GİRİŞ

Bilgi işlem gücündeki gelişmeler sayesinde son on yılda yapay zekanın tıbbi görüntüleme alanında kullanımına yönelik çalışmalar artmıştır. Elde edilen başarılı sonuçlar hem araştırmacıların hem potansiyel kullanıcıların hem de yatırımcıların büyük ilgisini çekmiştir.

Tıbbi görüntülerin işlenmesi ve analizinde yapay zekanın kullanım amacı, uzmanların görüntüleri daha iyi yorumlamasını ve daha doğru tanı koymasını sağlamak, klinik yararlanımı artırmak, yapılan işi zaman ve maliyet açısından daha ekonomik hale getirmektir. Genel kanı, yapay zekanın radyologların rakibi veya alternatifi olmayıp aksine onların kullandığı yardımcı ve faydalı bir araç olacağı yönündedir.

İnterstisyel akciğer hastalıklarının (İAH) etkin yönetiminde, hastalığın erken ve doğru tanısı, şiddetinin belirlenmesi, prognozun öngörülmesi ve tedaviye yanıtın kesin doğrulukla belirlenmesi ile ilgili zorluklar yaşanmaktadır. Makine öğrenmesi, bu zorlukların aşılmasında alternatif çözüm yöntemleri sunmaktadır (Tablo 1). Tıbbi görüntü işleme ve analizi alanında, ağırlıklı olarak derin öğreneme yöntemi kullanılarak geliştirilmiş doku tabanlı analiz ve patern tanıma uygulamalarının yakın gelecekte hasta değerlendirmesinin rutin bir parçası olacağı öngörülmektedir [1].

Erken ve Doğru Tanı

Benzer semptomlara ve klinik özelliklere sahip olmasına rağmen İAH, patolojik olarak farklı özelliklere ve prognoza sahip heterojen bir hastalık grubudur [1]. İAH tanısının doğru konulması çok önemlidir çünkü hastalık seyrini ve tedaviye yanıtı tahmin etmeye yardımcı olur. Ancak hastalığın tanısında radyopatolojik paternlerin temel alındığı karmaşık bir klinik, radyolojik ve patolojik tanı süreci yaşanır.

Yüksek çözünürlüklü akciğer bilgisayarlı tomografisi (YÇBT), İAH şüphesi olan tüm hastalarda rutin olarak kullanılır ve hastalık morfolojisi ile hastalığın yaygınlığının invazif olmayan bir şekilde görüntülenmesini sağlar [2]. Bununla birlikte, YÇBT bulgularının görsel değerlendirmesinde gözlemci-içi ve gözlemciler-arası uyumun yüksek olmayışı, hastalığın tanısını zorlaştırır [2-5]. Bu zorluk sayısal, objektif ve tekrarlanabilir nitelikte olan kantitatif görüntüleme yöntemiyle aşılarak hastalığın erken ve doğru tanısı koyulabilir [5, 6].

Ayrıca, İAH şüphesi olmayan ancak YÇBT’de raslantısal olarak saptanan subklinik interstisyel akciğer anormallikleri bulunan olguların bir kısmının ilerleyen yıllar içerisinde İAH geliştirdiği gözlemlenmiştir [7]. Bu grup olgular içerisinde hangisinin İAH geliştirdiğinin belirlenmesi klinik açıdan henüz mümkün değildir. Derin öğrenme tabanlı algoritmalar sayesinde interstisyel akciğer anormalliklerinin davranış paternini analiz etmenin ve hastalık gelişimini öngörmenin mümkün olabileceği öne sürülmektedir [3, 5, 8].

Hastalığın Şiddetinin Belirlenmesi

Yüksek çözünürlüklü akciğer bilgisayarlı tomografisi ile İAH’nin görsel değerlendirmesi, kısa takip süreleri boyunca hastalık şiddetindeki değişikliklere karşı çok az duyarlılığa sahiptir [2]. Objektif ve tekrarlanabilir nitelikte bir bilgisayar tabanlı teknik olan kantitatif bilgisayarlı tomografi (QBT) hastalığın takibinde kullanılabilecek güvenilir bir yöntemdir [4]. Yapılan çalışmalar BT atenüasyon değerlerinin istatistiksel analizi yapılarak hastalık şiddetinin ölçülebileceğini ortaya koymuştur [3, 5, 9, 10].

