Yazd?r

T?pta Yapay Zeka Uygulamalar?*

Ay?e DEM?RHAN1, Yusuf Alper KILI?2, ?nan G?LER1


1 Gazi ?niversitesi Teknoloji Fak?ltesi, Bilgisayar M?hendisli?i B?l?m?, Ankara, T?rkiye

Department of Computer Engineering, Faculty of Technology, University of Gazi, Ankara, Turkey

2 Hacettepe ?niversitesi T?p Fak?ltesi, Genel Cerrahi Anabilim Dal?, Ankara, T?rkiye

Department of General Surgery, Faculty of Medicine, University of Hacettepe, Ankara, Turkey

* 5. Cerrahi Ara?t?rma Kongresi (Ankara, 2009 Aral?k)?nde k?smen sunulmu?tur.

?ZET

Yapay zeka; zeki makineler ?zellikle de, zeki bilgisayar programlar? yapma bilimi ve m?hendisli?idir. ?T?bbi yapay zeka?n?n temel ilgi alan? klinik te?his i?lemlerini ger?ekle?tirebilecek ve tedavi ?nerilerinde bulunabilecek yapay zeka programlar?n?n olu?turulmas?d?r. Yapay zeka, karma??k t?bbi verileri analiz edebilecek yeteneklere sahiptir. Yapay zeka y?ntemlerinin bir veri k?mesi i?indeki anlaml? ili?kileri ortaya ??karabilme yetenekleri pek ?ok klinik senaryoda tan?, tedavi ve sonucu tahmin etmek i?in kullan?lmaktad?r. G?n?m?zde yayg?n olarak kullan?lan ba?l?ca yapay zeka y?ntemleri; uzman sistemler, bulan?k mant?k, genetik algoritma ve yapay sinir a?lar?d?r. T?bbi uzman sistemler t?bbi uzmanlar?n tavsiyeleri do?rultusunda geli?tirilir. Hasta verilerine dayanarak, hekime tavsiye ve ?nerilerde bulunur. Bulan?k mant?k grinin ?e?itli derecelerini bilimsel olarak ifade edebilmekte, yakla??k sonu?lar ??karabilmektedir. T?pta kullan?lan ?o?u kavram bulan?k oldu?undan bu kavramlar ve aralar?ndaki ili?kiler bulan?k mant?k y?ntemiyle temsil edilebilir. Yapay sinir a?lar? biyolojik sinir sisteminin ?al??mas?n? taklit eden n?ronlar i?erir. Bu n?ronlar?n ?e?itli ?ekillerde birbirilerine ba?lanmas?yla bir a? olu?turulur. Yapay sinir a?lar? t?bbi ara?t?rma verileri i?inden daha ?nce fark edilmemi? desenleri saptama, s?n?flama, t?bbi ayg?tlar?n kontrol?, t?bbi g?r?nt?lerin karakteristiklerinin tespit edilmesi gibi pek ?ok uygulamada aktif olarak kullan?lmaktad?r.? Yapay zeka y?ntemlerinin yeterlili?i t?bb?n neredeyse her alan?nda ara?t?r?lm??t?r ve uygulama potansiyeline sahiptir. Halen geli?mekte olan bu y?ntemlerin ger?ek klinik ortamlarda uygulanmaya ba?lanmas?ndan ?nce daha ileri klinik denemelere ihtiya? vard?r. Bu ?al??mada farkl? yapay zeka y?ntemleri g?zden ge?irilerek, bu y?ntemleri kullanan ?nemli klinik ?al??malar incelenmi?tir.

Anahtar Kelimeler: Yapay zeka, Bulan?k mant?k, Yapay sinir a?lar?, T?pta yapay zeka uygulamalar?.

Geli? Tarihi: 08/03/2010 ? Kabul Edili? Tarihi: 15/03/2010

ABSTRACT

Artificial Intelligence Applications in Medicine

Artificial Intelligence (AI) is the science and engineering of creating intelligent machines and especially computer programs. 'Medical AI' is mainly concerned with building computer programs that can perform clinical diagnoses and suggest treatments. AI has the capability of analyzing complex medical data. The ability of AI to detect meaningful relationships in a data set is used in many clinical situations to diagnose, treat and predict the results. The main AI methods used extensively are expert systems, fuzzy logic, genetic algorithm, and artificial neural networks. Medical expert systems are developed according to the recommendations of medical experts. They come up with recommendations and suggestions for the doctors, according to the patient data. Fuzzy logic can scientifically express different shades of gray, and can deduce near results. Since many concepts in medicine are fuzzy, these concepts and their interrelations can be described with fuzzy logic. Artificial neural networks contain neurons that mimic biological nervous systems. A network is obtained by connecting these neurons in various ways. Artificial neural networks are used extensively for determining previously unseen patterns in medical research data, classification, controlling medical devices, and detecting the characteristics of medical images. The abilities of AI methods have been investigated in almost all branches of medicine, and have application potentials. Before applying these still-developing methods in real clinical environments, further clinical experimentations are needed. In this study, different AI methods are reviewed and important clinical studies that have used these methods are investigated.

Key Words: Artificial intelligence, Fuzzy logic, Artificial neural networks, Artificial intelligence applications in medicine.

