Medikal Görüntülemede Yapay Zeka Devrimi
Medikal görüntülemede karşılaşılan belirsizlikler, hastalıkları tanımlamaya çalışan kliniklerin önemli zorluklar ile karşılaşmasına neden olabilmektedir. Örneğin, bir göğüs röntgeninde plevral effüzyon (akciğerlerde anormal sıvı birikimi), pulmoner infiltrat (irin veya kan birikimi) ile karıştırılabilir.
Yapay Zekanın Yardımı
Yapay zeka modelleri, röntgen analizi sırasında doktorlara yardımcı olabilmekte ve tanı sürecini hızlandırmaktadır. Ancak, bir görüntüde birçok olası durum bulunabileceğinden, doktorun yalnızca bir AI tahmini ile sınırlı kalmaması, çeşitli olasılıkları dikkate alması gerekebilir.
MIT araştırmacıları, uygun sınıflandırma adı verilen bir yöntem geliştirmiştir. Bu yöntem, mevcut bir makine öğrenimi modelinin üstüne kolayca uygulanabilir ancak pratikte çok büyük tahmin setleri üretebilir.
Tahmin Setlerinin Küçültülmesi
Araştırmacılar, tahmin setlerinin boyutunu %30’a kadar azaltıp tahminlerin güvenilirliğini artıran basit ve etkili bir iyileştirme geliştirmiştir. Küçük bir tahmin seti, doktorların doğru tanıya daha hızlı ulaşmasına yardımcı olabilir, bu da hastalar için tedavi süreçlerini daha verimli hale getirebilir.
“Daha az sınıfla karşılaştığımızda, tahmin setleri daha bilgilendirici hale gelir çünkü daha az seçenek arasında seçim yapıyoruz. Bu bağlamda, doğruluk açısından bir şey kaybetmiyoruz, fakat daha fazla bilgiye sahip oluyoruz,” diyor Divya Shanmugam, araştırmayı yürütürken MIT’de doktora yapan bir araştırma görevlisi.
Tahmin Garantileri ile Güvenilirlik
Yüksek riskli görevlerde kullanılan yapay zeka asistanları genellikle her tahminle birlikte bir olasılık skoru üretir. Örneğin, bir modelin bir görüntünün belirli bir tanıya ait olma olasılığını %20 olarak tahmin ettiğini düşünelim. Ancak, bu tahminler genellikle güvenilir olmayabilir. Uygun sınıflandırma ile, modelin tahmini belirli bir olasılık seti ile birlikte gelir ve doğru tanının bu setin içerisinde olduğu garanti edilir.
Bununla birlikte, AI tahminlerindeki belirsizlik, modelin çok büyük tahmin setleri üretmesine neden olmaktadır. Örneğin, bir hayvanın 10.000 potansiyel türden biri olarak sınıflandırılması durumu, modelin 200 tahminde bulunmasına yol açabilmektedir. “Bu kadar çok seçeneği değerlendirmek, doğru sınıfa ulaşmakta zorlayıcı olabilir,” diyor Shanmugam.
Test Zamanı Artırma Teknikleri
Uygun sınıflandırmanın daha kullanışlı hale gelmesi için, araştırmacılar bir görüntü üzerindeki tahminleri artırmak amacıyla test zamanı artırma (TTA) adlı bir yöntem geliştirmiştir. Bu yöntem, bir görüntüyü çeşitli şekillerde değiştirerek birden fazla tahmin elde etme olanağı sunar.
“Bu şekilde, tek bir örnekten birden fazla tahmin elde etmiş oluyorsunuz. Farklı tahminlerin birleşimi, doğruluk ve dayanıklılık açısından önemli bir iyileşme sağlıyor,” diyor Shanmugam.
TTA’yı uygulamak için, araştırmacılar uygun sınıflandırma sürecinde kullanılacak bazı etiketli görüntü verilerini saklarlar. Bu veriler üzerinden augmentasyonları öğrenirler. Ardından, belirtilen modelin tahminleri üzerinde uygulama yaparak daha küçük, fakat aynı güvenceyi sunan tahmin setleri elde ederler.
“Test zamanı artırma ve uygun tahminleri birleştirmek, uygulanması kolay, pratikte etkili ve modelin yeniden eğitilmesini gerektirmeyen bir yöntemdir,” diyor Shanmugam.