Doktorlar tanı koymayı nasıl öğrenir? Makineler de bunu öğrenebilir mi? (Okuma süresi: 4 dk)
Dr. Siddhartha Mukherjee‘nin büyük bir hayranıyım.
Kendisi bir kanser uzmanı, araştırmacı, kök hücre biyoloğu ve ayrıca olağanüstü derecede yetenekli bir yazar ve eşsiz bir bilim öğretmeni. Daha önce kanser hakkındaki Pulitzer ödüllü “The Emperor of All Maladies: A Biography of Cancer” (Tüm Hastalıkların İmparatoru: Kanserin Biyografisi, Domingo Yayınevi) ve genetik hakkındaki “The Gene; An İntimate History” kitaplarını değerlendirmiştim. Başka bir kitap üzerine çalıştığını öğrenince çok mutlu oldum; bu kez immünoloji (bağışıklık bilimi) üzerine yazıyor, diğer şeylerin yanısıra “aşı ve otizmle ilgili saçmalıklar” konusu da ele almayı planlıyor. Okumak için sabırsızlanıyorum.
Yazdığı her şey okumaya değer ve şanslıyız ki onu okuyabilmek için sonraki kitabını beklememize gerek yok. 3 Nisan 2017 tarihli The New Yorker’da “A.I Versus M.D.” (Yapay Zeka Tıp Doktoruna Karşı) başlıklı bilgi dolu makalesinde düşüncelerimizi besliyor ve bize “Tanılar otomatikleştirildiğinde neler olur?” sorusunu soruyor. Linke tıklamanız ve bu orijinal makalenin tamamını okumanızı isterim. Tüm detayları ve yazı stiliyle okuması oldukça tatmin edici ama bunun için zamanı ve hevesi olmayanlara kısa bir özet sunma girişiminde bulunacağım.
Uzmanlık eğitimi alan doktorların bilgisayarlı tomografi (BT) aracılığıyla inmenin erken işaretlerine tanı koymayı öğrenmeleriyle başlıyor. Bir stajyer doktor BT’de tam olarak tarif edemediği bir şeyler görür. BT ona “garip” görünüyordur. Elbette takip eden taramalarda “garip” görünen beyin bölgesinde bir inmenin geliştiği ortaya çıkar. Garip bölgeyi fark eden doktor, bunu fark etmek için herhangi bir kural kitabı kullanmadığını kabul eder. Süreç kısmen bilinçdışıdır. Radyologlar büyürken öğrenirler ve yeteneklerini geliştirirler. Bir makine de bunu ya da daha iyisini yapabilir mi? Benzer şekilde zamanla büyüyüp öğrenebilir mi?
Mukherjee soruyor: “Doktorlar tanı koymayı nasıl öğrenir ve makineler de bunu öğrenebilir mi?” Tıp fakültesinde ona öğretilen tanı koyma sürecini adım adım anlatıyor: Hastanın öyküsünden ve fizik muayenesinden gerçekleri toplamak, potansiyel nedenleri listelemek, her birinin olasılığını göz önünde bulundurarak, laboratuvar ve görüntüleme testlerine dayanarak çalışılan hipotezi doğrulamak veya yanlışlamak. Fakat tanı koymanın gerçek sanatının o kadar kolay olmadığını da ekliyor. Oldukça fazla deneyime sahip uzman klinisyenler ince kalıpları öğrenir. Süreç gergedan gibi bir hayvanı tanımaya benzer: Gergedanı tanımak için diğer aday hayvanların hepsini metodik olarak incelemek ve elemek zorunda kalmazsınız, sadece “gergedan desenini” görür ve hayvanı tanırsınız.
Bilgisayarlar halihazırda EKG’leri ve mamografileri yorumlayabiliyor ama ona verilen kurallarla limitlenmiş oluyorlar ve doktorlar hala sonuçları gözden geçirmek zorundalar. Birçok “yanlış pozitif” var. Bilgisayar destekli tarama ile meme biyopsilerinin oranı arttı fakat küçük, invaziv meme kanserlerinin (en çok bulmak istediklerimiz) tespiti azaldı.