Received: 08/03/2010 ? Accepted: 15/03/2010

Yapay zeka terimi ilk defa John McCarthy taraf?ndan, ?zeki makineler ?zellikle de, zeki bilgisayar programlar? yapma bilimi ve m?hendisli?i? olarak tan?mlanm??t?r (1). Makinelerin muhakeme yetene?i, ge?mi? bilgilerden faydalanma, planlama, ??renme, ileti?im kurma, alg?lama ve nesneleri oynatabilme, yer de?i?tirebilme yetene?ine sahip olmas?n? ama?layan bir bilim dal?d?r.

Yapay zeka ile belirli insan davran??lar?n? (nesneleri alma ve bunlar? belirli yerlere yerle?tirme gibi) yapan ve belirli bir uzmanl?k alan? ile ilgili (veri hesaplamas?, t?bbi te?his gibi) be?eri d???nme s?recinin benzetimini yapan sistemler olu?turulabilir. Yapay zeka alan?nda ?nemli geli?meler g?n?m?zde sa?lanm?? olmakla beraber, ara?t?rma d?zeyi halen kulu?ka safhas?ndad?r. Yapay zeka ara?t?rmac?lar? yapay zekan?n geli?tirilmesine y?nelik yeni icat ve yenilikleri ortaya koymaya devam etmektedir.

Ba?l?ca yapay zeka y?ntemleri; uzman sistemler, bulan?k mant?k, genetik algoritma ve yapay sinir a?lar?d?r. Uzman sistemler, bir konuda uzman ki?i ya da ki?ilerce yap?labilen muhakeme ve karar verme i?lerini modelleyebilen bilgisayar sistemleridir. ?yi geli?tirilmi? bir uzman sistem, konusunda uzman olan ki?ilerin yapabildi?i tasar?m, planlama, te?his etme, yorumlama, ?zetleme, genelleme, kontrol etme, tavsiyelerde bulunma gibi i?lemleri taklit edebilme ?zellikleri vard?r (2). T?bbi uzman sistemler, t?bbi alanlar i?erisindeki yap?sal sorular? ??zmek ve yan?tlar sa?lamak amac?yla geli?tirilmi?tir. T?bbi uzman sistemler bir veya daha ?ok t?bbi uzman?n tavsiyeleri do?rultusunda geli?tirilir. B?ylece en uygun sorular dikkate al?narak do?ru sonu?lar?n ?retilmesi sa?lan?r. T?bbi uzman sistemlerinin amac? hekimin yerini almaktan ?ok hastaya ait verilere dayanarak, hekime tavsiye ve ?nerilerde bulunmaktad?r (3). Bulan?k mant?k Aristo mant???n?n siyah-beyaz ikilemine kar??l?k, L?tf? Asker Zade?nin geli?tirdi?i grinin ?e?itli derecelerinin varl???n?n bilimsel olarak ifade edilebilmesidir. Bulan?k mant?ktaki nitelendirmeler, uzman sistemlerden farkl? olarak, insanlar?n g?nl?k hayatta yapt??? nitelemeler gibi kesin de?ildir. Kural taban?n?n olu?turulmas?nda kesin olamayan h?k?mlerin kullan?lmas?na imkan sa?lar. Genetik algoritmalar yapay zekan?n gittik?e geni?leyen bir koludur. Evrimsel bir hesaplama tekni?idir. Genetik algoritmalar, do?ada g?zlemlenen evrimsel s?rece benzer bir ?ekilde ?al??an arama ve en iyileme y?ntemidir. Karma??k ?ok boyutlu arama uzay?nda ?al???rken, b?t?nsel en iyi ??z?m? arar. En iyinin hayatta kalmas? ilkesine g?re hareket eder. Yapay sinir a?lar? (YSA), insan beyninin bilgi i?leme teknolojisinden esinlenerek geli?tirilmi?tir. Basit bir biyolojik sinir sisteminin ?al??ma ?eklini sim?le eder. Sim?le edilen sinir h?creleri n?ronlar i?erir ve bu n?ronlar ?e?itli ?ekillerde birbirilerine ba?lanarak a?? olu?turur. YSA?lar ??renme, haf?zaya alma ve veriler aras?ndaki ili?kiyi ortaya ??karma kapasitesine sahiptir (4).

?T?bbi yapay zeka?n?n temel ilgi alan? klinik te?his i?lemlerini ger?ekle?tirebilecek ve tedavi ?nerilerinde bulunabilecek yapay zeka programlar?n?n olu?turulmas?d?r.

T?bbi yay?nlarda yapay zeka y?ntemlerinin kullan?m durumunu tespit etmek ?zere PubMed veri taban?nda ?artificial intelligence? kelimesi arat?lm??t?r. Y?llara g?re toplam makale say?s? Tablo 1?de verilmi?tir. 1998-2008 y?llar? aras?nda t?bbi yay?nlarda yapay zeka y?ntemlerini kullanan toplam 11.147 makale bulunmu?tur. Bu makalelerin 1769 tanesi bulan?k mant?k, 7476 tanesi YSA, 1902 tanesi ise di?er yapay zeka y?ntemlerini kullanmaktad?r. T?pta yapay zeka y?ntemlerini kullanan makale say?s?n?n ?stel olarak artt??? g?r?lmektedir (?ekil 1).


