Yapay Zeka Destekli COVID-19 Tanı Sistemi

Yapay Zeka Destekli COVID-19 Tanı Sistemi

Günlük nesnelerin görüntülerinde makine öğrenimini kullanan yeni araştırmalar, solunum yolu hastalıklarını tespit etme doğruluğunu ve hızını arttırıyor ve tıbbi uzmanlık ihtiyacını azaltıyor.

Edith Cowan Üniversitesi (ECU) araştırmacıları, 1 milyondan fazla sıradan görüntüden oluşan bir veri tabanındaki algoritmaları eğiterek bu bilgiyi, bir X-ışını ile teşhis edilebilecek tıbbi durumların özelliklerini belirlemek için aktarmıştır.

“Transfer öğrenme” olarak bilinen bu tekniğin sonuçları, göğüs röntgenlerinde COVID-19’u tespit ederken yüzde 99,24’lük bir başarı oranı elde etmiştir.

Çalışma, görüntü tanıma makine öğrenimindeki en büyük zorluklardan birini ele almaktadır: algoritmalar belirli öznitelikleri doğru bir şekilde tanıyabilmek için büyük miktarda veriye, bu durumda görüntülere ihtiyaç duymaktadır.

ECU Fen Bilimleri Okulu araştırmacısı Shams Islam, bunun ortaya çıkan veya nadir görülen tıbbi durumları tanımlamak ve teşhis etmek için inanılmaz derecede yararlı olduğunu söylemiştir.

“Tekniğimiz sadece göğüs röntgenlerinde COVID-19’u değil, aynı zamanda pnömoni gibi diğer göğüs hastalıklarını da tespit etme kapasitesine sahiptir. Bunu 10 farklı göğüs hastalığı üzerinde test ettik ve son derece doğru sonuçlar elde ettik” dedi.

“Normalde, yapay zeka tabanlı yöntemlerin göğüs hastalıklarının tespitini doğru bir şekilde gerçekleştirmesi zordur çünkü yapay zeka modelleri, hastalıkların karakteristik ayırt edici özelliklerini anlamak için çok büyük miktarda eğitim verisine ihtiyaç duymaktadır.”

“Verilerin tıp uzmanları tarafından dikkatli bir şekilde açıklanması gerekiyor, bu zahmetli bir süreç olmasının yanında önemli bir maliyeti de beraberinde getirmektedir.”

“Bizim yöntemimiz bu gereksinimi atlıyor ve çok sınırlı miktarda açıklamalı veri ile doğru modelleri öğreniyor.”

“Bu tekniğin şu anda kullandığımız hızlı COVID-19 testlerinin yerini alması pek olası olmasa da, diğer tıbbi teşhislerde görüntü tanıma kullanımı için önemli çıkarımlar var” demiştir.

Eğitimde Kısa Yoldan Gitmek

Baş yazar ve ECU doktora adayı Fouzia Atlaf, yaklaşımı diğer tıbbi konulara uyarlamak için gereken süreyi önemli ölçüde azaltmanın anahtarının, algoritmayı büyük ImageNet veritabanıyla önceden eğitmek olduğunu söylemiştir.

“ImageNet, tıp uzmanlarının göğüs röntgenlerinin olması gerektiği gibi, insanlar tarafından sınıflandırılmış 1 milyondan fazla görüntüden oluşan bir veri tabanıdır” dedi.

“Aradaki fark, veri tabanındaki görüntülerin tıbbi uzmanlığı olmayan kişiler tarafından sınıflandırılabilen normal ev eşyalarına ait olmasıdır.”

Dr. Islam ve Altaf, doğruluğu arttırmak ve eğitim süresini daha da azaltmak için tekniğin gelecekteki araştırmalarda daha da geliştirilebileceğini umuyor.

Araştırma makalesi, COVID-19 ve diğer göğüs hastalıklarının X-ışınlarından sınıflandırılması için yeni bir arttırılmış derin transfer öğrenimi makalesi Neural Computing and Applications Dergisi’nde yayınlandı.

Kaynak: techxplore.com

32 Kez Okundu

Yazar Hakkında

Hacer Demir

27 Nisan 1993’te Bursa’da doğdu. Uludağ Üniversitesi Çevre Mühendisliği Bölümü ve Anadolu Üniversitesi Açıköğretim Fakültesi Marka İletişimi bölümü mezunu. UÜ Endüstri Mühendisliği Bölümü'nde yüksek lisans yapıyor. İlgi duyduğu alanlarda eğitim ve programlara katılmayı, yeni şeyler öğrenmeyi ve kendini geliştirmeyi seviyor. Yenilikçi haberleri takip etmeyi ve çeviri yapmayı sevdiği için 2017 yılından bu yana İnovatif Kimya Dergisi ekibinde yer alıyor.

Kopyalamak Yasaktır!