Computer-aided Lung Informatics for Pathology Evaluation and Rating (CALIPER), hacimsel histogram verisini ve morfolojik veriyi kullanarak YÇBT görüntülerindeki İAH bulgularını tam otomatik etiketleyen bir uygulamadır [11]. Mevcut olan buzlu cam miktarını, retiküler opasiteleri, bal peteği oluşumunu, damarla ilgili yapıları ve perivasküler fibrozu tanımlar ve bunların miktarını belirler. Ayrıca radyoloğa İAH’nin niceliğini belirlemede yardımcı olan grafiksel veriler sunar. Yakın zamanda yayınlanan bir çalışma, makine öğrenmesi kullanılarak belirlenen CALIPER skorlarının, idiyopatik  pulmoner fibrozis (İPF) tanısı koymada ve İPF’nin zaman içerisindeki ilerleyişini göstermede kullanılabileceği gösterilmiştir [12].

Prognozun Öngörülmesi

İnterstisyel akciğer hastalıklarının doğal seyri bireysel olup hastalar arasında oldukça değişkendir. Tanı anında elde olunan radyolojik ve klinik verilere dayanarak hastalığın seyrini önceden tahmin etmek henüz mümkün değildir [13].

İdiyopatik pulmoner fibrozis, prototipik progresif fibrotik akciğer hastalığı olmasına rağmen, İPF dışı progresif fibrotik akciğer hastalığının da tıpkı tedavi edilmemiş İPF’ye benzer bir hastalık seyri izleyebileceği ve bu hastaların antifibrotik ilaçlardan fayda gördüğü bilinmektedir [5, 14]. Bu durum, araştırmacıları temel radyolojik ve klinik verileri kullanarak progresif fibrotik akciğer hastalığının gelişimini güvenilir bir şekilde öngören biyobelirteçler bulmaya yöneltmiştir [3].

Klinik veya histopatolojik tanılarına bakılmaksızın bazı hastalar “ilerleyici pulmoner fibroz” olarak adlandırılan, geleneksel tedaviye rağmen ilerleyici hastalık davranışı gösterir [15]. Bu hasta grubunun belirlenmesi ve etkin tedavinin erken dönemde başlaması, hastalığın prognozu açısından büyük önem taşır. Ancak tanımlanmış modeller, özellikle tipik olağan interstisyel pnömoni (OİP) paterni görülmeyen olgularda, hastalığın seyrini öngörme ve tedaviye yanıt hakkında güvenilir bilgi verme konusunda yetersiz kalmaktadır [3]. Zorlu vital kapasite (FVC) değişikliği İPF’de ve İPF dışı ilerleyici İAH’de mortalitenin en iyi belirteci olarak kabul edilmekle birlikte doğruluk ve güvenilirlik düzeyi değişkendir [14, 16-18]. Tedaviye yanıtı değerlendirmek için daha hassas ve tekrarlanabilir biyobelirteçlere ihtiyaç vardır [5].

Tanısal bir derin öğrenme algoritması olan Systematic Objective Fibrotic Imaging Analysis Algorithm (SOFIA), büyük ulusal bir İPF çalışma grubunda prognozu belirlemede başarılı olmuştur [19]. Sonraki çalışmalarda prognoz belirlemeye yönelik algoritmaların radyolojik verilerle birlikte fizyolojik, proteomik ve genomik verileri kullanmasının başarımı artırdığı gösterilmiştir [3].

Bu makalede İAH’nin radyolojik tanısında ve yönetiminde karşılaşılan zorlukların aşılmasında makine öğreniminin sunduğu problem çözücü yöntemlerin ana hatları ile anlatılması amaçlanmıştır. Yapılmış çalışmalar ve geliştirilmiş uygulamaların büyük çoğunluğunda YÇBT görüntüleri kullanıldığı için makale YÇBT temel alınarak hazırlanmıştır.

