıştır. İnsanlar tarafından makinelere
kazandırılan yapay zekâ uygulamalarının patolojide de çeşitli kolaylıklar sağlayacağı
düşünülmektedir’’ (Sensu vd., 2020).
Subramanian’a göre (2022) dijital patolojinin bu sorunlarına karşı olan çözüm, merkeziyetsiz ve
halka açık olmayan blockchain teknolojisi ve akıllı sözleşmeler kullanılıp bir sistem tasarlanılmasıdır.
2. Yöntem
Öncelikle sorunu ortaya çıkarmak için projenin ana hedef kitlesi olan patologlara anket
uygulanmıştır. Anket çevrim-içi anket olarak Google Forms kullanılarak hazırlanmış ve
uygulanmıştır. Bağıntılı değerlendirmeler için Google documents kullanılmıştır. Anket için izin
alınmış ve üniversite hastanesinin 15 patoloğu ankete cevap vermiştir. Bu proje ile geliştirilen dijital
patoloji portalı; anket uygulanan patalogların görüşleri dikkate alınarak şekillendirilmiştir. Ayrıca bir
patalogla görüşme yapılarak hastanelerin dijital patoloji durumları ve verilerin güvenliği ile
depolama anlamında sıkıntı yaşayıp yaşamadığı araştırılmıştır.
Projenin kullanıcı arayüzü digipath.live alan adında bir internet sayfası olarak bulunmaktadır.
Bu kullanıcı arayüzünü geleneksel Web2 konseptinden farklı merkeziyetsiz bir yapıda Web3
konseptine uygun olarak tasarlanmıştır. Kullanıcı arayüzü bir Javascript kütüphanesi olan React ile
tasarlanmıştır. Bu yapı üzerinde derin öğrenme metoduyla teşhis edilen göğüs ve akciğer kanserleri ile
dijital patoloji araçlarından biri olmuştur. Python kütüphanelerinden Tensorflow kullanılarak
oluşturulan derin öğrenme modeli kullanıcı arayüzü ile FastAPI kütüphanesi aracılığıyla
haberleşmektedir. Uygulamada kullanılan tüm teknolojiler ve uygulama akış diyagramı Şekil 2’de
gösterilmiştir.
Uygulama akışı şöyledir: Kullanıcılar (doktor veya hasta) digipath.live alan adına ulaşıp
uygulama arayüzüne erişmektedirler. Bir Web2 uygulamasında olduğu gibi giriş yapıp kayıt olmaları
gerekmektedir. Fakat Web2’den farklı olarak kayıt ve giriş işlemi Ethereum Ağına yüklediğimiz akıllı
kontratlar ile gerçekleşmektedir. Kullanıcılar, bu işlemde eşsiz Ethereum Ağ Adreslerini
kullanmaktadır ve bu adrese, arayüz ile Ethereum Blockchain arasında sağlayıcı görevi üstlenen
Metamask aracılığıyla erişmektedir. Giriş işlemi gerçekleştikten başarıyla sonra kullanıcılar Dijital
Patoloji Portalı’na erişebilmektedir. Doktorlar dijital patoloji araçlarını, hastalar ise sonuçlarını
görmektedir.
2.1Kullanıcı Arayüzü(Front-end)
Kullanıcı arayüzünde, kullanıcı deneyiminin artması hedeflenerek sade ve basit tasarımlar
tercih edilmiştir. Arayüz, dağıtık bir depolama aracı olan IPFS üzerinde depolanmıştır. Site
tasarımında kullanılan diğer araçlardan en önemlisi bir tek-sayfa-uygulaması(SPA) olan React
olmuştur.