Bilgisayar bilimi, bağlantı ağırlıklarının istenilen çıktıları elde etmek için ayarlandığı “sinir ağları” eğitiminin hesaplama stratejisini kullanarak, kural tabanlı algoritmalardan öğrenme tabanlı algoritmalara ilerledi.
Bir çalışmada araştırmacılar, çeşitli cilt lezyonlarının binlerce görüntüsünü göstererek ve hatalarını düzelterek bilgisayarları deri kanserlerini tanımaları için eğittiler. Test yapıldığında bilgisayar, uzman dermatologlardan daha iyi bir performans gösterdi. Bilgisayarın tanısı %72 doğruyken; dermatologların skoru %66 idi. Bilgisayarlar da insan sezgisinin kendisini açıklayamaması gibi ne yaptığını ve nasıl yaptığını bize söyleyemiyor. (Bunu Tillie Teyze fenomeni olarak düşünmeyi severim. Tillie Teyzeyi gördüğünde onu hemen tanıyabilirsin ancak başkalarına Tillie Teyzeyi nasıl tanıyabildiğini açıklayamazsın ve onlara tanıyabilmeleri için nelere bakmaları gerektiğini öğretemezsin.)
Radyologlar gün gelip de gereksiz hale gelip, yerlerini makinelere bırakacaklar mi? Muhtemelen hayır, çünkü radyologlar sadece gördüklerini sınıflandırmakla kalmıyor, beklenmedik bulguları da fark edebiliyorlar. Ancak öğrenme tabanlı bilgisayarlar Pap smear okuma, kalp sesini dinleme veya psikiyatrik hastalarda nüksleri öngörme gibi konularda yardım edebilmek için büyük potansiyele sahipler. Mukherjee’nin röportaj yaptığı uzmanlardan biri diyor ki: “Daha iyisini yapabiliriz. Neden makinelerin de bize yardım etmesine izin vermeyelim?”
Dr. Mukherjee yoğun bir dermatoloğu gözlemliyor ve sadece sorunun ne olduğunu belirlemediğini, nedenini de sorduğunu belirtiyor. Kızarıklık, hasta şampuanını değiştirdiğinde mi ortaya çıktı? Bunun yanında doktor-hasta ilişkisinde insan faktörünün hastayı daha iyi hissettirmek gibi spesifik olmayan etkileri de vardır.
Endişeler mevcut. Bilgisayar teşhisi tıp uygulamasına nasıl entegre edilecek? Maliyeti ne olacak? Bilgisayar tanıda bir yanlışlık yaparsa sorumluluk kimin olacak? Doktorlar bilgisayarlara güvenmeye başlayıp kendi teşhis becerilerini geliştirmekte başarısız olurlar mı?
Mukherjee’nin nihai kaygısı bilimsel keşif sürecinin sıklıkla klinikte başlamasıdır. Klinisyenler tarafından “şans eseri” yapılan gözlemler hastalıkların patofizyolojisinin anlaşılmasında fayda sağlar. Bu fırsatı ihmal ederek tehlikeye atıyoruz. Makineler yalnızca öğretilenleri veya öğrenebildiklerini yapabilirler; insanlar gibi kutunun dışından düşünemezler.
*
Anasayfamızdan daha fazla sinirbilim yazısına ulaşabilir, podcast ve videolarımıza erişebilirsiniz.
*
Bu yazı ilk olarak Dr. Harriet Hall tarafından Science Based Medicine sitesinde “How Do Doctors Learn to Diagnose, and Can Machines Learn to Do It Too?” başlığıyla yayınlanmış olup NöroBlog ekibi tarafından Türkçeleştirilmiştir.
***
Yazıda refere edilen makaleden yola çıkarak NöroBlog Podcast 3. Bölümde “Yapay zeka bizi gereksizleştirecek mi?” başlığıyla konuşmuştuk. Okumak ve Dinlemek isteyenler için link:
NöroBlog Podcast 3. Bölüm: Yapay zeka bizi gereksizleştirecek mi?