Tablo 1

?ekil 1

Yapay zeka y?ntemlerinin t?p alan?ndaki uygulamalar? ile ilgili makaleler yay?nlayan ?ok say?da SCI dergi bulunmaktad?r. Bu dergilerden baz?lar? ?unlard?r;

? Artificial Intelligence in Medicine

? Computers in Biology and Medicine

? Computer Methods and Programs in Biomedicine

? Medical & Biological Engineering & Computing

? IEEE Transactions on Information Technology in Biomedicine

BULANIK MANTIK

Bulan?k mant???n temelinde bulan?k k?me ve alt k?meler bulunmaktad?r. Klasik k?me teorisinde bir varl?k k?menin eleman?d?r ya da de?ildir. Bu durum matematiksel olarak ifade edilirse varl?k k?menin eleman? oldu?unda ?1?, k?menin eleman? olmad???nda ?0? de?erini almaktad?r. Bulan?k mant?ktaki k?meler klasik k?melerin geni?letilmi? halidir. Bulan?k varl?k k?mesinde her bir varl???n ?yelik derecesi vard?r. Varl?klar?n ?yelik derecesi, [0 1] aral???nda herhangi bir de?er olabilir. ?yelik derecesi ?yelik fonksiyonu ?(x) ile g?sterilir.

Olas?l?klar ve bulan?k mant?k birbirini tamamlar. G?nl?k hayatta ?? hepatit hastal???ndaki t?m olgular?n %60??nda ?iddetli ate?, %45?inde sar?mt?rak cilt rengi ve %30?unda bulant? g?r?l?r? bi?imindeki ifadeler t?pta s?kl?kla kullan?lmaktad?r. Bulan?k mant?k bu ifadedekine benzer dilsel de?i?kenleri ve belirsizlikleri modelleme yetene?ine sahiptir (5).

?rne?in; y?ksek ate? probleminin bulan?k k?me teorisine uygulanmas? ?ekil 2?de g?sterilmi?tir (5).


?ekil 2

??e?itli ate? derecelerinin ?iddetli ate? bulan?k k?mesine ?yelikleri a?a??daki gibi g?sterilebilir:

??A(35?C)= 0????? ??A(38?C)= 0.1?????? ??A(41?C)= 0.9

??A(36?C)= 0????? ??A(39?C)= 0.35????? ??A(42?C)= 1

??A(37?C)= 0????? ??A(40?C)= 0.65????? ??A(43?C)= 1

Bulan?k mant?kta bir de?er birden fazla k?menin eleman? olabilir. Ate?in ?iddeti i?in tan?mlanm?? bulan?k k?meler (d???k ate?, normal, y?ksek ate?, ?iddetli ate?) ve bu k?melerin ?yelik fonksiyonlar? ?ekil 3?te g?sterilmi?tir. ?ekilden de g?r?lece?i ?zere 38?C?lik ate? de?eri y?ksek ate? k?mesine b?y?k ?l??de ?ye iken, ?iddetli ate? k?mesine ?ok az ?yedir.


?ekil 3

Bulan?k mant?k, bulan?k denetleyicilerden olu?maktad?r. ?ekil 4?te basit bir bulan?k mant?k sistemi g?r?lmektedir. Bulan?k mant?k kontrol stratejisi dilsel seviyede tan?mlan?r (5).


?ekil 4

Bulan?kla?t?rma i?lemi ?l??len giri? bilgilerini dilsel niteleyiciler olan sembolik de?erlere d?n??t?rme i?lemidir. ?yelik i?levinden faydalan?larak giri? bilgilerinin ait oldu?u bulan?k k?me/k?meler ve ?yelik derecesi tespit edilerek girilen de?erler d???k, normal, y?ksek gibi dilsel de?i?kenler olarak atan?r (6).

Model veya kontrol?r?n giri? ve ??k?? de?i?kenleri belirlenip, de?i?kenler i?in ifade k?meleri (d???k, normal, y?ksek vb.) se?ildikten sonra bir kural tabanda bulunan kurallar kullan?larak giri? ve ??k?? aras?ndaki ba?lant?lar sa?lan?r. Sistemin giri?leri A ve B, ??k??? C ise;

E?ER A = x ve B = y ise O HALDE C = z

?eklindeki bulan?k kural A ve B giri? de?erlerine g?re C ??k???n?n bulan?k de?erini belirler.

Bulan?kla?t?r?lm?? giri?leri ve kural taban?nda saklanan kurallar? kullanan ??kar?m birimi, gelen verileri i?ler ve bir bulan?k ??k?? ?retir. Bu ??k?? ger?ek sistemde kullan?laca?? i?in bulan?k de?erlerden ger?ek de?erlere d?n??t?r?lmesi gerekir. Bu i?leme durulama denir (7).

