Yapay Zeka, Tıp Doktorluğunu Yakın Gelecekte Neden Yok Edemez?
Isınmak için konuya dair kısa kısa bilgiler
oxford üniversitesi’ndeki ‘insanlığın geleceği enstitüsü’ (future of humanity institute) araştırmacılarından katja grace’in başını çektiği bir ekibin raporuna göre:
robotlaşma yüzünden kimler ne zaman işsiz kalacak?
"uzmanlara göre yapay zeka 2027 yılında araç (otomobil, kamyon) kullanmada insanlardan daha başarılı olacak. farklı dillerden mükemmel çeviri yapma konusunda 2024’de insanları geçecek. 2026 yılında eksiksiz lise ödevleri yazabilecek. daha karmaşık görevlerin ise daha ileri tarihlerde gerçekleşmesi öngörülüyor. mesela yapay zekanın çok satan bir roman yazmasının 2049’da ve kendi kendine ameliyat yapmasının 2053’de gerçek olacağı tahmin edilmiş."
uzmanlara göre go oynayan bilgisayarlar 2028’de insanları yenmeye başlayacaktı. oysa alpha go yazılımı 2016’da güney kore go şampiyonu lee sedol’ü ve sonra da dünya go şampiyonu çinli ke jie’yi yendi. kısacası yapay zeka tahminlerden 10 yıl önce gelişti.
ilk robot doktor göreve başladı bile:
https://m.sabah.com.tr/…robot-doktor-goreve-basladi
nasa'nın mars'a yollayacağı robot doktor:
avrupa'da medikal yapay zeka sektöründe çalışan bir yazılımcı olarak kısmen katılıp kısmen de katılmadığım önerme
ekşi sözlük'teki ilgili başlığı okuduğumda gözüme çarpan bariz yanlışları düzeltmek istiyorum:
1) öncelikle bu konuyu eleştiren doktorlar çin ve hindistan gibi ülkerde doktor/hasta oranının dibe vurduğunu göz ardı ediyorlar. çin hükümeti bekleme odalarındaki süreyi kısaltmak ve doktorun işini kolaylaştırmak için yapay zekaya çok büyük yatırımlar yaptı. doktorlara erişimi çok kısıtlı olan afrika ülkelerinde ise yapay zeka kilit rol oynuyor. fakir insanlara sağlık hizmeti dağıtması açısından bu tip uygulamaların en büyük gelir kaynakları sosyal fonlar. türkiye'de çok fazla sosyal fon olmadığı için medikal yapay zeka sektörünü özellikle avrupa'da daha yaygın görüyoruz.
2) doktorları eleştiren arkadaşların kafasındaki imaj anladığım kadarıyla karanlık bir odada toplaşıp sürekli olarak kod yazan ve yapay zeka üreten 50-60 tane yazılımcı olduğu yönünde. bu çok saçma bir düşünce. yapay zeka denilen şey, machine learning'den farklı olarak, uzun bir karar ağacıdır (decision tree). karar ağacı üretebilmek için insan bilgisini makinenin anlayabileceği şekilde modellemeniz gerekir. medikal alanda bu modellemeyi doktorlar yapmak durumunda. bu sebeple medikal yapay zeka şirketlerinde yazılımcıdan çok doktor çalışıyor (kendi iş arkadaşlarımdan biliyorum).
3) yapay zeka insan hatasını minimize ettiği için en azından doktorlar kadar, ve hatta daha da kesin tanı koyabiliyor (günümüz teknolojisiyle - android/ios uygulamaları mevcut). ayrıca 23andme gibi servislerden alınan genetik datanız ve akıllı telefonunuzdan toplanan sensör datalarınız sayesinde kişiselleştirilmiş tanı koyma özelliği de günümüzdeki medikal yapay zeka şirketlerinin şu anki gündemi olmuş durumda. öyle ki bazı hastalıkların sadece genetik olarak bu hastalığa yatkın insanlarda gözlemlendiğini görüyoruz. bu tip hastalıkları doktorlar genelde ıskalıyor (bu bir yorum değil istatistik). her şeye rağmen bu tip durumlarda bile medikal yapay zeka doktorun yerini almak yerine, ona doğru yolu göstermek için var.
