Kulak Burun Bogaz/Odyoloji Alanındaki Yapay Zeka Araştırmaları

Merhaba, bu yazida sizlerle KBB/Odyoloji alaninda yapay zeka ve makine ogrenmesinin ne sekilde kullanildigini ve yapilan calismalari paylasmak istiyorum.

Yapay zekanin tip alaninda kullanimi son yillarda giderek artmaktadir. Bu calismalarin basinda Radyoloji alani gelmektedir; cunku derin ogrenme-yapay sinir aglari ile goruntuleme calismalarinda onemli adimlar atilmis; radyomikler ile tumor varligi; iyi huylu (benign) veya kotu huylu (malign) olup olmadigi, hatta gelisim evreleri dahi net bicimde ayirt edilebilir duruma gelmistir. Radyomik, radyografi goruntuleme yontemi ile elde edilen goruntulere ait nicel veriler uzerinde calisan bir bilim alanidir. Cok boyutlu goruntulerin, insanlarin algilayamayacagi bilgiler icermesi ile, yapay zekanin radyoloji alaninda cesitli hastaliklarin tanisi, gelisim evreleri, yapilari acisindan ‘image biomarkers’ gorevi ustlendigini soylemek mumkun.

Kulak Burun Bogaz ve Odyoloji alaninda calisan arastirmacilarin yapay zeka ve makine ogrenmesi ile ilgili temel kavramlara, bilgilere sahip olmasi; yapilmasi muhtemel alan ici ve multidisipliner calismalar icin oldukca onemlidir. Bu nedenle yazida sadece calismalardan bahsetmek yerine, oncelikle yapay zeka ve makine ogrenmesi kavramlarina da giris yapacagim. Tabi ki derinlemesine anlatmak yerine genel bir bakis sunarak, en azindan ilginizi cekmis; bu alana yonlendirmis olabilirim.

Yapay zeka, arastirma alaninda cok genis bir aga sahip olsa da; temel olarak Dogal Dil Isleme (Natural Language Processing) ve Makine Ogrenmesi’ni (Machine Learning) icermektedir.

Dogal Dil Isleme calismalari gundelik hayatta google da sesli aramalar yaparken, konusulan dilin makine tarafindan real-time baska bir dile cevrilmesinde, aranilan bir bilginin cesitli kaynaklardan bulunarak suzulerek elde edilmesinde, yazilarin islenmesinde (ornegin wordde evler kelimesinde ev yerine okul yazarsaniz hepsi okuller olarak degisir, bu tarz problemlerin onune gecmek icin), sesli yapay zeka botlarinda (Siri gibi), bankalardaki otomatik cevap sistemlerinde (aradiginizda sizden cevap isteyip, anahtar kelimeler ile sonraki asamaya gecmesi) kullanilmakta. Internet, insanlar tarafindan uretilen en genis bilgi kaynagidir ve bu kaynaktan en etkili, kisa sekilde yararlanabilmek; ancak bilgisayarlarin dogal dilleri anlamasi ile mumkun olacaktir. Insanlarin surekli yazilar ile kendi internet sayfalarinda, bloglarinda, sosyal medyalarinda paylasimlar yaptigi dusunulurse, bu icerigi bilgisayarlarin dogru sekilde algilamasi, modellemesi ve karsilastirabilmesi cok onemlidir.

Makine ogrenmesi’nin ise tip alanindaki yapay zeka calismalarinin asil yukunu cektigini soyleyebiliriz.

Makine Ogrenmesine hizli bir giris yaparsak,

Makine Ogrenmesi temel olarak gecmis veriler ya da deneylere dayali olarak yeni bir bilgi olusturmaya imkan taniyan, bir grup matematiksel teknikler, hesaplamalar olarak tanimlanabilir. Bu algoritmalarin karmasikligi ve insan bilgisinin otesinde islemler yapabilme yetenegi, insanliga tahmin bile edemeyecegi konularda yardimci olabilir. Bu da makine ogrenmesini tip alaninda, ozellikle hastaliklarin teshisi, takibi, gelisimi ve sureci konusunda, en heyecan verici alanlardan biri yapmaktadir.