KANTİTATİF BİLGİSAYARLI TOMOGRAFİ VE İNTERSTİSYEL AKCİĞER HASTALIKLARI

Yüksek çözünürlüklü akciğer bilgisayarlı tomografisine dayalı kantitatif analizler, İAH’de gözlemciler arası değişkenlik oranlarının yüksek olması nedeniyle önem taşır. Öncü QBT çalışmalarında akciğer bölütlenmesine, görüntü ön işlemeye (örneğin; gürültünün azaltılması) ve farklı görüntülerin çakıştırılmasına yönelik algoritmalar geliştirilmiştir. İlerleyen yıllarda akciğer dansitometrisine yönelik histogram çalışmaları ön plana çıkmıştır (Resim 1) [1]. Bu çalışmalarda, akciğer parankimindeki değişimleri yansıtan eşik atenüasyon değerleri belirlenmiştir. Atenüasyon değerlerinin ortalama, medyan, çarpıklık ve basıklık gibi birinci dereceden BT piksel istatistikleri yapılmış, atenüasyon histogramı kullanılarak tüm akciğerdeki veya seçilen bir bölgedeki önemli değişimleri ortaya koymak mümkün olmuştur [11, 20, 21].

Normal akciğer dokusunun BT atenüasyon histogramı yaklaşık -800 Hounsfield unit skalası (HU) değerinde pik yapar ve sola çarpıktır. İAH’de gelişen fibrozise bağlı yumuşak doku miktarındaki artış, ortalama akciğer yoğunluğunu artırır, histogram basıklığını ve eğriliğini azaltır (Resim 2a, b) [22]. Yapılan çalışmalarda, akciğerlerdeki yüksek atenüasyon alanlarının (-600 ile 250 HU) artışı, FVC ve egzersiz kapasitesinde azalma, hastalık progresyonu ve mortalite artışı ile ilişkili bulunmuştur [23]. Histogram eğrisinin çarpıklık ve basıklığının azalmasının akciğer fonksiyonundaki (FEV1, FVC ve TLC değerleri) değişim ile korale olduğu, İPF hastalarında artmış mortalite ve morbidite riskini gösterdiği ortaya konmuştur [7, 11, 24].

Ancak QBT ile elde edilen bu eşik ve ortalama atenüasyon verileri, karmaşık paternleri ve lokal parankim değişikliklerini ayırt etmede yetersiz kalır. Örneğin; OİP paterni olan İPF hastaları ile hipersensitivite pnömonisi ve sınıflandırılamayan idiyopatik interstisyel pnömoni hastalarının histogram analizinde basıklık, çarpıklık ve ortalama akciğer atenüasyonu açısından anlamlı fark tespit edilmemiştir [25, 26]. Uzaysal veri içermeksizin akciğerin bütününü kapsayan analizler, özellikle obstrüktif ve konstrüktif patolojileri birlikte barındıran olgularda kafa karıştırıcı olabilir [27, 28].

Doku tabanlı analiz yöntemi, ikinci derece istatistiksel parametreleri kullanarak piksellerin değerlerini ve bitişik pikseller arasındaki ilişkiyi belirleyen makine öğrenme yöntemidir. Bu yöntem, iki boyutlu veya hacimsel sınıflandırma algoritmaları kullanarak görüntü özelliklerini karakterize etmek, modellemek ve işlemek için kullanılır. Bu sayede İAH’de görülen retikülasyon, bal peteği ve traksiyon bronşektazisi gibi bulgular ayırt edilebilir [29]. Doku tabanlı analiz yöntemi kullanılarak elde edilen doku analiz skorlarının, solunum fonksiyonları ile güçlü korelasyon gösterdiği ve prognozu belirleyebildiği gösterilmiştir [30-32].