bilgisayar ile görü (computer vision) alanında doktora yapıyorum, elektrik-elektronik mühendisiyim
yapay zekanın tıp doktorluğunu yok edecek olması, en azından yakın gelecekte gerçek olmayacağını düşündüğüm bir önerme.
tüm bu alan, 2012 yılından bu yana, kamuoyu nezdinde yapay zeka adı altında parlatılan derin öğrenme (deep learning) adı verilen teknik tarafından domine edilmiş durumda, ben de yalnızca derin öğrenme çalışıyorum. çıkan neredeyse her yeni algoritma derin öğrenme tabanlı ve derin öğrenme tabanlı olmayan algoritmalardan çok daha iyi performans gösteriyor. önce isterseniz "yapay zeka" olarak nitelendirilen metodun ne olduğundan kısaca bahsedeyim, devamında neden bunun tıp doktorluğunun alternatifi olamayacağını düşündüğümü açıklayacağım.
derin öğrenme, lineer ve lineer-olmayan dönüşümlerin birbirini izlediği kompleks bir matematiksel fonksiyon. bu fonksiyona ait parametreler (weight) var. bu parametreler, daha önceden insan eli ile işaretlenmiş veriler kullanılarak "öğreniliyor". örnek üzerinden anlatayım: elimizde yüz adet hayvan olsun. bu hayvanlar ya kedi, ya da köpek olsun. her bir hayvanın boyunu, kilosunu ve yaşını ölçelim, ölçerken de hangisinin kediye, hangisinin köpeğe ait olduğunu bir kenara not edelim. daha sonra, bir kompleks matematiksel fonksiyon uyduralım (tabii ki matematiksel olarak anlamlı dizayn örüntüleri var). bu fonksiyona ait ayarlanabilir parametreler olsun. işte "öğrenme" fazında, biz bu fonksiyona bu boy-kilo-yaş verişini göstereceğiz ve bu fonksiyon bize rastgele bir çıktı verecek. daha sonra da, parametreleri ayarlayarak, istediğimiz çıktıyı vermesini sağlayacağız. diyelim ki, köpek için 1, kedi için 0 sayılarını çıktı vermesini istiyoruz. gösterdiğimiz örnekler ile, olması gereken çıktıyı bildiğimiz için matematiksel optimizasyon metotlarını kullanarak uygun parametreleri belirliyoruz. daha sonra, kediye mi köpeğe mi ait olduğunu bilmediğimiz bir boy-kilo-yaş verişi geldiğinde, elimizdeki fonksiyonu, öğrenilmiş parametreler ile çalıştıyoruz ve algoritma bize bir çıktı veriyor. bu çıktı, 0.5'in altında ise, bilinmeyen örneğin bir kediye, üstünde ise köpeğe ait olduğuna işaret ediyor. işte, yapay zeka olarak adlandırılan derin öğrenme bu şekilde çalışıyor.
şimdi gelelim neden derin öğrenmenin tıp doktorluğunu neden yok edemeyeceğine. bunun sebeplerini şu şekilde sıralayabilirim:
1) derin öğrenmenin verdiği kararlar açıklanamaz. bu kısım oldukça önemli. derin öğrenme, bazı tıp ile ilgili görevlerde gerçekten iyi bir performans sergiliyor. kimi zaman, deneyimsiz doktorlardan daha başarılı patolojik tanı koyabilmekte. ancak, mevcut hali ile, verdiği bir kararı neden verdiği bilgisine ulaşılamıyor. bir insana sorulduğunda, "burada bir ben var ve ben bu benin şeklinin yuvarlak olmamasından ve içinde ton değişimleri olmasından dolayı bunu şüpheli görüyorum" açıklamasını alabilirsiniz. bir derin öğrenme algoritması ise size sadece şüphelilik olasılığı gibi bir sayı verecektir. işte bu yüzden halen, dünyanın ileri gelen sağlık kuruluşları, derin öğrenme algoritmalarının direkt olarak tıbbi cihazlarda kullanımasına karşı çıkıyor. tıp, temkinli yaklaşılması gereken bir alan. yapılması muhtemel hataların bile neden yapıldığına dair açıklama getirmenin önemli olduğu bir alan. daha açıklanabilir sonuçlar alınana değin, derin öğrenme muhtemelen size tanı koymayacak.