Bir makine ogrenmesi calismasina temel 3 adim ile baslayabiliriz. Oncelikle genis bir verisetine ihtiyacimiz var. Genis dememizin sebebi, olusturacagimiz modeli ne kadar egitirsek, ona ne kadar veri yuklersek, elde edecegimiz sonuc da o kadar guvenilir ve basarili olacaktir. Sonraki adim ise asagida da gorebileceginiz gibi verilerin on islenmesi ile training ve test kisimlarina bolunmesidir. Genellikle verilerin %80’i training icin kullanilirken; %20’lik kismi ise olusturdugumuz modeli test ederken kullaniliyor. Ornegin 5000 adet odyogram (isitme test sonucu) uzerinde bir isitme kaybi siniflandirmasi yaparken, 4000 tanesi ile modelimizi egitir, isitme kayiplarini siniflandirarak modele ogretirken; 1000 tanesi ile de modelimizi test edebiliriz.

Uc ana baslikta makine ogrenmesini anlatabiliriz; bunlar: Supervised Learning, Unsupervised Learning ve Reinforcement Learning. Supervised learning ile girdileri ve ciktilari sisteme tanitiriz, daha sonra yeni ciktilar uretebilmesi icin farkli bir girdi ile bu modeli test ederiz. Regresyon ya da siniflandirmada siklikla kullanilir. Supervised learningde dikkat edilmesi gereken sey, saglik alaninda yapilan calismalarda kullanilan verilerin ‘kesin dogru’ kabul edildigidir. Bu nedenle verileri aldiginiz kisilerin ilgili alanda uzman olup olmadigi dikkate alinmalidir. Yapay zeka ile karsilastirilan insan sonuclarinda, verilerin alindigi uzmanlar alaninda en iyiler olmali ki yapilan karsilastirma da dogru olsun. Unsupervised learning de ise sistemde ciktilari bilinmeyen veriler kullanilarak tahminler yapilmasi istenir. Bu modelde algoritma, daha once ciktilari verilmeyen detaylari, verileri kendi icerisinde -benzer olanlari dikkate alarak- organize eder. Bu yontem saglik alaninda, çok değişkenli büyük veri kümelerinde önceden tanımlanmamış hasta alt gruplarını belirlemek için kullanılabilir. Reinforcement learning ise tibbi yapay zeka uygulamalarinda daha az kullanilir. Bir cesit odul/ceza algoritmasi icermektedir ve her zaman odule ulasabilmek on plandadir. Algoritma gelistirme surecinin gercek zamanli dogasi, yuksek veri hacmi gerektirmesi ve daha yavas sonuc alinmasi sebebiyle kullanimi sinirlidir. Ornegin satranctan bilebileceginiz yapay zeka bu ogrenme yontemi ile yapilmistir. AlphaZero yaklasik 4.5 saatte kendisi ile altmis milyon oyun oynayarak bir veritabani olusturmus, donemin en guclu satranc makinesi stockfish ile yaptigi 100 macta 28 galibiyet almistir (kalan 72 mac berabere bitmistir). Bu yontem saglik alaninda, reinforcement learning’in dogustan gelen kesfedici dogasi nedeniyle, cerrahi robotikte kullanilabilir ve  insan duzeyindeki bilgi/bilis ile sinirli olmayan gercekleri/yontemleri ortaya cikarmada buyuk potansiyele sahiptir.

Yapay zekanin saglik alaninda en umut vaat eden teknigi, derin/yapay sinir aglari yoluyla derin ogrenmedir (Deep Learning). Beynin sinir aglarindan esinlenilerek olusturulan yapay sinir aglarini asagidaki sekilde gorebilirsiniz. Gorulecegi uzere, input ve output layer dedigimiz giris ve cikis katmanlari mevcut. Ara katman olan, hidden layer ise bilginin agirliklandigi kisimdir. Bilgi, her bağlantı bir sinapsı temsil edecek şekilde bu düğümler arasında dolaşır ve rastgele bir “ağırlık” veya “önyargı” ile ilişkilendirilir. Bu ağırlıklar veya önyargılar, algoritmanın performansını iyileştirmek için birden fazla yineleme yoluyla aşamalı olarak ayarlanır. Denetimli sinir ağlarında bu, gerçek ve beklenen çıktıları karşılaştırarak hatayı en aza indirmek için “geri yayılım” gibi ilgili matematiksel tekniklerle sağlanır. Ayrintili bilgiye buradan ulasabilirsiniz.

Derin Ogrenmedeki önemli bir araç, tıbbi görüntü işlemede sıklıkla etkili bir yontem olarak kullanılan evrişimli sinir ağıdır (CNN). Bir onceki yazida Meniere Hastaligi’nin goruntuleme teknikleri kullanilarak yapay zeka ile tanilanmasina deginmistik. Kullanim alanlarindan bazilari meme kanserinde mamografi yorumlanmasi, cilt kanseri tespiti ve retinopati değerlendirmesi ve derecelendirmesidir. CNN ile ilgili konuya ait mantigi ve matematiksel kisimlari ogrenebilmek icin bu linkten Derin Ogrenmede Teori ve Kodlama kismini izlemenizi oneririm.