T?pta kullan?lan ?o?u kavram bulan?kt?r. T?bbi kavramlar?n ve bu kavramlar aras?ndaki ili?kilerin kesin olmayan do?as? nedeniyle bulan?k mant?k y?ntemi t?bbi uygulamalar i?in uygundur. Kesin olmayan t?bbi durumlar bulan?k k?melerle tan?mlanabilir. Bulan?k mant?k yakla??k sonu? ??karma yetene?ine sahip ??z?m ?retme metodlar? ?nermektedir (8). T?ptaki prati?in karma??kl??? nedeniyle geleneksel nicel analiz yakla??mlar? uygun olmamaktad?r. T?ptaki bilgi yetersizli?i ve belirsizli?i ile ?o?u zaman bu bilginin ?eli?kili olu?u genel ger?eklerdir. Belirsizli?in kaynaklar? a?a??daki gibi s?n?flanabilir (9):

1. Hasta hakk?ndaki bilgi.

2. Hastan?n t?bbi ?yk?s?, ?o?u zaman hastan?n kendisi ve/veya ailesi taraf?ndan sa?lan?r. Bu bilgi genellikle b?y?k ?l??de subjektif ve belirsizdir.

3. Sa?l?k muayenesi. Hekim ?o?u zaman nesnel veri elde eder, fakat baz? durumlarda normal ve patolojik durumlar aras?ndaki s?n?r keskin de?ildir.

4. Laboratuvar ve di?er te?hisle ilgili test sonu?lar?. Bunlar da baz? hatalara ve hatta inceleme ?ncesi hastan?n yanl?? davran???na maruz kalabilir.

5. Hastada sahte, abart?l?, oldu?undan az g?sterilen semptomlar olabilir. Hasta semptomlar?n baz?lar?ndan bahsetmeyi ihmal edebilir.

Bulan?k mant?k t?p alan?nda ?nemli bir rol oynamaktad?r ve pek ?ok t?bbi uygulamada ara?t?r?lm??t?r (10). Bulan?k mant???n t?ptaki uygulamalar?ndan baz?lar? a?a??daki gibidir (9);

? Meme kanseri, akci?er kanseri veya prostat kanserini tespit etmek,

? Santral sinir sistemi t?m?rlerinin te?hisine yard?mc? olmak,

? ?yi huylu lezyonlar? k?t? huylu olanlardan ay?rt etmek,

? ?la? kullan?m?n?n nicel tahminlerini g?stermek,

? Fel? alt t?rlerini ve e?lik eden iskemik felci karakterize etmek,

? Radyasyon terapisindeki karar vermeyi geli?tirmek,

? Anestezi s?ras?ndaki hipertansiyonu kontrol etmek,

? Fleks?r-tendon onar?m tekniklerini tespit etmek,

? Uygun lityum dozaj?n? tespit etmek,

? Manyetik rezonans g?r?nt?lerindeki beyin dokular?n?n hacim ve oylumunu hesaplamak ve fonksiyonel manyetik rezonans g?r?nt?lerini analiz etmek.

?rnek Uygulama: FuzzyKBWean: Suni Havaland?rmadan Ay?rmak ??in Bir Bulan?k Kontrol Sistemi

Kalp ve g???s bo?lu?unu ilgilendiren cerrahiden sonra bir yo?un bak?m servisinde mekanik olarak oksijen verilen hastalarda uygulanan FuzzyKBWean, mekanik havaland?rman?n ?? safhas? boyunca (stabilizasyon, ay?rma ve son olarak hastan?n ekst?basyonu) mekanik ventilasyon sisteminin ayarlar?ndaki de?i?iklikler i?in ?neriler sunmaktad?r. A??k-d?ng? sisteminde hasta veri y?netimi sistemine entegrasyonu yap?lan FuzzyKBWean bir dakika zaman ??z?n?rl???ne sahiptir. Uzun d?nem hedefi olarak kapal?-d?ng? sisteminde ventilat?re otomatik moda entegrasyonu hedeflenmektedir. FuzzyKBWean sisteminin yap?s? ?ekil 5?te verilmi?tir (11,12,13).


?ekil 5

FuzzyKBWean sistemi geli?tirilirken safhaya ba?l? bulan?k k?meler ve dilsel E?er/O Halde kurallar? kullan?lm??t?r. Kurallar?n genel yap?s?; ?E?er: Hastan?n fizyolojik parametreleri ve ventilat?r ?l??m parametreleri x de?erinde ise O Halde: Ventilat?r ayarlar?ndaki de?i?iklikler i?in ?neriler y?dir? ?eklindedir. Bulan?kla?t?rma ad?m?nda aritmetik, istatistik, kar??la?t?rmal?, mant?ksal, ge?ici ve kontrol operat?rleri kullan?lm??t?r. Durulama ad?m?nda a??rl?k merkezi metodu kullan?lm??t?r. G?revli hekim ile do?rulama yap?larak a??k d?ng? olu?turulmu?tur.

Sistemde kullan?lan bulan?k kurallara birka? ?rnek a?a??daki gibi verilebilir;

Kural 1: E?er PaO2= ?ok d???k ve PaCO2= d???k ise O Halde FiO2-de?i?im= +10

Kural 2: E?er PaO2= normal ve PaCO2= normal ise O Halde FiO2-de?i?im= -5

Kural 3: E?er PaO2= y?ksek ve PaCO2= normal ise O Halde FiO2-de?i?im= -10

Sonu?ta FuzzyKBWean sistemini olu?turmak i?in 23 de?i?ken, 74 bulan?k k?me (safhaya ba?l?) ve 16 E?er/O Halde kural? [4 kural ?l??m hatalar? ve ge?erlilik i?in kontrol, 3 kural ventilasyon i?in (normal aral?k, hipoventilasyon, hiperventilasyon), 4 kural oksijenizasyon i?in (stabilizasyon, oksijenizasyon normal, hipoksi, ?iddetli hipoksi), 4 kural ara durumlar i?in (y?kselmi? EtCO2, azalm?? EtCO2, safha de?i?iklikleri), 1 kural ekst?basyon i?in] kullan?lm??t?r. Bilgi seviyesindeki do?al E?er/O Halde kurallar? ile hekimin t?bbi bilgisi FuzzyKBWean?e transfer edilmi?tir.

