Tıbbi Yapay Zekâ, sağlık hizmetlerini ilerletme ve dünyadaki herkesin hayatını iyileştirme konusunda muazzam bir potansiyel taşır. Bununla birlikte, çıktıların klinik alana aktarılması için, yapay zekâ modellerinin performansının büyük ve çeşitli gerçek dünya veri kümeleri üzerinde değerlendirilmesi gerekir. Makine öğrenmesini herkes için daha iyi hale getirmeye adanmış açık bir küresel mühendislik konsorsiyumu olan MLCommons®, bugün Nature Machine Intelligence dergisinde Federated Benchmarking of Medical Artificial Intelligence with MedPerf (MedPerf ile Tıbbi Yapay Zekânın Federe Kıyaslaması) başlıklı makaleyi yayınladı ve bu güçlüğün üstesinden gelme yolunda önemli bir kilometre taşına ulaşıldığını açıkladı.
MedPerf, yapay zekâ modellerini çeşitli gerçek dünyadan tıbbi veriler üzerinde verimli bir şekilde değerlendiren ve hasta mahremiyetine öncelik verirken yasal ve düzenleyici riskleri azaltarak klinik etkinlik sağlayan açık bir kıyaslama platformudur. Nature Machine Intelligence’ta yayınlanan makale; 13 ülkede 20’den fazla şirket, 20’den fazla akademik kurum ve dokuz hastaneden uzmanların katıldığı ve MLCommons Medikal Çalışma Grubu’nun öncülük ettiği iki yıllık küresel bir işbirliğinin sonucudur.
Tıbbi yapay zekâ modellerinin farklı popülasyonlarda doğrulanması
Tıbbi yapay zekâ modelleri, genellikle sınırlı ve spesifik klinik ortamlardan elde edilen verilerle eğitilir ve bu da belirli hasta popülasyonlarına ilişkin istenmeyen yanlılıklara yol açabilir. Bu genellenebilirlik yoksunluğu, tıbbi yapay zekânın gerçek dünyadaki etkisini azaltabilir. Bununla birlikte, modellere erişim vererek onları daha çeşitli veri kümeleri üzerinde eğitmek zordur, çünkü gizlilik, yasal ve düzenleyici riskler veri sahiplerini kısıtlar. MedPerf, dünya genelindeki verileri yapay zekâ araştırmacıları için kolay ve güvenli bir şekilde erişilebilir hale getirerek tıbbi yapay zekâyı geliştirir. Böylece yanlılık azalırken, genelleştirilebilirlik ve klinik etki artar. “Amacımız, kıyaslamayı tıbbi yapay zekâyı geliştirmek için bir araç olarak kullanmak” diye belirten MLCommons Medical eş başkanı Dr. Alex Karargyris, şöyle ekliyor: “Modellerin büyük ve çeşitli veri kümeleri üzerinde tarafsız ve bilimsel olarak test edilmesi etkinliği artırabilir, yanlılığı azaltabilir, kamu güveni yaratabilir ve mevzuata uygunluğu destekleyebilir.”
Federe Değerlendirme, Veri Gizliliğini Sağlarken Yapay Zekânın Doğrulanmasını Mümkün Kılıyor
Daha da önemlisi MedPerf, sağlık kuruluşlarının hasta verilerine erişmeden yapay zekâ modellerini verimli bir şekilde ve insan denetimi altında değerlendirmesine ve doğrulamasına olanak tanıyor. Platformun tasarımı, tıbbi yapay zekâ modellerinin veri sağlayıcılarının tesislerinde uzaktan dağıtıldığı ve değerlendirildiği federe değerlendirmeyi temel alıyor. Bu yaklaşım, veri gizliliği endişelerini hafifletip sağlık hizmeti paydaşları arasında güven oluşturarak daha etkili bir işbirliğine yol açar.