Uygulamadaki Zorluklar

Kantitatif bilgisayarlı tomografi ile yapılan akciğer analizlerinin en önemli kısıtlılıklarından biri, akciğer hacmi ve yoğunluğunun hastanın nefes tutma derinliği ile direkt ilişkili olmasıdır [1, 28]. Farklı hastalar arasında ve aynı hastanın farklı zamanlarda çekilmiş BT tetkikleri arasında inspiryum derinliğinin değişkenliği QBT’nin duyarlılığı ve tekrarlanabilirliği açısından dezavantajdır. Yetersiz inspiryuma bağlı atelektazi ve buzlu cam opasitelerinin görülmesi, hastalığın ilerlediği yanılgısına neden olabilir [1]. Bazı çalışmalarda, vital kapasitenin %90’ının analiz için en uygun inspiryum derinliği olduğu gösterilmiş olmakla birlikte çoğu merkezde spirometrik tetikleme ile çekim yapma imkânı bulunmamaktadır [33]. Kalp yetmezliği gibi eşlik eden hastalıkların veya kontrast madde gibi eksojen faktörlerin de akciğer atenüasyonu üzerine etkisi muhtemeldir, ancak bunların etkilerinin niceliksel analizi ile ilgili bilgiler yetersizdir [28].

Görsel değerlendirme için yeterli kalitede görüntü oluşturan çekim protokolleri ile elde olunan görüntülerin, QBT analizleri için uygun kalitede olmaması da önemli bir sorundur [34]. Örneğin; düşük mAs ile çekim yapılması veya tüp akım modülasyon metotlarının farklı cihaz firmaları tarafından farklı şekillerde kullanılması gibi nedenlerle, voksel atenüasyon değerlerinin standardizasyonu sağlanamamaktadır [34]. Voksel atenüasyon değeri üzerine etkili diğer bir parametre olan rekontrüksiyon kernelinin, orta keskinlikte olan nötral kernel seçilmesi de QBT analizleri için önemlidir [34]. Son yıllarda hasta dozunu azaltmaya yönelik yaygın olarak kullanılan bir rekonstrüksiyon metodu olan iteratif rekonstrüksiyon da yine voksel atenüasyon değerini değiştireceğinden, QBT için uygun değildir [34]. QBT için optimal akciğer çekim protokolleri belirlenmiş olsa da tüp akım modülasyonu ve iteratif rekonstrüksiyon gibi değişkenlerden etkilenmenin önüne geçilememiştir.

YAPAY ZEKA, MAKİNE ÖĞRENMESİ VE İNTERSTİSYEL AKCİĞER HASTALIKLARI

Yapay zeka, tipik olarak insan zekası gerektiren görevleri yerine getirebilen bilgisayar sistemleri için kullanılan genel bir terimdir [35]. Makine öğrenmesi, bilgisayarların belirli bir görevi yerine getirmek için örnek veri kümesinden kurallar çıkararak kendi kendilerine öğrenen sistemler oluşturmasına dayanan bir yapay zeka alt kümesidir [36]. Doğru ve klinik olarak yararlı modeller geliştirmek için, kod yazmak yerine örnek veri kümesine dayanarak kendi mantığını oluşturan algoritmalar geliştirilir.

Bir algoritma, kendisine sunulan eğitim veri kümesinde göze çarpan özellikleri karmaşık hesaplamalı istatistikler ve matematiksel optimizasyon yöntemleri aracılığıyla ayrıştırabilir. Eğitim setinde ayrıştırdığı bu özellikleri, bir başka veri setinde tahminlerde bulunmak ve sınıflandırma yapmak için kullanabilir.

Görüntüden özellik çıkarma, piksel ölçütünde, seçilmiş bir alanda veya bölütlenmiş bir organ düzeyinde yapılabileceği gibi görüntünün tamamını da kapsayabilir (Resim 3). Başlangıçta manuel olarak veya manuel düzeltme ile yarı otomatik olarak yapılan bölütlemeler, günümüzde makine öğrenmesi ve derin öğrenme sayesinde doğruluk, verimlilik ve tekrarlanabilirlik açısından büyük ilerleme kaydetmiştir [27].