Makine ogrenmesi ve yapay zeka ile ilgili temel altyapiyi cesitli egitimler, makale, yazilar ile internet uzerinden kolayca olusturabilirsiniz. Kisa bir giristen sonra yapilan calismalara gecebiliriz.
Asagidaki grafikte, yapay zeka alaninda yapilan calismalarin sayisini ve yillara gore dagilimini gorebilirsiniz. Onumuzdeki 20-30 yilda derin sinir aglarindaki algoritmalarin daha kompleks hale gelmesi ile giderek daha siradisi calismalarin yapilacagi ongorulmektedir.

Asagida bahsedecegim calismalari 5 alt gruba ayirmak istiyorum, bunlar: isitme cihazi teknolojileri (konusma anlasilirligini artiran teknolojiler), vestibuler hastaliklarin tanilanmasi ve yonetimi, sensorinoral isitme kaybi ciktilarinin tahmini, isitsel beyin sapi (ABR) cevaplarinin siniflandirilmasi ve goruntu isleme teknolojileri.

Isitme Cihazi Teknolojilerinde Yapilan Iyilestirme Surecine Bir Bakis

Isitme cihazindan fayda saglayabilecek kisilerin %80’inin isitme cihazi kullanmadigi dusunulmektedir (1). Hastalar genellikle ses kalitesinin dusuklugunden ve restoran gibi alanlarda gurultude konusma anlasilirligi performansindan sikayet etmektedirler.

Isitme cihazindaki algoritmalari iyilestirmeye yonelik ilk calismalar 1940li yillarda baslamistir ve lineer amplifikasyon ile ilgili formuller (NAL-National Acoustics Laboratories) 1970lerde gelistirilmistir. 2006 yilinda duyurulan Siemens Centra, makine ogrenmesinin isitme cihazi algoritmasina yerlesik halde uretilen ilk ticari isitme cihazlarindandir. Centra, ses kontrolu ayarlarina gore bireyin tercih ettigi kazanclari ‘ogrenir’ ve yeniden acilista varsayilan ayarlari kademeli olarak degistirirdi. Chalupper ve Powers (3) ile Mueller ve ark. (4) yaptiklari calismalarda katilimcilarin cihazlarini ongorulen seviyelere oranla cok farkli sekillerde egittiklerini bulmuslardir. Bu bulgulardan yola cikarak, yeni gelistirilecek cihazlarda farkli ortamlara gore farkli kazanclar belirlemenin onemi ortaya konmustur. Gunumuze bakildiginda, yillar suren calismalar sonunda, isitme cihazlarinda gercek zamanli yabanci dilden cevirilerin dahi hayatimiza girmeye basladigini gorebilmek mumkun.

Asagidaki ornek calismalarda yapilan uygulamalari, kullanilan makine ogrenmesi yontemlerini ve ciktilari gorebilirsiniz.

•  1995 yilinda Kates (2) tarafindan yapilan ve isitme cihazi fitting prosedurlerinin degerlendirildigi calismada makine ogrenmesi yontemi olarak yapay sinir aglari kullanilmistir ve simulasyon sonucunda, yapay sinir aglariyla olusturulan modelin, NAL-R (National Acoustics Laboratories-Revised)’ye gore cok daha dogru sonuclar verdigi gorulmustur.
• 2006 yilinda Chalupper ve Powers (3) tarafindan yapilan makine ogrenmesi algoritmasina sahip bir ticari isitme cihazi olan Siemens Centrayla ilgili calismada, cihaz kullanicilarinin daha once yapilan fittinge gore, farkli kosullarda farkli ayarlar tercih ettigi bildirilmistir (Bu calismada makine ogrenmesi yontemi sirket tarafindan belirtilmemistir.).
• 2008 yilinda Mueller ve ark. (4) yaptilari calismada yine Siemens Centra ile calismislardir ve makine ogrenmesi ile olusturulan yeni kazanclar, NAL-NL1 (National Acoustic Laboratories’ nonlineer fitting procedure) kazanclarina gore onemli olcude farkli bulunmustur (Bu calismada makine ogrenmesi yontemi sirket tarafindan belirtilmemistir.).
• 2013 yilinda Keidser ve Alamudi (5) tarafindan yapilan bir calismada, Siemens Sound Cloud kullanilarak 15 katilimciya makine ogrenmesi ile egitilmis ve egitilmemis ayarlar sunulmustur. Calisma sonucunda katilimcilar egitilmis (adaptif) ayarlari tercih etmislerdir (Bu calismada makine ogrenmesi yontemi sirket tarafindan belirtilmemistir.).
• 2016 yilinda Aldaz ve ark. (6) yarafindan yapilan calismada makine ogrenmesi yontemi olarak logistic regression kullanilmistir ve kullanicinin tercih ettigi ayarlara gore ogrenebilen bir akilli telefon uygulamasinin gelistirilmesi amaclanmistir. Bu calismada katilimcilarin %49,2 (p<0.001) si logistic regression ile egitilen ayarlari tercih ederken, %27,6si lineer amplifikasyonu tercih etmis; %23.2si ise herhangi bir farklilik bildirmemistir.

