Hekim Seçme Hakkı: Dr. Özlem mi, Dr. AI mı?

 

Yapay zeka (artificial intelligence, AI) bir çok mesleği yok edecek diyorlar ya her yerde. Daha çok zaman var, diye düşünürdüm. En azından beni emekli ederdi hekimlik tecrübem. Telefonunuza birkaç saniyede indirebileceğiniz bir uygulama en tehlikeli deri kanserini benimle aynı oranda doğru teşhis edebiliyor. Bu haksızlık, ben yıllarımı verdim. Ne panikler yaşadım “Olur da bir melanomu atlar mıyım?” diye. Gecenin bir yarısı uyanıp “Yoksa bugünkü hasta …  mıydı?” dediğim az olmadı.

Bundan yıllaaar önce; sene 2004. Genç, meraklı bir asistan hekim tez konusu arıyor. Sıkı bir popüler bilim okuru, öyle böyle değil, tutkulu. Kaos teorisi, doğadaki fraktal yapılar dikkatini çekmiş. Şekil oluşumunun yasalarının evrensel olduğu üzerine yazılar okuyor ve her gün insan cildinde birbirinden farklı lezyonlar görüyor. Dağılımı farklı, şekli farklı, rengi farklı. Bazı virüsler ortası göbekli kabarcıklar yaparken bakteriler ortası yukarı doğru sivrilen çıbanlar yapıyor falan.  Ama teşhis koymayı da bu farklılıklar içindeki ortak noktalara, benzerliklere dayanarak öğreniyor. İşinin doğası öyle.

Deri lezyonlarının topolojisini bir matematikçiyle çalışma hayali var. Yapabilse, dermatoloji gibi her şeyin gözümüzün önünde cereyan ettiği bir branşı matematiğin soyut dehlizlerine atacak acımadan. Ama uzmanlık yaklaşıyor, önce tez konusu lazım. Deri kanserlerinin biçimsizliğinin farkında. Hocaları bir tümör ne kadar düzensiz, asimetrik, biçimsiz görünüyorsa o kadar kötü olma ihtimalinden söz ediyor. Bir ağacın, nehrin dallarının matematiğinin ve fraktal yapısının bronşlarımızın dallanması ya da kan damarlarımızdakiyle aynı olduğunu biliyor. Tümörlerin yeni yeni damarlar oluşturmaya meyyal yapılar olduğunu da.  İyi huylu bir ben ile malign melanom arasında damar geometrisine, fraktal yapının incelenmesine bakarak, melanom tanısı koymaya yarar yeni bir yöntem bulabiliriz derdinde. O zamanlar konu hakkında hepi topu bir kaç makale var pubmed’de. Buna rağmen bölüm hocaları anlayışlı, olur veriyor.

Planlamaya başladım tezi. Başka branşlardan yardıma ihtiyacımız olacaktı çalışma için; bir hocayla konuşurken “Bundan yayın olur, ilk isim de ben olurum.” Deyince gençliğin verdiği öfkeyle vazgeçtim. Dakka bir gol bir, ben daha ne yapacağımı bilmiyorum, prosedür gereği yardımcı olacak dermatolog olmayan biri ilk isim olmak için pazarlıkta. Yayın peşinde değildim, merakımın izinden gidiyordum sadece. Kişisel olarak o hocaya tepkim yok şimdi, zamanla bilim kültürümüzün olmadığını öğrendim, fark ettim. Bu tür isim yarışlarının sıradan olduğunu da. Bilim, bizde bireylerin tutku ve çabalarıyla ilerleyen bir alan. Bu ortamda bilim yapan tüm hocalarıma saygım büyük.

Neyse, aradan yıllar geçti. Kendi kendine öğrenen makineler, yapay zeka çalışmaları, bilgisayarların görüntü tanıma ve ayırt etmede uzmanlaşması derken çağımızın devrimi olan “derin öğrenme” gümbür gümbür geldi.  Zamanında elektrik neyse bilim tarihi ve insanlık için, derin öğrenme de günümüzde odur, diyorlar.

Derin öğrenme kabaca, “İnsan beyninin algısal problemlerin çözümündeki üstünlüğünü sağlayan katmanlı biyolojik yapısını taklit eden bir ‘makine öğrenmesi’ yaklaşımıdır. Derin öğrenme teknolojisi ile otonom sistemler, görsel analiz açısından insanın algılama yeteneğine yaklaşan bir kabiliyet kazanabilmektedir. Derin öğrenme ile makinelerin yüz tanımada hata eşiği insanın hata eşiğinin altına inmiştir.”

