Araştırmacılar, üretken yapay zekânın karmaşık tıbbi veri setlerini insan uzmanlar kadar iyi işleyip işleyemeyeceğini test etti. Bazı durumlarda yapay zeka, aylarca uğraşarak tahmin modelleri geliştiren ekiplerle aynı seviyeye geldi, hatta onları geçti. Yapay zeka, net ve ayrıntılı istemlerle (prompt) kullanılabilir analiz kodu üreterek sağlık verilerini işleme süresini dramatik şekilde kısalttı. Bulgular, yapay zekânın bilim insanlarının veriden keşfe geçişini çok daha hızlı hale getirebileceği bir geleceğe işaret ediyor.
Sağlık araştırmalarında yapay zekânın gerçek dünya testi olarak nitelendirilebilecek ilk çalışmalardan birinde, UC San Francisco ve Wayne State Üniversitesi’nden bilim insanları, üretken yapay zekânın geleneksel bilgisayar bilimi ekiplerinden çok daha hızlı şekilde büyük tıbbi veri setlerini işleyebildiğini ve bazı durumlarda daha iyi sonuçlar ürettiğini ortaya koydu. İnsan uzmanlar aynı veriyi analiz etmek için aylar harcamıştı.
Performansı doğrudan karşılaştırmak için araştırmacılar aynı görevleri farklı gruplara verdi. Bazıları tamamen insan uzmanlığına dayandı, diğerleri ise yapay zeka araçlarıyla çalışan bilim insanlarından oluştu. Zorluk: 1.000’den fazla hamile kadının verilerini kullanarak erken doğum (preterm birth) tahmin etmekti.
UCSF’den yüksek lisans öğrencisi Reuben Sarwal ve lise öğrencisi Victor Tarca’dan oluşan genç bir ikili bile yapay zeka desteğiyle başarılı tahmin modelleri geliştirdi. Sistem, normalde deneyimli programcıların saatler hatta günler harcayacağı işlevsel bilgisayar kodunu dakikalar içinde üretti.
Avantaj, yapay zekânın kısa ama son derece spesifik istemlere dayanarak analiz kodu yazabilmesinden kaynaklanıyordu. Her sistem iyi performans göstermedi; 8 yapay zeka sohbet botundan sadece 4’ü kullanılabilir kod üretti. Yine de başarılı olanlar, uzman ekiplerin rehberliğine ihtiyaç duymadı.
Bu hız sayesinde genç araştırmacılar deneylerini tamamlayıp bulgularını doğruladı ve birkaç ay içinde sonuçlarını bir dergiye gönderebildi.
“Bu yapay zeka araçları, veri bilimindeki en büyük darboğazlardan birini ortadan kaldırabilir: analiz boru hatlarını (pipeline) kurmak” dedi, Pediatrics profesörü ve Bakar Computational Health Sciences Institute geçici direktörü Marina Sirota, PhD. “Bu hızlanma, şu anda yardıma ihtiyacı olan hastalar için bir an önce gelmeli.”
Sirota, 17 Şubat’ta Cell Reports Medicine dergisinde yayımlanan çalışmanın ortak kıdemli yazarı.
Erken Doğum Araştırmasının Önemi
Veri analizini hızlandırmak, yenidoğan ölümünün önde gelen nedeni ve çocuklarda uzun vadeli motor ile bilişsel sorunlara yol açan erken doğum için tanı araçlarını iyileştirebilir. ABD’de her gün yaklaşık 1.000 bebek erken doğuyor.
Araştırmacılar erken doğumun nedenlerini hâlâ tam anlayabilmiş değil. Risk faktörlerini araştırmak için Sirota’nın ekibi, dokuz ayrı çalışmadan yaklaşık 1.200 hamile kadının mikrobiyom verilerini bir araya getirdi.
“Bu tür çalışmalar ancak açık veri paylaşımıyla, çok sayıda kadının deneyimlerini ve çok sayıda araştırmacının uzmanlığını bir araya getirerek mümkün oluyor” dedi, March of Dimes Preterm Birth Data Repository eş direktörü ve UCSF BCHSI doçenti Tomiko T. Oskotsky, MD.
Ancak bu kadar büyük ve karmaşık bir veri setini analiz etmek zordu. Bunun üstesinden gelmek için araştırmacılar, DREAM (Dialogue on Reverse Engineering Assessment and Methods) adlı küresel bir yarışmaya döndü.
Sirota, vajinal mikrobiyom verilerine odaklanan üç DREAM gebelik yarışmasından birine liderlik etmişti. Dünya çapında 100’den fazla ekip katıldı ve erken doğumla ilişkili desenleri tespit etmek için makine öğrenimi modelleri geliştirdi. Çoğu ekip yarışma süresi olan üç ay içinde işini bitirdi. Ancak bulguları birleştirip yayımlamak neredeyse iki yıl sürdü.
Gebelik ve Mikrobiyom Verileri Üzerinde Yapay Zekâyı Test Etmek
Yapay zekânın bu süreyi kısaltıp kısaltamayacağını merak eden Sirota’nın grubu, Detroit’teki Wayne State Üniversitesi’nden Adi L. Tarca, PhD liderliğindeki araştırmacılarla iş birliği yaptı. Tarca, gebelik aşamasını tahmin etmeye odaklanan diğer iki DREAM yarışmasına liderlik etmişti.
Birlikte, sekiz farklı yapay zeka sistemine, orijinal DREAM katılımcılarına benzer şekilde aynı veri setlerini kullanarak bağımsız algoritmalar üretme talimatı verdiler – doğrudan insan kodlaması olmadan.
Yapay zeka sohbet botları, ChatGPT gibi doğal dilde ayrıntılı istemler aldı. Bu istemler, sağlık verilerini orijinal DREAM katılımcılarına benzer şekilde analiz etmeleri için yönlendirildi.
Hedefler aynıydı: Vajinal mikrobiyom verilerini erken doğum işaretleri için analiz etmek ve kan/plasenta örneklerini gebelik yaşı tahmin etmek için incelemek. Gebelik yaşı neredeyse her zaman tahmini olur, ancak kadının aldığı bakım türünü belirler. Tahmin yanlış olursa doğuma hazırlık zorlaşır.
Araştırmacılar, yapay zekâ tarafından üretilen kodu DREAM veri setlerinde çalıştırdı. 8 araçtan sadece 4’ü insan ekiplerinin performansına ulaşan modeller üretti; bazı durumlarda yapay zeka modelleri daha iyiydi. Yapay zekâ süreci – başlangıçtan makale gönderimine kadar – sadece altı ay sürdü.
Bilim insanları, yapay zekânın hâlâ dikkatli denetim gerektirdiğini vurguluyor. Bu sistemler yanıltıcı sonuçlar üretebiliyor ve insan uzmanlığı hâlâ vazgeçilmez. Ancak devasa sağlık veri setlerini hızla tarayarak üretken yapay zeka, araştırmacıların kodla uğraşmak yerine sonuçları yorumlamaya ve anlamlı bilimsel sorular sormaya daha fazla zaman ayırmasını sağlayabilir.
“Üretken yapay zeka sayesinde, veri bilimi geçmişi sınırlı araştırmacıların artık geniş iş birlikleri kurması veya saatlerce kod hata ayıklaması gerekmeyebilir” dedi Tarca. “Doğru biyomedikal soruları yanıtlamaya odaklanabilirler.”
