Boğaziçi Üniversitesi’nde geliştirilen yapay zeka modeliyle kanserin daha hızlı tanısı mümkün

Boğaziçi Üniversitesi’nde yapay zeka ve makine öğrenmesi çalışmaları birçok merkez ve laboratuvarda devam ediyor. Son olarak Doç. Dr. Mehmet Turan ve ekibinin yapay zeka ve derin öğrenme teknolojilerinin patoloji alanındaki uygulamaları üzerine gerçekleştirdiği son çalışması Elsevier’in saygın bilimsel dergilerinden Medical Image Analysis’te yer aldı. Doç. Dr. Turan bu teknolojiyi klinik uygulamaların bir parçası haline getirerek daha hızlı, güvenilir ve kişiselleştirilmiş tedavi seçeneklerine destek olmayı hedeflediklerini ifade etti.

“Tanı sürecine önemli bir yenilik getirdik”

Yapay zeka ve derin öğrenme teknolojileri kullanarak geliştirdikleri modeller olan “PathoSeg” ve “PathopixGAN” ile kanser gibi hastalıklarının tanı sürecini, mikroskop incelemelerinin ötesine taşımayı amaçladıklarını söyleyen Doç. Dr. Mehmet Turan, “Patolojideki tanı süreci, yıllardır mikroskop altında yapılan görsel incelemelerle sınırlıydı. Çalışmamızla birlikte, yapay zekayı kullanarak bu sürece önemli bir yenilik getirdik. ‘PathoSeg’ yapay zeka modelimiz sayesinde, hücre ve doku bölgelerinin segmentasyonu artık hem daha hızlı hem de daha kesin şekilde yapılabiliyor. Bu, tanı sürecini daha verimli hale getiriyor ve kanserli bölgelerin çok daha hassas bir şekilde tespit edilmesine imkan tanıyor” dedi.

Model sayesinde kanserli hücre metastazının erken tespitinin de yapılabildiğini kaydeden bilim insanı, modelin gösterdiği ‘üstün performans’ın tanının doğruluğunu arttırdığını da ifade ederek, “‘PathoSeg’ modeli kanserli hücre ve dokuların segmentasyonunda gösterdiği üstün performansla tanının doğruluğunu artırırken, aynı zamanda doktorların iş yükünü de azaltıyor. Özellikle metastazın erken tespiti veya tedavi sürecinin izlenmesi gibi kritik alanlarda doğru ve hızlı analizler yaparak, hasta bakımında anlamlı bir katkı sağlayabilir” şeklinde konuştu.

“Veri sorunlarını gideriyoruz”

“PathopixGAN” modeli sayesinde de histopatoloji verilerinde ortaya çıkabilen sorunların giderildiğini ekleyen Doç. Dr. Turan, modeli, “Geleneksel veri toplama yöntemleriyle histopatoloji verilerinde ciddi bir dengesizlik yaşanıyor. Özellikle nadir rastlanan vakalar, modelin öğrenmesi için yetersiz kalabiliyor. ‘PathopixGAN’ gerçeğe çok yakın ve çeşitli yapay görüntüler üreterek modelimizin daha geniş bir veri setiyle eğitilmesini sağladı. Böylece nadir görülen patolojik yapıların bile başarılı bir şekilde segmentasyonunu gerçekleştirebiliyoruz. Bu, veri dengesizliği konusunda atılmış önemli bir adım” sözleriyle özetledi.

“Modellerin dünyada referans noktası olmasını hedefliyoruz”

Ortaya koyulan modellerin alanında öncü bir niteliğe sahip olduğunu vurgulayan Doç. Dr. Turan, “Akademik olarak diğer araştırmacılar için güçlü bir model ve veri kaynağı sağlıyoruz. Yapay zeka kullanımının benimsenmesi sürecinde önemli bir referans noktası olmasını hedefliyoruz. Sektör açısından ise, yapay zekanın klinik tanı süreçlerine entegre edilmesi konusunda bir örnek teşkil etmeyi ve sağlık hizmetlerinin genelinde yapay zeka kullanımının artmasına katkıda bulunmayı umuyoruz. Hedefimiz bu teknolojiyi klinik uygulamaların bir parçası haline getirerek daha hızlı, güvenilir ve kişiselleştirilmiş tedavi seçeneklerine destek olmak.” diye konuştu.