3.Bulgular
● Anket Bulguları:
Patologlara uygulanan anket sonucundan elde edilen bulgular şu şekilde değerlendirilmiştir: Ankete
katılanların hepsi patalogtur. Ankete katılan patalogların %86,7’si dijital patolojide şimdiki merkezi
ağ sistemi olan Web2 yerine merkeziyetsiz bir ağ sistemi olan Web3 kullanılarak görüntülerin
iletimindeki hız, yüksek çözünürlük ve hasta verilerinin güvenliği teşhis ve tedavi aşamasının
kolaylaşmasını sağladığını düşünmektedir .Yine anket sonuçlarına göre ankete katılan patologların
tıbbi erişime ulaşmada zorluk çeken hastaların bulunduğu bölgeye dijital patoloji sayesindeki erişim,
hastanın sağlığına kavuşmasında etkin rol oynadığına %46,7’si katılmakta, %13,3’ü kesinlikle
katılmakta ve %20’si katılmaktadır . Patologların çoğu Dijital patoloji sayesinde hastanede mikroskop
gibi çözünürlük sağlayan ekipmanları depolama ihtiyaçlarının azalacağını bu sayede ekonomik olarak
hastane adına fayda sağlanacağını düşünmektedir. Patologlar, dijital patoloji ve Web3’ın birleştiği bir
sistem tasarımının depolanan verilerin doğruluğunu arttırıp doktor tanısını iyileştireceğine %33,3
katılmakta, %33,3 kısmen katılmakta ve %6,7 kesinlikle katılmaktadırlar. Çoğunluk Dijital patolojide
geleneksel internet(web2) yerine web3 ile merkeziyetiz güvenlik sistemi sayesinde kişisel verilerin
gelişmiş şifreleme yoluyla korunmasının önem taşıdığını düşünmektedir Depolanmanın dijital
patolojide önemli olduğunu ve dijital patolojide Web3 sayesinde yüksek veri depolama kapasitesinin
kolaylık sağlayacağını düşünmektedirler.Dijital patolojide derin öğrenme sayesinde yapay zekânın
elindeki verilerden yeni veriler üretmesinin kolaylık sağlayacağını düşünüyorum önermesine
patologların %66,7’si katılmakta %20’si kısmen katılmaktadır. Patologların %80’i Dijital patolojideki
Web3 sayesinde merkezi güvenlik sistemindeki maliyetten muaf olmak ekonomik açıdan fayda
sağlayacağına katılmaktadır.
● Uygulamanın Bulguları
Web2 uygulamalarında dijitalleştirilmiş görüntülerin depolanması için bir sunucu gerekmektedir.
Web3 uygulamalarında ise bu sunucu yerine merkeziyetsiz yapıda olan IPFS kullanılmıştır. Akıllı
sözleşmeler ile yapılan tüm işlemlerde kullanılan veriler blockchain ağında şifrelenmiş, veri güvenliği
ve gizliliği sağlanmıştır. Web2’de her zaman bu sağlanamayabiliyor. Web3 teknolojisinde P2P(eşler
arası) mantığı ile hasta ile doktor arasına aracı Web2 uygulamalarının aksine girememektedir. Web3
teknolojisinde veriler korunabilmiştir. Hastanede kullanılan web2 uygulamaları her hastane için
özelleştirilmiş kurulum gerektirmektedir. Yapılan uygulamada ise böyle bir durum söz konusu
değildir. Metamask yüklü olan her cihazdan sisteme erişilebilir ve kullanılabilirdir.
Modelin Bulguları
Meme kanseri iki farklı algoritma ile sınıflandırılarak %98e varan doğruluk oranı elde etmiştir.
Akciğer kanseri Random Forest algoritması ile sınıflandırarak %95’e varan doğruluk oranı elde
etmiştir.
Şekil 9. SVM sınıflandırma sonuçları
Şekil 10. RandomForest sınıflandırma sonuçları
● Uygulamanın Bulguları
1- Web2 uygulamalarında dijitalleştirilmiş görüntülerin depolanması için bir sunucu gerekmektedir.
Web3 uygulamalarında ise bu sunucu yerine merkeziyetsiz yapıda olan IPFS kullanılmıştır.
2- Akıllı sözleşmeler ile yapılan tüm işlemlerde kullanılan veriler blockchain ağında şifrelenmiş, veri
güvenliği ve gizliliği sağlanmıştır. Web2’de her zaman bu sağlanamayabiliyor.
3- Uygulama içerisinde yer alan konsültasyon merkezi ile doktorlar arasında tartışma ortamı oluştuğu
görülmüştür.
4- Web3 teknolojisinde P2P(eşler arası) mantığı ile hasta ile doktor arasına aracı Web2
uygulamalarının aksine girememektedir.
5- Web3 teknolojisinde veriler korunabilmiştir.
6- Hastanede kullanılan web2 uygulamaları her hastane için özelleştirilmiş kurulum gerektirmektedir.
Uygulamamızda ise böyle bir durum söz konusu değildir. Metamask yüklü olan her cihazdan sisteme
erişilebilir ve kullanılabilirdir.