Calismalarda da goruldugu gibi, makine ogrenmesi calismalari ile isitme cihazindan kullaniciya dair alinan verilerin islenmesi sureci bilimsel arastirmalar ile hiz kazanmistir.

Konusmanin Anlasilirligina Yonelik Makine Ogrenmesi ile Yapilan Calismalar

Isitme cihazlarinda konusmanin anlasilirligini ve kalitesini gelistirmeye yonelik teknolojiler bilindigi gibi, mikrofondan alinan ses sinyallerini temizleyip isler ve bir konusma-tanima yazilimi gibi istemciye iletir. Arka plan gurultusunu azaltmak icin spektral cikarma (7), wiener filtreleme (8) ve minimum ortalama kare hatasi (tahmin edilen veriler ile gozlemlenen veriler arasindaki fark) (9) gibi cesitli teknikler vardir. Derin ogrenmeye dayali calismalarda arka plan gurultusunun azaltilmasinda (10) ve konusmanin algisal degerlendirmesinde (11) onemli gelismeler olmustur. Makine ogrenmesi algoritmalari ile, gelen verinin islenip, kullaniciya tekrar sunulacagi dusunulurse; ileride makine ogrenmesi ve yapay zeka alanindaki gelismelerin isitme cihazi satislarini da olumlu yonde etkileyecegi dusunulmektedir.

Asagidaki ornek calismalarda yapilan uygulamalari, kullanilan makine ogrenmesi yontemlerini ve ciktilari gorebilirsiniz.

• 1992 yilinda Metz ve ark. (12) tarafindan konusma anlasilirligini tahmin etme uzerine yapilan calismada makine ogrenmesi yontemi olarak sinir aglari kullanilmistir ve tum verisetinde yapilan modelin tahmin gucu %83 olarak bulunmustur.
• 2013 yilinda Kates ve ark. (13) tarafindan sinir aglari kullanilarak yapilan bir calismada nonlineer bir isitme cihazi stratejisinin kalitesi ile konusma anlasilirligini tahmin etme uzerine calisilmistir. Tahmin edilen degerler ile yapilan gozlemler arasindaki fark kucuk ve katilimcilarin konusma anlasilirligi skorlari arasinda yuksek korelasyon olsa da; en iyi parametreleri secebilmek icin yapilan model hala yeterince dogru bulunmamistir.
• 2015 yilinda Xu ve ark. (10) tarafindan konusmanin gelistirilmesi amaclanilarak yapilan calismada makine ogrenmesi yontemi olarak sinir aglari kullanilmistir. Yapilan olcumlerde geleneksel yontemlere gore hem nesnel hem oznel degerlendirmelerde sinir aglari onemli gelismeler saglamistir ve katilimcilarin %78’i sinir aglariyla gelistirilen modeli tercih etmislerdir.
• 2016 yilinda Kumar ve Florencio (11) tarafindan yapilan calismada makine ogrenmesi yontemi olarak sinir aglari kullanilmistir ve farkli gurultu kosullarinda konusmanin gelistirilmesi amaclanmistir. Yapabildikleri en iyi sinir aglari modeli ile geleneksel yontemlere kiyasla konusma algisinda %27 daha iyi sonuclar elde etmislerdir.