On rastgele hasta ?zerinde FuzzyKBWean?in g?revli hekimden 131 dakika ?nce do?ru ?ekilde tepki verdi?i g?r?lm??t?r. Ventilasyon parametrelerindeki d?zeltmeler oksijenizasyondaki d?zeltmelerden daha g?venilir olmu?tur. Safhaya ?zel kurallar ventilat?r ayarlar?nda s?k s?k ?ok k???k de?i?iklikler ?nermesine neden olmu?tur. Sonu?ta bu sistem ile hastan?n g?venli?ine ve konforuna katk? sa?lanm??t?r.

?YAPAY S?N?R A?LARI

YSA sistemin ba??ms?z de?i?kenleri olan giri?leri, ba??ml? kestirilen de?i?kenler olan ??k??lar ile ili?kilendirerek karma??k, do?rusal olmayan modeller olu?turur. YSA modelleme ve karar verme i?lemlerinde kullan?lan en ?nemli ara?lardand?r. Bunun nedeni, s?n?rl? ve tamamlanmam?? olan veri tabanlar?ndan en iyi sonucu ??karabilmesi ve farkl? e?itim algoritmalar? ile e?itilmeleri durumunda ba?ar?n?n art?r?labilmesidir. Bu ?zelliklerinin yan? s?ra, YSA?n?n klinik protokollerden ??kar?lan veriler, ?l??mlerden elde edilen laboratuvar verileri, i?aretler veya g?r?nt?lerden ??kar?lan ?znitelikler gibi bir sistemin farkl? yap?daki verilerini birle?tirerek t?mle?ik te?his sistemi olu?turma ?zelli?i vard?r. Farkl? disiplinlerdeki problemlerin ??z?mlenmesinde kullan?labilen YSA i?in farkl? a? mimarileri ve farkl? e?itim algoritmalar? geli?tirilmi?tir (14,15).

YSA hesaplama ve bilgi i?leme g?c? bak?m?ndan g??l?d?r. YSA bu g?c? paralel da??lm?? yap?s?ndan, ??renebilme ve genelleme yetene?inden al?r. Genelleme, YSA?n?n e?itim ya da ??renme s?recinde kar??la?mad??? giri?ler i?in de uygun tepkileri ?retebilmesidir. T?m bu ?zellikler YSA?n?n karma??k problemleri de ??zebilme yetene?ine sahip oldu?unu g?stermektedir. YSA?n?n temel i?lem eleman? olan n?ron, do?rusal de?ildir (?ekil 6). Bu nedenle h?crelerin birle?tirilmesiyle meydana getirilen YSA?da do?rusal de?ildir ve bu ?zellik b?t?n a?a yay?lm?? durumdad?r. Bu ?zellikle do?rusal olmayan karma??k problemlerin ??z?m?nde YSA en ?nemli ara? olmu?tur (16).


?ekil 6

?ekil 6?da giri?ler xn sembol? ile g?sterilmi?tir. Giri?ler (x1, x2, ?, xn) ?evreden ald??? bilgiyi sinire getirir. Giri?ler kendinden ?nceki sinirlerden veya d?? d?nyadan sinir a??na gelebilir. Bir sinir birden ?ok giri? al?r. A??rl?klar (w1, w2, ?, wn) yapay sinire sunulan giri?lerin sinir ?zerindeki etkisini belirleyen uygun katsay?lard?r. Giri?lerin her biri a??rl?k wn ile ?arp?l?r. Her giri?in kendine ait a??rl??? bulunmaktad?r. Bir a??rl???n de?erinin b?y?k olmas? o giri?in yapay sinire g??l? ba?lanmas? ya da ?nemli olmas?, k???k olmas? ise zay?f ba?lanmas? ya da ?nemli olmamas? anlam?na gelir. Bu ?arp?mlar?n toplam?ndan elde edilen sonu? e?ik de?eri ad? verilen j ile toplan?r. Baz? durumlarda toplama i?levi en az, en ?ok, ?o?unluk veya normalle?tirme algoritmas? gibi daha karma??k olabilir. Toplama i?leminin sonucu transfer fonksiyonundan ge?irilip ??k??a iletilir. Transfer fonksiyonu, n?ronun ??k?? genli?ini istenilen de?erler aras?nda s?n?rlar. Yayg?n olarak, do?rusal, basamak, sigmoid ve hiperbolik tanjant transfer fonksiyonlar? kullan?lmaktad?r (17).

