Dermatolojide Yapay Zeka Uygulamaları

Giriş

Bu makalede dermatoloji alanında yapay zekâ uygulamalarının geçmişine kısaca değinilecek ve günümüzdeki kullanım alanları ve gelecekteki beklentiler bilimsel veriler ışığında incelenecektir.

Yapay zekâ insan zekasının yapabildiği öğrenme, problem çözme ve anlama gibi yeteneklerin makinelere de kazandırılması şeklinde tanımlanabilir. Alan Turing 1950 yılında yayınlanan makalesinde “Makineler düşünebilir mi?” sorgusuyla yapay zekaya öncülük etmiştir(1). Yapay zekâ terminolojisi ise ilk kez 1956 yılında Minsky ve McCarhy tarafından tanımlanmıştır(2). Benzer şekilde tıp alanında da hekimlerin bilgisayar destekli programlar kullanarak tanıları iyileştirmeye yönelik ilk girişimleri yaptıkları 1950’lerden beri kullanılmaktadır(3).

Yapay zekanın tıp alanında kullanılabilecek 4 ana alanı vardır: Makine öğrenmesi, yapay sinir ağları, doğal dil işleme ve bilgisayar görüşü. Dermatolojinin görsel doğası gereği bu alanda yapılan yapay zekâ çalışmaları çoğunlukla makine öğrenmesi ve yapay sinir ağları ile görüntülerin sınıflandırılmasına odaklanmıştır. Klinik, dermoskopik ve histopatolojik görüntüler kullanılarak tanı doğruluğunun artırılması, morbidite ve mortalitenin azaltılması amaçlanmıştır(4).

Deri kanserleri en sık görülen kanser türüdür. Melanom ve melanom dışı deri kanserleri olmak üzere temelde iki ana gruba ayrılabilir. Deri kanserlerinin tespitinde yapay zeka temelli programların kullanılmasına yönelik araştırmalar 1990’lı yıllara kadar uzanmaktadır ve dermatolojide yapay zeka kullanımı açısından en popüler alanlardan biridir(5, 6). Behara ve arkadaşlarının yaptığı bir çalışmada deri kanserlerinin sınıflandırılmasında yapay zekâ uygulamalarının kapsamlı bir analizi yapılmıştır. Toplamda 1156 bilimsel makale gözden geçirilmiş ve 95 tanesi çalışmaya dahil edilmiştir. Bu derlemede yapay zekâ sistemlerinin kanserleri erken dönemde tespit edebilme, dermatologlara karar verme süreçlerinde yardımcı olarak tanı ve tedavi kararlarını hızlandırma, cilt lezyonlarının uzaktan değerlendirilmesini sağlama konularında faydalı olduğu görülmüştür. Bu amaçlarla kullanılan yapay zekâ modelleri öncelikle makine öğrenmesi, derin öğrenme ve bilgisayar görüşü de dahil olmak üzere görüntü tabanlı tanı tekniklerine odaklanmaktadır. Klinik ortama entegrasyon, eğitim için yüksek kaliteli veri bulma zorluğu, veri gizliliği ve güvenlik, yorumlanabilirlik ve maliyet yapay zekâ sistemlerinin aşması gereken en önemli engellerdir(7). Klinik ortamda deri kanserlerini tespit etme ve sınıflandırmaya yönelik 760 çalışmanın incelendiği ve bunlardan 18 tanesinin dahil edildiği yakın tarihli bir başka derlemede ise yapay zekânın dermatolojide uygulanmasının özellikle melanom lezyonlarının tespit ve tanısında devrim yaratma potansiyeline sahip olduğu sonucuna ulaşılmıştır(8).

Esteva ve ark. tarafından 2017 yılında yapılan, pigmente lezyonların dermoskopik görüntülere göre ayrımında konvolüsyonel sinir ağının(CNN) kullanıldığı bir çalışmada algoritme 21 dermatolog ile karşılaştırılmıştır. Algoritma benign nevüsleri melanomdan ayırt etme konusunda dermatologlar ile eşdeğer performans göstermiştir. Ayrıca 135 epidermal tümör klinik görüntüsü, 130 melanositik lezyon klinik görüntüsü ve 111 melanositik lezyon dermoskopi görüntüsünden oluşan bir test setinde; biyopsi alma, tedavi etme veya her ikisine de gereksinim olmadığı arasındaki karar açısından dermatologlardan daha iyi performans göstermiştir(9). 2018 yılında Haenssle ve ark.nın CNN kullanarak yaptıkları bir başka çalışmada da benzer sonuçlar elde edilmiştir(10).