Vestibuler Bozukluklarin Tanilanmasi ve Yonetimi

• 1990 yilinda Mira ve ark. (14) tarafindan yapilan calismada makine ogrenmesi yontemi olarak karar agaclari kullanilmistir. VERTIGO adinda, vertigonun tanilanmasi ve siniflanmasina ait bir uzman sistem gelistirilmesi amaclanmistir. 200’den fazla bas donmesi hastasina gore olusturulan sema, diger uzmanlar tarafindan degerlendirilmis ve hastalik tanilanmasi, siniflandirilmasina dair olumlu gorusler bildirilmistir.
• 1990 yilinda Gavilan ve ark. (15) tarafindan yapilan calismada, yine karar agaclari yontemi kullanilmistir. Bas donmesine sebep olan vestibuler bozukluklarin teshisi icin CARNISEL adinda bir sistem gelistirmeyi amacladilar. 170 hasta uzerinde yapilan degerlendirmede, cesitli uzmanlar ile bu semayi olusturan uzmanlar %97 oranin ortak taniya ulastilar.
• 1999 yilinda Kentala ve ark. (16) tarafindan yapilan calismada genetik algoritmalar kullanilmistir. Amaclari Otoneurological Expert (ONE) adini verdikleri bir vertigo veri tabani gelistirmekti. Sonuclarda Meniere hastaligi disindaki tum hastaliklarda %90 oraninda dogru taniya ulasilmistir.
• 2001 yilinda Laurikkala ve ark. (17) tarafindan yapilan calismada genetik algoritmalar kullanilmistir. Amaclari ONE veri tabanini vertigo iceren 6 hastaliga gore siniflandirmakti. Meniere hastaligi disindaki 6 vertigo tanisi icin %90 uzerinde dogruluk elde edilmistir. Bu 6 hastalik vestibuler schwannoma, BPPV, Meniere’s hastaligi, ani isitme kaybi, travmatik vertigo ve vestibuler norinittir.
• 2006 yilinda Krafczyk ve ark. (24) tarafindan yapilan calismada sinir aglarini kullanmislardir ve denge bozukluklarindaki postural salinim paternlerinin tanilanmasini amaclamislardir. Sensitivity ve specificity 0.93 cikmistir.
• 2008 yilinda Siermala ve ark. (18) tarafindan yapilan calismada makine ogrenmesi yontemi olarak sinir aglari kullanilmistir.  Amaclari ONE veritabaninin vertigo iceren 6 hastaliga gore siniflandirilmasiydi. Sensitivity ve Specificity de en az %10’luk artis elde edilmistir; %85-%83. Bu 6 hastalik vestibuler schwannoma, BPPV, Meniere’s hastaligi, ani isitme kaybi, travmatik vertigo ve vestibuler norinittir.
• 2008 yilinda Juhola (22) tarafindan yapilan calismada makine ogrenmesi yontemlerinden k-NN (k-nearest neighbor, k-en yakin komsu), Lineer Discriminant analysis (Dogrusal Ayirma analizi), Naiave Bayesian decision rule (Naive bayes siniflandiricisi), k-means clustering (kumeleme), decision trees (karar agaclari), MLP (Multilayer perceptron network, Cok katmanli algilayicilar) ve kohonen aglari kullanilmistir. Amaclari oto-norolojik verilerinin siniflandirmasinda farkli makine ogrenmesi yontemlerinin karsilastirilmasiydi. En iyi sonucu %95.5 ile Dogrusal Ayirma analizi ile almislardir ve sonra sirasiyla MLP (%95), k-NN (%93.5), kumeleme (%92.9), kohonen aglari (%92.7) ve karar agaclari (%89.4) gelmektedir.
• 2010 yilinda Miettinen ve Juhola (19) tarafindan yapilan calismada Naive Bayes modeli kullanilmistir ve ONE veritabanindaki vertigoyu iceren 6 hastaliga dair siniflandirma yapilmistir.  Ortalama sensitivity %90, specificity %92 ve %97’ye varan dogrulukla hastaliklar tanilanmistir.
• 2011 yilinda Varpa ve ark. (20) tarafindan yapilan calismada k-NN metodu ve SVM (Support Vector Machine, Destek Vektor Makineleri) kullanilmistir. 9 oto-norolojik hastaliga ait tahminlerin dogrulugunda ikili siniflandirma yonteminin etkisini incelemislerdir. k-NN ile en yuksek siniflandirma skorlarina ulasmislardir.
• 2014 yilinda Yeh ve ark. (23) tarafindan yapilan calismada SVM (Destek Vektor Makineleri) yontemi kullanilmistir. Sanal gerceklik rehabilitasyon sistemi ile vestibuler disfonksiyon ve dengesizligi degerlendirme araci yapmislardir. Egitim surecini tamamlayan hastalarda, daha iyi denge skorlari elde edilmistir.
• 2016 yilinda Exarchos ve ark. (21) tarafindan yapilan calismada karar agaclari yontemi kullanilmistir. EMBalance adinda bir uzman sistem gelistirmislerdir. Kendi uzmanlari %92.1 oraninda dogrulukla Meniere hastaligini dogru teshis etmislerdir, en kotu sonuclar ise pratisyen hekimlerden gelmistir ve unilateral periferik bozukluklarda bu oran %59.3 olarak elde edilmistir.