Anladığım; bir makineden kedi ve köpekleri ayırmasını bekliyorsunuz ama “şu şu özellikleri olanlar kedi, şu şu özellikleri olanlar köpek” diye ipucu vermeden. Makine kendisi verileri alıp kedi köpek ayrımı yapmayı öğreniyor. Evet öğreniyor, tuhaf ama öyle.  Yapay zekanın en hızlı ilerlediği konulardan biri görüntü tanıma çünkü internette milyonlarca görüntü yığılmış durumda, makinenin öğrenmesi için malzeme bol. Makine görüntüleri alıyor, katman katman işliyor beynimiz gibi. Önce parçalarına ayırıyor görüntüyü, sonra da birleştiriyor verileri işleyerek. Resmin hangi özelliklerini ( yatay çizgilerini mi, açılarını mı, dik hatları mı, rengini mi ya da her ne özelliğini…) işleyerek sonuca ulaşacağını da bilmiyoruz; kendi öğrenirken hangisi uygunsa öyle ilerliyor sonunda bize “bu kedidir” diyor. Dahası, makineye sadece öğrenmeyi değil, nasıl öğreneceğini öğretelim demişler; örneğin deneme yanılmayla öğrenebiliyor, yanlış yapınca “ben bunu yanlış yaptım” deyip yanlışını öğrenen robot var.

Tabii yapay zekanın sağlıkta ilk el attığı konulardan biri de her şeyin göz önünde olduğu cildiyeydi haliyle. Bizim neredeyse bütün işimiz görüntü tanımak üzerinden. Bir cildiyeci mesleğe başladığı ilk aylarda da emekli olmaya yakınken de aynı lezyonlara bakar. Ama yıllar içinde o lezyona bakan kişinin gördükleri çoğalmış, görme biçimi değişmiş, rafine olmuştur.

Neyse, almış bunlar benleri ve melanomları, yapmışlar akıllı telefon uygulamasını, başında dünyanın çeşitli yerlerinden dermatoloji hocaları ve sonuç: Beninin fotoğrafını çektiğin telefon %88 doğruluk oranıyla kanser tanısı koyuyor. Kalan %12 hata zaten klinikte en deneyimli ellerde de var.( Uygulama yüksek doğruluk sağlasa da tamamen güvenmemeniz yönünde uyarıyor. Ama fotoğraf saklama, karşılaştırma gibi takipte işe yarayacak yanları, en azından risk taşıdığı bilinen kişiler için kullanılmasında fayda sağlar.) Kediydi köpekti derken “kanserdi, değildi”ye kadar abartmışlar işi. Zoruma gitti tabi.

Sonra bir an “Acaba nasıl tanıyor makine?” dedim. Bingo! Tümörün biçimsizliğinden, fraktal yapısını hesaplayarak tanı koyuyor. Vizontele’den: “Şerrefsizim benim aklıma gelmişti” repliğini hatırlarsınız.

Yakınacak değilim, memleketimiz potansiyelini gerçekleştiremeyen insan cenneti. Kim bilir ne fikirler filizlenemeden kaldı öylece. Zaten ben de böyle durumlarda “E, yapsaydın o zaman.” Derim.

Şoku atlattıktan sonra pozitif düşünebildim. Makine, öğrenme işini ileriye götürebilirdi. Bir insanın ömrü boyunca görebileceği lezyondan çok daha fazlasını görüp, birkaç haftada öğrenip/işleyip insan kapasitesinin çok üstünde doğruluk oranları yakalanabilirdi. Biz de faydalanırdık o zaman muayene sırasında. Ayrıca makroskopik görünümden daha küçük düzeylere inebilirdi ki başlamış: Skinvision (bu benim rastladığım uygulamanın adı, böyle başka çalışmalar da vardır mutlaka); lezyonun makroskopik görünümünü analiz ediyor ama başka yayınlarda dermoskopik görüntülerin de melanom sınıflandırmasında kullanılması hakkında çalışmalar görülüyor.

Belki bir gün telefonumuz benin altındaki damarları gösteren bir ışık vererek damar yapısını  analiz eder ve daha  detaylı sonuçlara ulaşırız. (Şimdilik bu konuda bir gelişme göremedim ama melanomda çekirdekteki kromatinin fraktal yapısında değişiklik saptanmış.)

Daha güzeli belki bunları Türkiyeli dermatologlar hep birlikte verilerini birleştirerek yaparlar. Makinenin öğrenmesi için çok sayıda lezyon görüntüsüne ihtiyaç var. Şimdiden gayet güzel follikülit (kıl dibi iltihabı) tanısı koyabiliyor makineler. İstesek de istemesek de yakın gelecekte çoğu deri hastalığının tanısında yapay zekanın kullanılacağı ortada.

Peki tababet sanatı ne olacak? Mesleki tecrübe, sezgi, klinik görü ya da bizi tedbirli olmaya iten “Bunda bir terslik var.” hissi? Derin öğrenme makineleri “kuantum hesaplama”yı kullanmaya başladığına göre o meşhur klinisyen sezgimiz de topun ağzında demektir; bilinçdışı veri işlemeye rakip çıktı.

Akıllı telefon, ileri evre melanomunuzu odanızda tek başınızayken tespit ettiğinde, alıştıra alıştıra söylemeyecek,  eliyle omzunuza dokunup teselli vermeyecek, hastalığınızla ilgili sorumluluk almayacak ama baş döndürücü bir hızla ilerleyen derin öğrenme ve yapay zeka uygulamaları nereye varacak hep birlikte tanık olacağız.