Makine öğrenmesi türleri denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme olmak üzere üç gruba ayrılır. Denetimli öğrenmede makineye grupların sayısı ve türü de dahil olmak üzere önceden etiketlenmiş veriler verilir. Denetimsiz öğrenmede, makineye herhangi bir ön etiketleme yapılamamış veriler verilir ve nasıl gruplanacağını bağımsız olarak belirlemesi istenir. Pekiştirmeli öğrenmede ise makine genellikle deneme yanılma yoluyla en iyi eylemleri öğrenirler. İAH’de bu yöntemlerin herhangi biri veya birlikte kullanımı tercih edilebilir.

Araştırmacılar İAH’yi değerlendirmek amacıyla çeşitli makine öğrenimi yöntemleri uygulayarak, YÇBT’lerden çıkarılan görüntü özelliklerini analiz eden akciğer-doku tabanlı analiz yazılımları üzerinde çalışmaktadır.

Adaptive Multiple Features Method (AMFM), doku tabanlı analiz yöntemini kullanarak YÇBT görüntülerini normal akciğer, amfizem ve İAH olarak sınıflandırmak üzere geliştirilmiş uygulamaların ilklerindendir [37-39]. Matematiksel olarak türetilmiş 26 görüntü özelliğini kullanarak BT bulgularını sınıflandırabilir (fibrozis, buzlu cam, bal peteği, retikülasyon, vb.). İPF hastalarında bu yöntem ile saptanan buzlu cam dansitesi ve retiküler patern hacminin, hastalık progresyonu ile ilişkili olduğu gösterilmiştir [30].

Computer-­aided Lung Informatics for Pathology Evaluation and Rating, (CALIPER), önceden tespit edilmemiş biyobelirteçleri belirlemek için makine öğrenimini kullanan yazılımlara bir örnektir [40]. Bu yazılım tarafından hesaplanan pulmoner damar hacmi, pulmoner hipertansiyondan bağımsız olarak İAH spektrumunda akciğer fonksiyonundaki düşüşle ilişkili bulunmuştur. Bu alanda yapılan çalışmaların büyük çoğunluğunda YÇBT kullanılmış olmakla birlikte dual enerji BT [41], manyetik rezonans görüntüleme [42, 43] ve ultrasonografi [44] gibi farklı modalitelerin kullanıldığı araştırmalar da bulunmaktadır.

Derin Öğrenme ve İnterstisyel Akciğer Hastalıkları

Derin öğrenme, ilk ortaya çıkışı itibari ile, özellikle görseller arasındaki örüntülerin tanınmasında, özniteliklerin çıkarımında ve sınıflandırılmasında kullanılmak üzere geliştirilmiş bir yaklaşımdır ve yapay zekanın bir alt dalıdır [45]. Derin öğrenmenin geleneksel görüntü analizine göre avantajı, görsel olarak tespit edilemeyen değişkenler de dahil olmak üzere, klinik açıdan önemli görüntüleme değişkenlerini insan denetimi olmadan tanımlama potansiyeline sahip olmasıdır [46].

Özellik vektörü tabanlı sınıflandırma (regresyon), görüntülerden türetilmiş olması gerekmeyen veriler dahil olmak üzere, farklı türlerdeki birden çok özelliğin bileşik özellik vektörlerinde birbirine bağlanabilmesine olanak verir. Bununla birlikte, pratikte özelliklerin seçimi tipik olarak algoritma tasarımcısı tarafından önceden gerçekleştirilir ve muhtemelen yetersizdir. Derin öğrenme, büyük boyuttaki veri girişiyle bir veya daha fazla gizli katman içeren yapay sinir ağlarını kullanarak verideki ayırt edici özellikleri kendisi öğrenen makine öğrenme yöntemidir. Bu yöntem sayesinde, insan tarafından yapılan özellik seçme ve model tasarlama adımlarını ortadan kaldırarak otomatik bölütleme, yapılandırma (registration) ve patern sınıflama da dahil olmak üzere, geleneksel olarak zor olan bir dizi tıbbi görüntü işleminde büyük gelişme kaydedilmiştir [47].