Sensorinoral Isitme Kaybina Dair Tahminler

• 1994 yilinda Kimberley ve ark. (25) tarafindan yapilan calismada sinir aglari kullanilmistir. DP-OAE sonuclarindan saf ses isitme esik tayini yapmak istemislerdir. Modelin yapmis oldugu tahminlerde normal saf ses isitme esikleri icin %80 oraninda, daha kotu isitme esikleri icin %90 oraninda bir dogruluk gosterilmistir.
• 1998 yilinda Buller ve ark. (26) nin yaptigi calismada sinir aglari kullanilmistir. Amaclari TE-OAE’nin otomatik olarak siniflandirilmasini yapmakti. Modelin sensitivity %99.4 (474/477), specificity ise %87.3 (780/893) olarak bulunmustur.
• 2002 yilinda de Waal ve ark. (27) yaptiklari calismada sinir aglarini kullanmislardir. Amaclari otoakustik emisyonlardan isitme kaybini tahmin etmekti. Normal isitmeye air verilerde 500 Hz’de %94, 1000 Hz’de %88, 2000 Hz’de %88 ve 4000 Hz’de %93 oraninda dogruluk vardi. Ancak isitme kaybina ait verilerin yetersiz olmasi nedeniyle dogruluk oranlari daha dusuk bulunmustur.
• 2004 yilinda Ziavra ve ark. (29) yaptiklari calismada sinir aglarini ve lojistic regresyon yontemlerini kullanmislardir. Amaclari sensorinoral isitme kaybinin tanilanmasi idi. Sinir aglarinda AUC 0.86 olarak bulunmustur (yani tahmin ile gercek veriler birbirine buyuk oranda uyumludur.). Lojistik regresyon ise 0.91 ve 0.92 olarak bulunmustur.
• 2015 yilinda Farhadian ve ark. (31) tarafindan yapilan calismada sinir aglari ve lojistik regresyon kullanilmistir. Endustriyel alanda calisan iscilerin isitme kayiplarini tahmin etmeyi amaclamislardir. Sinir agi icin dogruluk 88.6 iken, kappa katsayisi 66.30; lojistik regresyon dogruluk 84.28 ve kappa katsayisi 51.30 olarak bulunmustur.
• 2015 yilinda Aliabadi ve ark. (30) tarafindan yapilan calismada sinir aglari kullanilmistir ve bir celik fabrikasinda calisan, gurultuye maruz kalan iscilerin isitme kayiplari tahmin edilmistir. Sinir aglari ile yapilan isitme kaybi esik tahmininde hata orani 2.6 dB ve korelasyon 0.89 olarak bulunmustur.
• 2016 yilinda Subramaniam ve ark. (28) tarafindan yapilan calismada sinir aglari kullanilmistir ve isitsel uyarilmis potansiyellere gore isitme esigi tahmin edilmistir. Sol ve sag kulaklarda maksimum siniflandirma dogrulugu %83.45 ve %85.77 olarak elde edilmistir.
• 2018 yilinda Bing ve ark. (32) yaptiklari calismada DBN (Deep Belief Network (Derin inanc aglari), SVM (Destek vektor makinesi), MLP (Cok katmanli algilayicilar) ve lojistik regresyon kullanilmistir. Amaclari sensorinoral isitme kaybi tanisinda bu 4 makine ogrenmesi yontemini karsilastirmakti. DBN %77.58 dogruluk ve 0.84 AUC ile en yuksek skorlari elde etmistir.
• 2019 yilinda Zhao ve ark. (33) tarafindan yapilan calismada SVM, MLP, Random forest (Rastgele orman), Adaptive boosting (AdaBoost) yontemleri kullanilmistir. Bir celik fabrikasinda calisan, gurultuye maruz kalan iscilerin isitme kayiplari tahmin edilmesi amaclanmistir. 4 Model de %78.6 ile %80.1 arasinda dogruluk gostermistir. En yuksek skorlar SVM’ye aitti.