Bir n?ronun ??k??? yi = f(x) transfer fonksiyonu sonucunun d?? d?nyaya veya di?er sinirlere g?nderildi?i yerdir. Bir n?ronun bir tek ??k??? vard?r. ??k?? de?eri ?ok say?da di?er n?rona giri? olarak verilebilir. Elde edilen ??k?? de?eri ile istenen ??k?? de?eri aras?ndaki fark belli bir de?erin ?zerindeyse hata geriye do?ru bir ?nceki katmana yay?larak a? hatas?n?n karesini minimize etmek i?in a??rl?klar?n de?erleri de?i?tirilir. Hata de?eri belli bir de?erin alt?na inene kadar iterasyon i?lemine devam edilir ve b?ylece a??n e?itim a?amas? tamamlanm?? olur. Katmanlar aras?ndaki ba?lant?lardaki a??rl?k de?erleri e?itimi tamamlam?? a?dan al?narak saklan?r. Saklanan a??rl?klar?n de?erleri deneme safhas?nda kullan?l?r. N?rondan elde edilen ??k?? sistem ??k??? olabilece?i gibi a?daki di?er n?ronlarda giri? de?eri olarak da kullan?labilir.

Bir?ok giri? i?in bir n?ron yeterli de?ildir. Paralel i?lem yapan birden fazla n?rona ihtiya? duyulmaktad?r. Bu nedenle katman kavram? devreye girmektedir. YSA?lar, ?ok say?da n?ronun birbirileriyle paralel olarak ba?l? oldu?u yap?lard?r.

Giri? katman?; giri? verilerinin a?a sunuldu?u katmand?r. Bu katmandaki n?ron say?s?, de?i?ken say?s?na e?ittir. Gizli katman; a??n temel i?levini g?ren katmand?r. Baz? uygulamalarda a?da birden fazla gizli katman bulunabilir. Gizli katmanlar?n say?s? ve gizli katmanlardaki n?ronlar?n say?s? probleme g?re de?i?mektedir. Gizli katman; giri? katman?ndan ald??? a??rl?kland?r?lm?? veriyi probleme uygun bir fonksiyonla i?leyerek bir sonraki katmana iletir. Bu katmanda gerekti?inden daha az say?da n?ron kullan?lmas? giri? verilerine g?re daha az hassas ??k?? elde edilmesine neden olur. Benzer ?ekilde gerekti?inden daha fazla say?da n?ron kullan?lmas? durumunda ayn? a?da yeni tip veri gruplar?n?n i?lenmesinde zorluklar ortaya ??kmaktad?r. ??k?? katman?; YSA?n?n en u? katman?d?r. Gizli katmandan ald??? veriyi a??n kulland??? fonksiyonla i?leyerek ??kt?s?n? verir. ??k?? katman?ndaki n?ron say?s?, a?a sunulan her verinin ??k?? say?s? kadard?r. Bu katmandan elde edilen de?erler YSA?n?n s?z konusu problem i?in ??k?? de?erleridir. Bir katmandan bir ba?ka katmana, aradaki katman? atlayarak ge?ebilmek m?mk?n de?ildir (18).

YSA?lar sinyallerin iletim y?n?ne ba?l? olarak ileri beslemeli ve geri beslemeli ?eklinde ikiye ayr?l?r (?ekil 7). ?leri beslemeli a?larda, sinyal iletimi, bir katmandaki n?ronlardan, bir sonraki katmandaki n?ronlara do?ru yap?l?r ve ayn? katmandaki n?ronlar aras? ba?lant? bulunmaz. Geri beslemeli a?larda ise, sinyal iletimi iki y?nl? (ileri ve geri) olarak da m?mk?nd?r ve bir ??k?? sinyali, giri? ve ??k?? de?erlerini dinamik bir ?ekilde kontrol edebilmektedir.


?ekil 7

YSA?n?n istenilen davran??? g?sterebilmesi i?in amaca uygun olarak ayarlanmas? yani e?itilmesi gerekir. E?itim i?lemi h?creler aras?nda do?ru ba?lant?lar?n yap?lmas? ve ba?lant?lar?n uygun a??rl?klara sahip olmas? gerekti?ini ifade eder. YSA?n?n karma??k yap?s? nedeniyle ba?lant?lar ve a??rl?klar ?nceden ayarlanamaz. YSA istenen davran??? g?sterecek bi?imde problemden edindi?i e?itim ?rneklerini kullanarak problemi ??renmelidir. Belirli bir problemi ??zmek amac?yla e?itilen YSA, problemdeki de?i?imlere g?re tekrar e?itilebilir. YSA?larda kullan?lan ?ok say?da ??renme kural? vard?r. ?nemli ??renme kurallar? aras?nda Hebb kural?, Hopfield kural?, delta kural?, e?imli de?i?im (Gradient Descent) kural? ve Kohonen ??renme kural? say?labilir (17).

A??rl?k ayarlama (??renme) s?recini bir noktada durdurmak i?in kullan?labilecek baz? makul kriterler vard?r. Bu t?r bir kriteri form?llemek i?in hata y?zeyine ait yerel veya genel minimum de?erlerden yararlan?lmaktad?r.

YSA, belirli bir problemi ??rendikten sonra e?itim s?ras?nda hi? kar??la?mad??? test ?rnekleri i?in de istenilen tepkiyi ?retebilir. ?rne?in; karakter tan?ma amac?yla e?itilmi? bir YSA, bozuk karakter giri?lerinde de do?ru karakterleri verebilir ya da bir sistemin e?itilmi? YSA modeli, e?itim s?recinde verilmeyen giri? sinyalleri i?in de sistemle ayn? davran??? g?sterebilir.