4. Sonuç ve Tartışma
● Uygulamanın ve modelin test edilmesi, öngörüldüğü şekilde gerçekleşmiştir.
● Dijital patolojinin her hastanede olmamasının sebebi depolamanın yüksek maliyetli olması;
veri güvenliği ve gizliliği, ağ bantlarının yeterli genişliğe sahip olmaması olarak tespit
edilmiştir. Adnan Menderes Üniversite Hastanesindeki çalışan patologlarla yapılan ankette
hastaneneye dijital patoloji gelmesiyle işlem kolaylığı sağlanacağı düşünülmektedir. Ayrıca
Adnan Menderes Üniversitesi Patoloji Bölüm Başkanı ile yapılan görüşmede maliyeti düşük
ve teknik zorlukları aşılmış bir dijital patoloji portalının zaman, emek ve para açısından
kazanç sağlayacağı dile getirilmiştir.
● Meme ve Akciğer kanserinde modelin Şekil 9 ve 10’da görüldüğü üzere %95’e varan
doğruluk oranı yakın gelecekte yapay zekânın doktorlara yardım konusunda aktif bir rol
oynayacağı görülmüştür.
● Web2 uygulamalarında dijitalleştirilmiş görüntülerin depolanması için bir sunucu
gerekmektedir. Web3 uygulamalarında ise bu sunucu yerine merkeziyetsiz yapıda olan IPFS
en kullanılmıştır bunun avantajı da dijital patoloji görüntülerinin tarandıktan sonra dijital
ortama aktarılması maliyeti yüksek bir işlemken, Web3 ve Blockchain altyapısında
tasarlanması dijital patoloji portalının merkeziyetsiz olmasını ve maliyeti düşürmesini
sağlamıştır.
5. Öneriler
Web3 ve Blockchain tabanlı Dijital Patoloji Portalı bir konsept uygulaması olmuştur. Bu portal, daha
fazla patolog geri bildirimi ile zenginleştirilebilir, diğer bilim dallarına uyarlanabilir.
Uygulamada bulunan Blockchain etkileşimi, yeni araçların eklenmesiyle daha da aktifleşebilir. Bu
aktiflik uygulamanın merkeziyetsiz yapısını pekiştirebilir.
Meme ve Akciğer kanser teşhisi için yapılan derin öğrenme modelleri farklı türde kanserler için
çoğaltılabilir. Bu modellerin sayısının artması uygulamanın kullanılabilirliği arttırabilir.
6.Kaynakça
Bera, K., Schalper, K. A., Rimm, D. L., Velcheti, V., & Madabhushi, A. (2019). Artificial intelligence
in digital pathology — new tools for diagnosis and precision oncology. Nature reviews. Clinical
oncology https://doi.org/10.1038/s41571-019-0252-y
Lichman, (2013.) The Breast Cancer Wisconsin (Diagnostic) dataset, used in this study, can be found
in the UCI Machine Learning Repository.
Özdemir, H. G. (2021). Dijital Patoloji ve Yapay Zeka 23. Bölüm. C. Özlü, N. Köylüoğlu, M. A.
Gedik, H. S. Yangal, & A. Özlü içinde, Sağlıkta Yapay Zeka ve Uygulamaları (s. 237-246).
Akademisyen Kitapevi.
Sensu, S., Erdogan, N., & Gurbuz, Y. S. (2020). Patolojide dijital çağ ve yapay Zekâ: temel bilgiler.
DOI: https://doi.org/10.5336/medsci.2019-72835
Subramanian, H., & Subramanian, S. (2022). Improving Diagnosis Through Digital Pathology:
Proof-of-Concept Implementation Using Smart Contracts and Decentralized File Storage. Journal of
medical Internet research, https://doi.org/10.2196/34207
Taralunga, D. D., & Florea, B. C. (2021). A Blockchain-Enabled Framework for mHealth Systems.
Sensors (Basel, Switzerland). https://doi.org/10.3390/s21082828
Lichman, 2013, The Breast Cancer Wisconsin (Diagnostic) dataset, used in this study, can be found in
the UCI Machine Learning Repository.
Thrul, J., Kalb, L. G., Finan, P. H., Prager, Z., & Naslund, J. A. (2022). Web3 and digital mental
health: Opportunities to scale sustainable mental health promotion and peer support. Frontiers in
Psychiatry .https://doi.org/10.3389/fpsyt.2022.945830