Isitsel Beyin Sapi Cevaplarinin Siniflandirilmasi

• 1991 yilinda Alpsan (34) tarafindan yapilan calismada sinir aglari kullanilmistir ve ABR cevaplarinin siniflandirmasi amaclanmistir. Sonucta uzmanlarla uyumlu sonuclar ciksa da, cok yuksek oranlarda tahmin elde edilememistir.
• 2006 yilinda Acir ve ark. (35) tarafindan yapilan calismada Destek vektor makinalari kullanilmistir. Esik tayini icin ABR’nin otomatik siniflandirilmasi amaclanmistir. Sensitivity %99.2, Specificity %94 ve tahmin dogrulugu %96.2 olarak bulunmustur.
• 2007 yilinda Davey ve ark. (36) tarafindan sinir aglari ile karar agaclari birlikte kullanilarak ABR’nin siniflandirilmasi amaclanmistir. Zaman ve frekans alanlarina ait ozellikler dusunuldugunde siniflandirmanin dogrulugu %95.6 olarak bulunmustur.
• 2016 yilinda Dass ve ark. (37) yaptiklari calismada sinir aglarini kullanmislardir ve ABR’nin siniflandirilmasi amaclanmistir. Normal ve abnormal ABR sinyallerinin siniflandirilmasinda ortalama dogruluk %90.74 olarak elde edilmistir.
• 2019 yilinda McKearney ve MacKinnon (38) tarafindan yapilan bir calismada sinir aglari kullanilmis ve ABR siniflandirilmasi amaclanmistir. ABR dalgaformlarinin siniflandirilmasinda dogruluk %92.9 iken sensitivity %92.9 ve specificity %96.4 olarak elde edilmistir.

Goruntu Isleme Teknolojileri ve Makine Ogrenmesi Yontemleri

• 2016 yilinda Myburg ve ark. (41) yaptiklari calismada karar agaclarini kullanmislardir ve Otitis media’nin otomatik tanilanmasini amaclamislardir. Ticari ve dusuk maliyetli video-otoskoplarla alinan goruntulerde dogruluk oranlari sirasiyla %80.6 ve %78.7 olarak bulunmustur.
• 2017 yilinda Liu ve ark. (39) yaptiklari calismada sinir aglarini kullanmislardir. ELHnet adi verdikleri sistemi ile Optik Koherens Tomografi ile goruntuledikleri endolenfatik hidropsu siniflandirmak istemislerdir. Farelerde yaptiklari calismada 34/37 dogru siniflandirma ile sensitivity %83.3 (15/18) ve specificity %100 (19/19) olarak bulunmustur.
• 2018 yilinda Abdollahi ve ark. (40) yaptiklari calismada cesitli makine ogrenmesi yontemleri ve lojistik regresyon kullanmislardir. Kemoterapiye bagli gelisen sensorinoral isitme kaybi tahmininde cochlea bilgisayarli tomografi radyomiklerini kullanmak istemislerdir. Sonucta 10 makine ogrenmesi yonteminde tahmin gucu %70 uzerinde iken, 490 radyomik ozellikten sadece 10 tanesinin SNHL ile iliskili oldugu belirtilmistir.
• 2019 yilinda Lee ve ark. (42) yaptiklari calismada CNN (derin sinir aglari) kullanilmistir ve timpanik membranin tarafi ve perforasyon varligi arastirilmistir.  Perforasyon %91 dogrulukla belirlenmisken, timpanik membranin tarafi ise %97.9 oraninda dogru tahmin edilmistir.

Otoloji kismindan Larengoloji kismina gececek olursak, burada daha cok ses, video, klinik veri ve goruntu tabanli tahmin ve algoritmalar uzerinde durabiliriz.

Ses tabanli tahminlerde ongorebileceginiz gibi patolojik ses – patolojik olmayan ses ayrimi icin makine ogrenmesi rahatlikla kulanilabilir. Bu konuya dair Fang ve ark. tarafindan 2018 yilinda yapilan bir calismada, kisilerin ses kayitlarindan ‘patolojik ses’ ayrimini toplam 462 ses kaydi arasindan yapay sinir aglari ile %99.2 basari orani ile saptanabilmistir (43). Yine 2018 yilinda Cesari ve ark. yaptiklari calismada makine ogrenmesi karar agaclari algoritmasini kullanarak patolojik ses ile normal sesi karsilastirmada cok onemli basari oranlari yakalamislardir (44). Ileride bu tarz calismalarin mobil uygulamalara yuklenerek tani amacli kullanilabilecegi dusunulmektedir.

Video tabanli tahminlerde ise nispeten küçük bir çalışmada, yüksek hızlı laringoskopi videosu (saniyede 4000 görüntü), bir destek vektörü algoritmasi ile analiz edildiğinde T1a tümörlerini prekanseröz laringeal lezyonlardan ayırmada önemli bir potansiyel göstermiştir (45). Yakin gelecekte, daha genis ve egitilmis veri setleri ile yuksek dogrulukta invaziv olmayan testler, kucuk laringeal lezyonlarda tanisal cerrahiyi sinirlandirabilir.