İnterstisyel akciğer hastalıklarında ortaya çıkan YÇBT bulgularının saptanması ve hastaların sınıflandırılması da bir patern sınıflama problemidir. Derin öğrenme, özellikle yüksek boyutlu verilerdeki karmaşık paternleri keşfetmek ve bunları hastalık ilerlemesi veya ölüm oranı gibi basit ama nesnel sınıflandırmalarla eşleştirmek için uygun bir yöntemdir. Eğitimi güçlendirmek için yeterli görüntüleme verisi verildiğinde, nesnel sonuçlara (FVC düşüşü gibi) bağlı algoritmalar geliştirilebilir. Bu yaklaşımın iki faydası vardır. İlk olarak, veri etiketleri görüntülemenin kendisiyle ilgili subjektif ölçümlere (örneğin; radyolojik tanı) dayanmadığından, doğal önyargılar ve gözlemciyle ilgili değişkenlik algoritma eğitimine dahil edilmez. İkincisi, bu yaklaşım, görsel olarak değerlendirilemeyenler de dahil olmak üzere patern, dağılım ve diğer prediktif YÇBT özelliklerini kullanarak yeni hastalık fenotiplerinin tanımlanmasına izin verir.

Örneğin; İPF’de görülen tipik OİP paterni varlığını saptanmaya yönelik bir uygulama geliştirmek isteniyorsa, öncelikle YÇBT görüntülerinin OİP paterni varlığı veya yokluğu açısından sınıflandırılması ve algoritmanın iteratif olarak eğitilmesi gerekir (Resim 4). Her defasında algoritmanın çıktısı ile gerçek sonuç karşılaştırılır. Çıktı hatalı ise algoritma bu taramadaki hatasını hesaplar ve “geri yayılım (backpropagation)” adı verilen bir süreç aracılığıyla gelecekteki uyumsuzluğu en aza indirmek için dahili parametrelerini değiştirir. Bu eğitim süreci, eğitim veri setindeki tüm görüntüler için birçok kez tekrarlanır; her yineleme, algoritmik tahminlerin giderek iyileştirmesiyle sonuçlanır. Büyüklük ve çeşitlilik açısından yeterli bir veri seti ile yeteri kadar eğitilen algoritma, daha önce hiç karşılaşmadığı doğrulama (validasyon) veri setinde test edildiğinde, OİP paterni varlığını doğru bir şekilde tahmin edebilir. Eğitim sırasında, her tanı kategorisinin en ayırt edici BT özellikleri otomatik olarak güçlendirilir ve öğrenilirken önemsiz özellikler bastırılır. Bu örnekte görüldüğü gibi algoritma, bal peteği bulgusunu OİP paternini belirleyen bir özellik olarak tanımak üzere açıkça programlanmamıştır. Ancak muhtemelen bu bulgu eğitim sırasında modelin paterni öğrenmesinde etkili olmuştur. Üstelik, algoritmanın OİP paternini belirlemede radyolog tarafından görülemeyen başka YÇBT özelliklerini öğrenmesi de mümkündür.

İnterstisyel akciğer hastalıkları için derin öğrenme kullanılarak geliştirilmiş veri güdümlü doku analiz uygulamalarından biri olan SOFIA, BT görüntülerini kullanarak tanı kılavuzlarına göre akciğer fibrozisinin boyutunu saptamak ve ölçmek için geliştirilmiştir [19, 48]. Diğer bir uygulama olan “kantitatif akciğer fibrozis skoru” ise destek vektör makineleri sınıflandırma yöntemini (support vector machine classifier) kullanılarak tedaviye yanıtı tahmin etmek için geliştirilmiştir [49].

Radiomics

Radiomics, tıbbi görüntüyü oluşturan anatomik ve fonksiyonel verilerden, çıplak gözle ayırt edilemeyen niceliksel veriler elde edilebileceği ve bu verilerin dokunun biyolojik özellikleri hakkında bilgi içerdiği hipotezine dayanmaktadır. Bir özellik çıkarma ve analiz yöntemi olan radiomics, medikal görüntülerdeki kantitatif verileri, hastalıkların tanısı ve prognozuyla ilişkilendirmeye dayanır.