?rnekUygulama: YSA: Akut Apandisit Te?hisinde Yararl? Yard?m

YSA?n?n akut sa? kas?k a?r?s? bulunan hastalar?n te?hisindeki rol?n? de?erlendirmek amac?yla geli?tirilen sistemde bir e?itim hastanesinden elde edilen hasta verileri YSA?n?n e?itim ve testinde kullan?lm??t?r. Geri yay?l?ml? YSA kullan?lm?? ve sistem performans? deneyimli doktorlar?n yapt??? de?erlendirmeler ve Alvarado skor ile kar??la?t?r?lm??t?r (19).

YSA?da giri? olarak kullan?lan hasta verileri ?unlard?r;

? Semptomlar ve i?aretler:

- En ?ok ac? veren b?lge,

- Anoreksi (evet/hay?r),

- Mide bulant?s? (evet/hay?r),

- Kusma (evet/hay?r),

- Hassasiyet b?lgesi,

- Peritonizm (evet/hay?r),

- Ate?.

? Hematolojik de?erlendirmeler:

- Beyaz kan h?cresi say?s? (x 109/L),

- N?trofil say?s?.

? Demografikler:

- Ya?,

- Cinsiyet.

Bu ?al??mada YSA geri beslemeli algoritma ile e?itilmi?tir. Giri? katman?ndaki n?ron say?s? giri? de?i?kenlerinin say?s? olan 11?dir. Gizli katmandaki n?ron say?s? de?i?ik say?larda (2-15) n?ron i?eren farkl? a? tasar?mlar? denenerek deneysel olarak tespit edilmi?tir. ??k?? katman?ndaki n?ron say?s? ise 1?dir. ?ki te?his kategorisi i?in e?er hasta pankreatit ise 1, de?ilse 0 sonucu ?retilmektedir.

A??n e?itilmesi i?in a? a??rl?klar? ba?lang??ta rastgele atanm??t?r. Apandisit ??phesiyle ameliyat edilmi? 50 hasta verisi ile e?itim ger?ekle?tirilmi?tir. Bu hastalardan 25 tanesinde apandisit iltihab? oldu?u histopatolojik bulgularla daha ?nceden belirlenmi?tir. A?daki a??rl?klar, ??k??lar bilinen sonu?lara yakla?acak ?ekilde ayarlan?p de?i?tirilmi?tir. Ba?lant?lar?n a??rl?klar? t?m veri k?mesi i?in ortalama hata karesini azaltacak ?ekilde ayarlanm??t?r.

E?itim tamamland?ktan sonra, YSA, sa? kas?k a?r?s? bulunan ve sonu?lar? bilinen 20 hastaya ait (daha ?nce kullan?lmam??) veriler kullan?larak do?rulanm?? ve a??n optimizasyonu yap?lm??t?r. YSA, apandisit ??phesi bulunan 60 hastan?n verisi ile test edilmi?tir. YSA sonucu ile birlikte Alvarado skoru ve deneyimli bir cerrah?n yapt??? klinik te?his elde edilmi?tir. Sonu?lar Tablo 2?de verilmi?tir.


Tablo 2

Sonu?ta YSA tekni?i apandisitin te?his edilmesinde faydal? bir ara? oldu?u g?sterilmi?tir. Bu nedenle YSA tekni?i gereksiz ara?t?rmalar?, olumsuz apandisit ameliyat? oranlar?n? ve potansiyel olarak ortaya ??kabilecek maliyeti azaltabilece?i s?ylenebilir. Akut apandisitin te?hisinin daha zor oldu?u ve yanl?? negatif apandisit ameliyat? oranlar?n?n y?ksek oldu?u kad?n hastalardaki kullan?m? daha ileri de?erlendirmeler gerektirmektedir.

SONU?

YSAve bulan?k mant?k gibi yapay zeka y?ntemleri, ?e?itli t?bbi uygulama alanlar?ndaki kompleks klinik verilerin doktorlar taraf?ndan analizi, modellenmesi ve anla??lmas? i?in kullan?labilecek ?ok g??l? ara?lard?r.

T?pta bulan?k mant?k y?ntemi sa?l?k hizmetlerinin verimlili?ini ve g?venilirli?ini art?rmak ?zere kullan?labilecek umut veren fakat hen?z tam anlam?yla yararlan?lamayan geni? bir aland?r. Bulan?k mant?k y?nteminin anla??lmas? kolayd?r ve yaz?l?m olarak uygulanmas? da zor de?ildir. Ancak t?ptaki uygulamalar? yetersizdir. Karar verme i?lemlerinde kullan?labilecek bilgisayar uygulamalar?na uygun bir algoritma sa?lamaktad?r. Bulan?k mant?k sa?l?k hizmetlerinde kullan?lan baz? ayg?tlar?n otomatikle?tirilmesinde destek sa?layabilir. YSA?lar g?n?m?zde t?bbi te?his sistemlerini geli?tirebilecek g??l? bir ara?t?r. T?ptaki uygulamalar? genellikle otomatik t?m?r s?n?fland?rma gibi hastal?klar?n s?n?fland?r?lmas? veya hayatta kalma oranlar?, hastan?n belli bir tedaviye verdi?i tepkiyi tahmin etme gibi hastal???n sonucunu tahmin etmek ?eklindeki problemlerle ilgilenmektedir.