MedPerf’te federe değerlendirme. Makine öğrenmesi modelleri, verilerini merkezi bir konuma aktarma ihtiyacı ya da zorunluluğu olmaksızın veri sahiplerine kendi tesislerinde yerel değerlendirme için dağıtılır.
Intel Laboratuvarları Araştırma Bilimcisi ve MedPerf teknik proje lideri Micah Sheller, “MedPerf güvenlik ve gizlilik tasarımının temelinde şeffaflık yatıyor” diyor ve ekliyor: “Bilgi güvenliği görevlilerinin kendilerinden paylaşmaları istenen her bilgi parçasını ve bu bilgilerin kimlerle paylaşılacağını bilmesi gerekir. Bu gereklilikten ötürü, MLCommons gibi açık kaynaklı ve kâr amacı gütmeyen bir konsorsiyum, MedPerf’i oluşturmak için doğru yer haline geliyor.”
MedPerf’in Orkestrasyon Yetenekleri Araştırma Süresini Aylardan Saatlere İndiriyor
MedPerf’in orkestrasyon ve iş akışı otomasyonu yetenekleri, federe öğrenme çalışmalarını önemli ölçüde hızlandırabilir. University of Pennsylvania, Perelman Tıp Fakültesi’nde Yardımcı Doçent ve MLCommons Medical çalışma grubunun kıyaslama ve klinik alana aktarma başkan yardımcısı Dr. Spyridon Bakas, “MedPerf’in orkestrasyon yetenekleri sayesinde, aynı işbirlikçiler aracılığıyla birden fazla yapay zekâ modelini aylar yerine saatler içinde değerlendirebiliriz” diyor.
Bu verimlilik, Glioblastoma üzerine yapılan en büyük federe deney olan Federated Tumor Segmentation (FeTS) Challenge‘da (Federe Tümör Segmentasyonu Yarışması) gösterildi. Altı kıtada 32 bölgeyi kapsayan FeTS Challenge, 41 farklı modeli kıyaslamak için MedPerf’i başarıyla kullandı. Dana-Farber, IHU Strasbourg, Intel, Nutanix ve University of Pennsylvania ekiplerinin aktif katılımı sayesinde MedPerf, akademik tıbbi araştırmaları temsil eden bir dizi pilot çalışmayla da doğrulandı. Bu çalışmalar; beyin tümörü segmentasyonu, pankreas segmentasyonu ve cerrahi iş akışı aşaması tanıma dahil olmak üzere şirket içi ve bulut teknolojisindeki genel ve özel verileri içeriyordu.
“MedPerf’in tüm modellerin hastanenin sistemlerinde, önceden kararlaştırılmış veri standartlarından yararlanarak, herhangi bir veri paylaşmaksızın çalıştığı tıbbi yapay zekâ pilot çalışmalarının sonuçlarını görmek heyecan verici” diye belirten Dana-Farber Kanser Enstitüsü Bilişim ve Analitik departmanında Yapay Zekâ Operasyonları ve Veri Bilimi Hizmetleri Direktörü ve MLCommons Medikal Çalışma Grubu Eş Başkanı Dr. Renato Umeton, şöyle ekliyor: “Sonuçlar, federe değerlendirme yoluyla yapılan kıyaslamaların, daha kapsayıcı yapay zekâ destekli tıbba giden yolda doğru yönde atılmış bir adım olduğunu kanıtlıyor.”
MedPerf, dünya çapında 30’dan fazla hastaneye hizmet veren Synapse platformunda FeTS 2022 ve BraTS 2023 için gerekli ad-hoc bileşenleri oluşturmak için Sage Bionetworks (synapse.org) ile ve Hub platformundan yararlanmak ve yeni kıyaslama sonuçlarının HF altyapısını nasıl kullanabileceğini göstermek için Hugging Face (HF.co) ile işbirliği yaptı. MedPerf, daha geniş çapta benimsenmeyi sağlamak için fast.ai gibi kullanım kolaylığı, esneklik ve performans sunan popüler makine öğrenmesi kütüphanelerini destekliyor. Ayrıca Microsoft Azure OpenAI Services, Epic Cognitive Computing ve HF çıkarım noktaları gibi özel yapay zekâ modellerini ya da yalnızca API aracılığıyla kullanılabilen yapay zekâ modellerini de destekliyor.