Akne ve diğer sebase bez hastalıklarında yapay zekâ teknolojisi, tanının konulması ve hastalık şiddetinin belirlenmesinde umut vaat etse de tedavi protokolünün belirlenmesi hasta bazlı değerlendirme gerektirdiği için yeterli ilerleme mevcut değildir(11).

Androgenetik alopesi(AGA) saçlarda incelme ve seyrelme ile giden ve sık görülen bir saç hastalığıdır. Özellikle kadın hastalarda ve hastalığın erken aşamalarında tanı koymak ve tedavi etkilerini takip etmek zorlayıcı olabilmektedir. Bu amaçla saç büyümesinin önemli parametreleri olan saç yoğunluğu, saç çapı, saç büyüme hızı ve vellüs/terminal saç yoğunluğunu standart epilüminesans mikroskopi ile otomatik dijital görüntü analizini birleştirerek analiz eden TrichoScan ® geliştirilmiştir. TrichoScan ®, saç büyüme parametrelerini kolay ve hızlı bir şekilde hesaplayan dünya çapında kullanıma sunulan ilk bilgisayarlı trikogramdır (12). Shakeel ve ark. tarafından yapılan bir çalışmada ise bir başka saç hastalığı olan alopesi areata hastalığının tanısını koyma ve tutulum yüzdesini hesaplamada yapay zekâdan faydalanılmıştır. Sınıflandırmada “support-vector-machine”(SVM) ve “k-nearest neighbor”(KNN) teknikleri kullanılmıştır. SVM'nin hastalığı tanımadaki duyarlılığı %91.4, KNN'nin ise %88.9 olarak saptanmıştır(13). Yapay zekâ uygulamaları saç kaybı yüzdesini hesaplamanın yanı sıra saç nakli tedavisinde de kullanılabilir. ARTAS, FDA tarafından onaylı bir saç nakli yapa zekâ modellemesidir. ARTAS sayesinde kıl follikülü ünitelerinin yeri, açısı ve yönünü belirlenebilir ve robotik kol sayesinde skar oluşma riski en aza indirilerek folliküler üniteler toplanabilir(14).

Yapay zekânın bir diğer önemli kullanım alanı dermatopatolojidir. Bu alandaki çalışmaların tarihi 1987 yılına kadar uzanmaktadır(15). Histopatolojik slaytların dijitalleştirilmesi ve tüm slayt görüntüleme (WSI) teknolojisinin tanıtılması sayesinde dermatopatoloji yapay zekâ uygulamaları için daha da önemli bir alan haline gelmiştir. 2000-2023 yılları arasında dermatopatolojide yapay zekâ kullanımına odaklanan 112 makalenin incelendiği bir çalışmada; yapay zekânın özellikle derin öğrenme modelleri aracılığıyla dermatopatologların doğruluğunu yakalama ve aşma potansiyeli gösterdiği, uzmanlara erişimin sınırlı olduğu bölgelerde tanıya destek sunduğu, verimliliği ve hızı artırdığı, tanı hatalarını azaltabileceği ve uzmanların iş yükünü azaltarak daha kompleks vakalara odaklanmalarını sağlayabileceği sonuçlarına ulaşılmıştır(16).

16.114 vakanın fotoğrafı ve klinik verileri kullanılarak geliştirilen bir derin öğrenme algoritması en sık görülen 26 deri hastalığına tanı koymada dermatologlar ile benzer, pratisyen doktorlardan ise daha iyi bir sonuç elde etmiştir(17).

Psöriyazis, atopik dermatit, vitiligo, onikomikoz, estetik ve kozmetik dermatoloji ve dermato- sitoloji dermatolojide yapay zekânın araştırıldığı ve uygulandığı diğer alanlardır.

Dermatoloji alanında yapay zekâ uygulamaları tanısal doğruluğu, verimliliği ve sağlık hizmetine erişimi artırma, uzmanlara düşen iş yükünü azaltarak daha komplike vakalara odaklanmalarını sağlama, hasta takibini kolaylaştırma ve maliyeti azaltma gibi pek çok fayda sağlamaktadır(18). Bu faydaların yanında birtakım riskler ve çekinceler de mevcuttur. Yapay zekâ sistemleri hata yapabilir ve hasta güvenliğini riske atabilir(19). Ayrıca bu hataların sorumluluğu kimin alacağı da ayrı bir tartışma konusudur(20). Makine öğrenmesi için büyük miktarlarda hasta verisinin gerekmesi gizlilik ve güvenlik ihlali hakkında endişelere yol açmaktadır(21). Girdiyi ve çıktıyı görebildiğimiz ancak ne tür bir mekanizmanın çalıştığını göremediğimiz kara kutu (black box) sistemler makine ve insan arasında iletişim sorunlarına yol açmaktadır(22). Verilerin dengeli dağılmamasından kaynaklanan yanlılık ve bias (önyargı) gibi durumlar da klinik uygulamalarda istenmeyen sonuçlara sebep olabilmektedir(23).