?e?itli klinik problemleri ??zme kapasitesine sahip pek ?ok farkl? yapay zeka tekni?i mevcuttur. Bu tekniklerin pratik d?zeydeki ba?ar?lar?n? ?l?mek ?zere daha ?ok kontroll? ?al??man?n yap?lmas? gerekmektedir. ?imdiye kadar yap?lan ?al??malar t?bbi yapay zekan?n sa?l?k hizmetlerinin verimlili?ini art?rmak ?zere klinik tedavi uzmanlar?na yard?mc? olmada hayati bir ?neme sahip oldu?unu g?stermektedir. Yapay zeka y?ntemlerinin klinik t?ptaki potansiyelleri konu ile ilgili yap?lm?? ?ok ?e?itli alanlardaki binlerce yay?ndan da anla??lmaktad?r. Bu y?ntemlerin hastal?klar?n ara?t?r?lmas? ve tedavisindeki g?c? heyecan uyand?rmaktad?r.

KAYNAKLAR

  1. McCarthy J. What is artificial intelligence? Computer Science Department, Stanford University. Available from: http://www-formal.stanford.edu/jmc/whatisai.pdf
  2. Nabiyev VV. Yapay Zeka. Ankara: Se?kin Yay?nlar?, 2003.
  3. Babal?k A, G?ler ?. Bo?az Enfeksiyonlar?n?n Te?his ve Tedavisinde Uzman Sistem Kullan?m?. Sel?uk ?niversitesi, Teknik Bilimler Meslek Y?ksekokulu, Teknik-Online Dergi 2007;6:2. [PDF]
  4. Begley RJ, Riege M, Rosenblum J, Tseng D. Adding intelligence to medical devices. Medical Device & Diagnostic Industry Magazine 2000;3:150.
  5. Industrial application of fuzzy logic control. Available from: http://www.fuzzytech.com/
  6. Elmas ?. Bulan?k mant?k denetleyiciler. Ankara: Se?kin Yay?nc?l?k, 2003.
  7. Fuzzy Logic Toolbox, MATLAB. Available from: http://www.mathworks.com/products/fuzzylogic/
  8. Phuong NH, Kreinovich V. Fuzzy logic and its applications in medicine. Int J Med Informatics 2001;62:165-73.
  9. Torres A, Nieto JJ. Fuzzy logic in medicine and bioinformatics. J Biomed Biotechnology 2006;1-7. [?zet]
  10. Abbod MF, von Keyserlingk DG, Linkens DA, Mahfouf M. Survey of utilisation of fuzzy technology in medicine and healthcare. Fuzzy Sets and Systems 2001;120:331-49.
  11. Schuh C, Hiesmayr M, Adlassnig KP, FuzzyKBWean: A fuzzy control system for weaning from artificial ventilation, Workshop on Fuzzy Diagnostic and Therapeutic Decision Support, 2000.
  12. Schuh C. Managing uncertainty with fuzzy-automata and control in an intensive care environment. In: Castillo O, et al., (eds). Theor. Adv. and Appl. of Fuzzy Logic, ASC 42. Berlin Heidelberg: Springer-Verlag, 2007:263-71.
  13. Schuh C, Koller W, Zelenka C, Kolb M, Hiesmayr M, Adlassnig KP. Knowledge acquisition for crisp- and fuzzy-controlled weaning in intensive care units, Proceedings of the World Automation Congress-WAC 2000. Albuquerque: TSI Press; 2000:583-8.
  14. Haykin S. Neural networks: A comprehensive foundation. New York: Macmillan College Publishing Company Inc, 1994.
  15. G?ler ?, ?beyli ED, ?ok katmanl? perseptron sinir a?lar? ile diyabet hastal???n?n te?hisi. Gazi ?niv. M?h. Mim. Fak. Dergi 2006;21:319-26. [PDF]
  16. Etikan ?, Elbozan Cumurcu B, ?am ?elikel F, Erkorkmaz ?, Yapay sinir a?lar? y?ntemi ve bu y?ntem kullan?larak psikiyatrik tan?lar?n s?n?flanmas?. T?p Bilimleri Dergisi 2009;29:2. [?zet]
  17. Elmas ?. Yapay Sinir A?lar?. Ankara: Se?kin Yay?nc?l?k, 2003.
  18. ?etin M, U?ur A, Bayzan ?. ?leri beslemeli yapay sinir a?lar?nda backpropagation (geriye yay?l?m) algoritmas?n?n sezgisel yakla??m?. Akademik Bili?im Kongresi, Pamukkale ?niversitesi, Denizli, ?ubat 2006.
  19. Prabhudesai SG, Gould S, Rekhraj S, Tekkis PP, Glazer G, Ziprin P. Artificial neural networks: Useful aid in diagnosing acute appendicitis. World J Surg 2008;32:305-9. [?zet]

Yaz??ma Adresi/Address for Correspondence

Ara?. G?r. Ay?e DEM?RHAN

Gazi ?niversitesi Teknoloji Fak?ltesi

Bilgisayar M?hendisli?i B?l?m?

Ankara-T?rkiye

E-posta: ayseoguz@gazi.edu.tr

Yazd?r