2) suçlanabilirlik. diyelim ki hastaneye gittiniz ve radyolojik muayene neticesinde riskli bir kitle tespit edildi. derhal biyopsi alındı ve patoloji laboratuvarına gönderildi. makroskopik incelemeden sonra patolog bu biyopsiyi mikroskopta incelenecek şekilde hazırladı ve boyadı. devamında dünyanın en iyisi olan bir derin öğrenme algoritması mikroskopik fotoğrafları inceledi ve bu kitlenin iyi huylu olduğuna karar verdi. diyelim ki yanıldı ve siz öldünüz. bu durumda kimi suçlayacağız? biyopsiyi hazırlayan doktoru mu, algoritmayı hazırlayan mühendisi mi, yoksa öğrenme için kullanılan veri setini oluşturan kişileri mi? cevap bunların hiçbirisi, çünkü bu sorunun bir cevabı yok. benzer bir durum sürücüsüz araba için de geçerli. bu araç hatalı bir karar verip, aslında önlenebilecek bir kazayı yaptığında, aracın içindeki yolcuyu suçlayamazsınız. bu hukuki çıkmaz önemlidir ve derin öğrenme tabanlı algoritmaların gündelik hayatımıza girişini önemli ölçüde yavaşlatmaktadır.
3) derin öğrenme, insanın işaretlediği veriden öğrenir. insanın işaretlediği veri hangi bilgiyi işaret ediyorsa, derin öğrenme onu öğrenir, doğru veya yanlış olması fark etmez. örneğin bir radyoloğun kolayca yakalayabileceği bir kist, öğrenme datasında yanlış işaretlenmiş ise, derin öğrenme bu yanlışı öğrenebilir. öğrenmeyebilir de. açıklayamıyoruz (bkz: madde 1). ayrıca, insanın işaretlediği veriden öğrenen bir algoritmanın, insandan daha başarılı sonuç vermesi beklenmez. verse bile bunu tespit edemeyiz, çünkü test için kullanacağımız veriler de bir insan tarafından işaretlenmiş olacak.
4) derin öğrenme tıbba dair bir takım rutin işleri devralabilir, ama bu tıp doktorluğunu bitireceği manasına gelmez. belki istihdam edilmesi gereken doktor sayısı bir miktar azalabilir, ancak her tıp ana bilim dalında araştırma yapacak, ya da hiç olmazsa derin öğrenme için kullanılacak verileri işaretleyecek insanlara ihtiyaç olacak.
5) genelleme yeteneği. halen en iyi algoritmaların dahi genelleme yeteneği sınırlı. örneğin, diyelim ki, bir hastanede çalışan radyoloji uzmanı bir doktor, kendi hastanesindeki y marka mr cihazının görüntüleri ile çalışıyor. ancak bu doktor başka bir hastanedeki z marka mr cihazının sonuçlarını da, bu markaya ait sonuçlara daha önce bakmamış olsa dahi anlayabilir ve performansında ciddi düşüş olmadan doğru tanıyı koyabilir. aynısını bir derin öğrenme algoritması için söylemek oldukça zor. dünyadaki tüm mr cihazlarının görüntülerini öğretseniz dahi, halen en güçlü algoritmalar bile, veri seti spesifik öğretilmiş versiyonlarından kötü çalışıyor.
tüm bu etkenler değerlendirilince, yakın gelecekte derin öğrenmenin doktorluğu yok edeceğini düşünmüyorum, ki verdiğim örnekler özellikle yok olacağı düşünülen tıp alt dallarına ait. eğer illa bir doktor grubu işsiz kalacaksa bu, teknolojiye ayak uyduramayan, onunla çalışmayı kaldıramayan grup olacak. çünkü derin öğrenmenin avantajlarını kullanmayı bilen bir hekime kıyasla çok daha düşük verimlilik sağlayabilecekler.