Tıbbi görüntüler standart protokol ile elde edildikten sonra, ilgilenilen anatomik bölge veya patolojik alan bölütlenir ve görüntü özellikleri çıkartılır. Bu özelliklere ek olarak sayısal değerler olarak kodlanmış klinik, demografik, genetik veya diğer omik özellikler de kullanılarak modelleme yapılır. Radiomic analizler ile hipotez üretmek veya tahmine dayalı modeller geliştirmek mümkün olmakla birlikte, çok sayıda karma özelliğin kullanılmasına bağlı zorluklarla karşılaşılır. Yüksek boyutlu verilerin analizi, çok fazla gözlem gerektirir ve potansiyel olarak gereksiz, yanıltıcı ve tutarsız özellikler arasından, en kıymetli olanlarının doğrulukla seçilmesini gerektirir.

Sonuçların Yorumlanması

Tıbbi görüntülemede makine öğrenimi, derin öğrenme ve radiomics kullanımının temel amacı, klinik sonuçlar ile henüz anlamlandırılamamış olan kantitatif radyolojik veriler arasındaki bağlantının kurulabilmesidir. Bu kullanım, daha önce insan gözü tarafından görselleştirilmemiş görüntüleme biyobelirteçlerinin tanımlanmasına olanak sağlar. Bununla birlikte uygulamaların güvenilirliği ve sonuçların anlamlandırılabilmesi için algoritmaların dahili işlemlerinin ve çıktılarının görsel temsillerinin de bulunmasına ihtiyaç duyulmaktadır. Görüntü bölütlemesi veya belirginlik haritaları da dahil olmak üzere görselleştirilmiş veriler oluşturulması, radyologların hangi görüntü bölgelerinin veya özelliklerinin bir bilgisayar sistemini bir tahmine varmaya yönlendirdiğini anlamalarına yardımcı olur.

Doğrulama

Algoritmik görüntü analizlerinin uygun şekilde doğrulanması (validasyon), teknik performansın ve klinik önemin ortaya konması açısından önemlidir. Çalışmaların, yanlılığı en aza indirecek şekilde tasarlanması ve algoritmanın eğitim için kullanılan kohorttan bağımsız veri setleri ile validasyonu gerekir.

Model çıktısı, ilgilenilen probleme göre farklı şekillerde tasarlanabilir. Örneğin; bir hastanın İPF’ye sahip olup olmama olasılığı değerlendiren olasılık skoru belirlenebilir. İlgili bir özelliğin işgal ettiği akciğer hacmi oranı şeklinde kantitatif bir çıktı ile İAH’den etkilenen akciğer parankim oranı verilebilir. Dahası, her bir bulgu (buzlu cam, retikülasyon, bal peteği, traksiyon bronşektazisi) ayrı ayrı analiz edilerek görsel haritalama yapılabilir. Hastanın önceden elde olunmuş ve güncel BT tetkikleri analiz edilerek prognoz tahmin edilebilir. İdeal olarak, model çıktısı aynı zamanda çıktıdaki güven ölçümlerini de içermelidir.

Performansın Artırılması

Yapay zeka algoritmalarının performansını artırmaya yönelik pek çok teknik vardır. Topluluk öğrenme yöntemi (ensemble learning), veri çoğaltma, kırpma (cropping), çok ölçekli (multiscale) görüntüler veya maksimum yoğunluk projeksiyon görüntüler kullanmak bunlardan bazılarıdır.

Tıbbi görüntüleme verilerine ek olarak güvenilir biyolojik biyobelirteçlerin eş zamanlı geliştirilmesi ve uygulamalara entegrasyonu ile yapay zeka performansını artırmak mümkündür. Örneğin; İPF tanısı koymak için bir algoritmanın performansını artırma amaçlı, YÇBT verilerine ek olarak hastanın yaşı, tütün kullanma öyküsü ve solunum fonksiyon testi gibi veriler kullanabilir.