MedPerf’te Diğer Biyomedikal Görevleri Yerine Getirmek
İlk kullanımları radyolojiye odaklanmış olsa da, MedPerf her türlü biyomedikal görevi destekleyen esnek bir platformdur. MedPerf, makine öğrenmesi hatlarını hızlı ve kolay bir şekilde oluşturmaya odaklanan kardeş projesi GaNDLF aracılığıyla, dijital patoloji ve omiks gibi birden fazla görevi yerine getirebilir. Ayrıca açık topluluğu destekleyen MedPerf, veri mühendisliği boşluğunu doldurmak ve son teknoloji ürünü önceden eğitilmiş bilgisayarlı görü ve doğal dil işleme modellerine erişim sağlamak için PathML (pathml.org) ya da SlideFlow (slideflow.dev), Spark NLP (sparknlp.org) ve MONAI (monai.io) gibi hesaplamalı patolojideki özel düşük kodlu kütüphaneler için örnekler de geliştiriyor.
Tıbbi Yapay Zekâyı Değerlendirmek ve İlerletmek İçin Temel Bir Adım
MedPerf, MLCommons Tıbbi Çalışma Grubu’nun açık, tarafsız ve bilimsel bir yaklaşımla tıbbi yapay zekâyı hızlandırmak için ölçütleri ve iyi uygulamaları geliştirme misyonuna yönelik temel bir adımdır. Ekip, bu tür çabaların tıbbi yapay zekâya olan güveni artıracağı, klinik ortamlarda makine öğrenmesinin benimsenmesini hızlandıracağı ve nihayetinde tıbbi yapay zekânın hasta tedavisini kişiselleştirmesini, maliyetleri düşürmesini ve hem sağlık hizmeti sağlayıcısını hem de hasta deneyimini iyileştirmesini sağlayacağı görüşündedir.
Ekip, yayının ortak yazarlarına değerli katkıları için teşekkür eder.
Katılım Çağrısı
Tıbbi yapay zekâ inovasyonunu teşvik etmeye devam etmek ve yapay zekâ araştırması ile gerçek dünyadaki klinik etki arasındaki boşluğu doldurmak için geniş işbirliğine, tekrarlanabilir, standardize edilmiş ve açık hesaplamaya ve de akademi, endüstri ve klinik uygulamaları kapsayan tutkulu bir topluluğa ihtiyaç vardır. Sağlık uzmanlarını, hasta savunuculuğu gruplarını, yapay zekâ araştırmacılarını, veri sahiplerini ve düzenleyicileri MedPerf çabalarına katılmaya davet ediyoruz.
MLCommons Hakkında
MLCommons®, makine öğrenmesi inovasyonunu hızlandırmayı ve toplum üzerindeki olumlu etkisini artırmayı misyonu olarak belirlemiştir. MLCommons; dünyanın dört bir yanından start-up’lar, lider şirketler, akademisyenler ve kâr amacı gütmeyen kuruluşlar dahil olmak üzere 50’den fazla kurucu üyesi ve bağlı kuruluşuyla birlikte kıyaslamalar, kamuya açık veri kümeleri ve iyi uygulamalar yoluyla makine öğrenmesinin bir araştırma alanından olgun bir sektöre dönüşmesine yardımcı olmaktadır.
MLCommons hakkında ayrıntılı bilgi ve Üye ya da İştirakçi olmaya ilişkin bilgiler için lütfen MLCommmons adresini ziyaret edin ya da participation@mlcommons.org adresinden iletişime geçin.