Yapay zekâ algoritmaları sürekli geliştirilmektedir. Gelecekte CNN eğitimi için eğitim veri tabanı büyüdükçe doğruluk da artacaktır(24). Günümüzdeki önemli sınırlamalardan birisi de CNN’lerin demografik özellikler, özgeçmiş, soygeçmiş ve lezyon özellikleri gibi bilgiler olmadan değerlendirme yapmaları yani bağlam eksikliğidir. Gelecekte bu açılardan da eğitilmeleri halinde başarıları artacaktır(25).

Kaynakça

1. Turing AM. Computing machinery and intelligence. Parsing the Turing test: Philosophical and methodological issues in the quest for the thinking computer: Springer; 2007. p. 23-65.
2. McCarthy JJML, Architecture tCAi, Design U. Artificial intelligence, logic, and formalising common sense. 2022:69-90.
3. Tran BX, Vu GT, Ha GH, Vuong Q-H, Ho M-T, Vuong T-T, et al. Global evolution of research in artificial intelligence in health and medicine: a bibliometric study. 2019;8(3):360.
4. Patel S, Wang JV, Motaparthi K, Lee JBJCid. Artificial intelligence in dermatology for the clinician. 2021;39(4):667-72.
5. Linares MA, Zakaria A, Nizran PJPc. Skin cancer. 2015;42(4):645-59.
6. Rosado B, Menzies S, Harbauer A, Pehamberger H, Wolff K, Binder M, et al. Accuracy of computer diagnosis of melanoma: a quantitative meta-analysis. 2003;139(3):361-7.
7. Behara K, Bhero E, Agee JT. AI in dermatology: a comprehensive review into skin cancer detection. PeerJ Computer science. 2024;10:e2530.
8. Furriel B, Oliveira BD, Prôa R, Paiva JQ, Loureiro RM, Calixto WP, et al. Artificial intelligence for skin cancer detection and classification for clinical environment: a systematic review. Frontiers in medicine. 2023;10:1305954.
9. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-level classification of skin cancer with deep neural networks. 2017;542(7639):115-8.
10. Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. 2018;29(8):1836-42.
11. KOÇYİĞİT P, KUŞÇU DDJTKD-ST. Akne ve Diğer Sebase Bez Hastalıklarında Yapay Zekâ. 2022;15(2):24-8.
12. Hoffmann R. Trichoscan: what is new? Dermatology (Basel, Switzerland). 2005;211(1):54-62.
13. Shakeel CS, Khan SJ, Chaudhry B, Aijaz SF, Hassan UJC, medicine mmi. Classification framework for healthy hairs and alopecia areata: a machine learning (ml) approach. 2021;2021(1):1102083.
14. Gupta AK, Ivanova IA, Renaud HJJDT. How good is artificial intelligence (AI) at solving hairy problems? A review of AI applications in hair restoration and hair disorders. 2021;34(2):e14811.
15. Potter B, Ronan SGJJotAAoD. Computerized dermatopathologic diagnosis. 1987;17(1):119-31.
16. Lalmalani RM, Lim CXY, Oh CC. Artificial intelligence in dermatopathology: a systematic review. Clinical and experimental dermatology. 2024;50(2):251-9.
17. Liu Y, Jain A, Eng C, Way DH, Lee K, Bui P, et al. A deep learning system for differential diagnosis of skin diseases. 2020;26(6):900-8.
18. Dermatolojide yapay zekâ. Türkiye Klinikleri Dermatology – Special Topics. 2023;16(2).
19. Hamid S. The opportunities and risks of artificial intelligence in medicine and healthcare. 2016.
20. Lee D, Yoon SNJIjoer, health p. Application of artificial intelligence-based technologies in the healthcare industry: Opportunities and challenges. 2021;18(1):271.
21. Güvercin CHJEP, editör. Yapay Zekâ ve Tıp Etiği. Tıpta yapay zekâ ve etik. 2020;1:7-1.
22. Poon AI, Sung JJJJog, hepatology. Opening the black box of AI‐Medicine. 2021;36(3):581-4.
23. Reddy S, Allan S, Coghlan S, Cooper PJJotAmia. A governance model for the application of AI in health care. 2020;27(3):491-7.
24. Han SS, Kim MS, Lim W, Park GH, Park I, Chang SEJJoID. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm.2018;138(7):1529-38.
25. Buolamwini J, Gebru T, editors. Gender shades: Intersectional accuracy disparities in commercial gender classification. Conference on fairness, accountability and transparency;2018: PMLR.