Uygulamadaki Zorluklar

Günümüzde her biri yüzlerce gigabyte olarak depolanan metaveriler ve piksel değerlerinden oluşan tıbbi görüntüleme veri kümeleri oldukça büyük boyutludur. Bu veri kümelerinin içerdiği bilgiler klinik açıdan önemli olmakla birlikte, genellikle yapılandırılmamıştır. Önceden tanımlanmış bir şekilde organize edilmemiş veya etiketlenmemiş bu verileri analiz yapılmadan önce ön işleme ihtiyaç vardır.

Medikal görüntü işlemede yapay zekanın önündeki engellerden biri, güvenilir veri kümelerinin göreceli eksikliğidir. Başarılı sonuç veren bir yapay zeka modelinin geliştirilmesi için yeterli sayıda ve kalitede eğitim ve test verilerine ihtiyaç vardır. İAH’nin nadir görülen bir hastalık olduğu da göz önüne alındığında, hasta çeşitliliğinin artırılması ve özellikle belirli hastalık fenotipleri için verilerin zenginleştirilmesi, uygulamaların performansını artıracak ve rutin kullanıma adaptasyonu kolaylaştıracaktır. Bu amaçla hem ulusal veri havuzları oluşturulmasına hem de uluslararası iş birliklerine ihtiyaç vardır.

Şüphesiz elde olunan bu verilerle açık kaynak görüntüleme konsorsiyumu oluşturulması, yapay zeka araştırmacılarını iş birliğine teşvik etmek, uygulamaların performansını artırmak ve genelleştirmek açısından önemlidir. Ancak verilerin gerek ulusal gerekse uluslararası düzeyde toplanması, paylaşımı ve depolanması, hasta mahremiyetine dair yönergelere ve uluslararası veri gizliliği düzenlemelerine uyulmasını gerektirir. Bu konularda araştırmacıların ve kurumların bilgi düzeylerini artırmaları, yönergelerin uygulanmasında yaşanan sistemsel sorunları saptamaya ve çözmeye yönelik girişimlerde bulunmaları faydalı olacaktır.

Hem klinik hem de radyolojik veri toplamanın standartlaştırılması, makine öğrenimi algoritmalarını eğitmek için önemlidir. YÇBT tetkiklerinin, başlangıçta ve standart takip sürelerinde, bilgisayar tabanlı görüntü analizi için en ideal şekilde standartlaştırılmış BT protokolleri kullanılarak çekilmesine ihtiyaç vardır.

Araştırmacılar, algoritmaların klinik pratiğe nasıl entegre edilebileceği konusunda çeşitli alternatifler sunmaktadır. Günümüzde web tabanlı uygulamalar, mevcut pacs sistemlerine entegre edilebilen uygulamalar veya başka bir pacs sistemine sahip iş istasyonunda çalışan uygulamalar mevcuttur. Her bir yöntemin kendine özgü avantajları ve dezavantajları bulunmaktadır. Bizim deneyimlerimiz, mevcut pacs sistemlerine entegre edilebilen uygulamaların, ek iş yükü oluşturmaması ve iş akışını yavaşlatmaması nedeniyle daha kullanışlı olduğu yönündedir.

SONUÇ

Yapılan çalışmalar ve elde edilen sonuçlar, makine öğrenmesinin İAH görüntülemesinde güçlü bir araç olduğunu göstermektedir. YÇBT görüntülerinin özellikle denetimsiz öğrenme ve derin öğrenme yöntemleri ile geliştirilmiş algoritmalar tarafından analizi sayesinde, hastalığın erken ve doğru tanısı, şiddetinin belirlenmesi ve prognozun öngörülmesi mümkündür. Günümüzde İAH’de kullanılmak üzere geliştirilmiş makine öğrenmesi uygulamalarının performansını iyileştirmeye yönelik çalışmalar artarak devam etmektedir. Ancak bu, pratik olarak sonu olmayan bir süreçtir. Mükemmele en yakın performansa ulaşmak ve klinik yararlanımı artırmak, ancak geliştirilmiş algoritmaların rutin iş akışına entegrasyonu ve gerçek hayatta test edilmesi ile mümkün olabilir.

Çıkar Çatışması

Yazar bu makale ile ilgili olarak herhangi bir çıkar çatışması bildirmemiştir.