Klinik veri tabanli tahminlerde, Tsui ve arkadaslari (46) disfoninin altinda yatan patolojileri bulabilmek icin demografik ve semptomatik klinik verilere yapay sinir aglari kullanarak uyguladigi bir algoritma sonucu, neoplazi, fonotravma ve palsi arasindaki farkliligi %83 oraninda dogru tahmin edebilmistir. Ses veya video kayitlarina ihtiyac duymadan elde edilen sonuclar oldukca onemlidir.

Goruntu tabanli tahminlerde 2020’nin sonlarinda AGATI (Automated Glottic Action Tracking by Artificial Intelligence) adi verilen bir bilgisayar araci gelistirilmistir ve fiberoptik laringoskopi görüntülerinde gerçek vokal kord hareketini izleyerek tek taraflı vokal kord felçini tanımlayabilmistir. Program AUC 0.87 ile yuksek bir tanisal dogruluga sahiptir (47).

Yutma konusundaki yapay zeka calismalarina baktigimizda,  Videofloroskopi (VFS) üzerinde hyoid kemik yer değiştirmesinin haritalanması yoluyla disfaji değerlendirmesi, derin öğrenme kullanılarak neredeyse %90 doğrulukla yapilabilmistir (48). Mormalde 30 dakikadan uzun suren bu islem, makine ogrenmesi algoritmasi ile 1 dakikanin altina indirilmistir. Ayni ekip daha sonra makine ogrenmesi yontemleri ile ust ozefagus sfinkter acikligini da %90’in uzerinde dogrulukla tespit etmislerdir. Bu sonuclar, disfaji icin invaziv olmayan ve radyasyona sebebiyet vermeden tanilama acisindan buyuk bir potensiyel olarak gorulmektedir (49).

Yapilan calismalardan bahsettikten sonra kisaca gunumuzde yapay zekanin saglik alanindaki yerinden ve bazi onemli noktalardan bahsetmek istiyorum.

Yukaridaki sekilde de gorebileceginiz gibi, yapay zeka calismalari saglik alaninda onemli bir yer tutmaktadir ve calismalarin bircogu bu alanda gerceklesmektedir. Ancak diger alanlari da goz ardi etmemek gerekir. Yapay zekanin gelisimi ile disiplinler arasi daha cok calismaya ihtiyac duyulacak; matematiksel ifadelerin yapay zekaya daha da islenmesi ile isitme cihazi, koklear implant gibi konusma anlasilirliginin cok onemli oldugu isitsel cihazlarda onemli mesafeler kat edilecektir. Tabloda da goruldugu gibi verilerden yola cikarak tanilarin desteklenmesi, erken teshisler, goruntuleme calismalari saglik alaninda onemlidir; fakat yapay zekanin uygulanabilirligi konusunda bazi tartismali alanlar vardir. Ozellikle goruntu isleme gibi bir teknolojide, daha once insan eliyle karmasik matematiksel modellemeler kullanilirken; simdilerde yapay zeka bunu kendi kendine yapabiliyor. Fakat bize, ornegin CNN kullanilirken, herhangi bir aciklama sunmuyor. Bu bakimdan, ‘aciklanabilirlik’ ‘explainability’ ozelligi, yapay zekanin simdiden cozmesi gereken buyuk bir sorun olarak karsimiza cikmaktadir. Asagidaki tabloda dikkat etmemiz gereken noktalari gorebilirsiniz. Teknolojinin onden gidip, etik kismin ise arkadan geldigini unutmamak gerekir.

Saglik alaninda da yapilan tibbi algoritmalarin kullanilabilmesi icin, her seyden once aciklanabilir olmasi gerekir. Burada Aciklanabilir Yapay Zeka kavrami one cikmaktadir. Aciklanabilir Yapay Zeka, yapay zeka teknolojilerinin uygulanmasindaki yontem ve tekniklere, cozumun sonuclarinin insan uzmanlari tarafindan anlasilabilecegi sekilde verilmesidir. Isler yanlis gittiginde kim sorumludur? Islerin neden yanlis gittigini aciklayabilir miyiz? Isler iyi gidiyorsa, neden ve nasil daha fazla yararlanabilecegimizi biliyor muyuz? sorularina cevap bulabilmemiz gerekir. Bu nedenle bilgisayarlar uzerinde gerceklestirilen algoritmalarin tip alaninda uygulanmadan once mutlaka GDPR (General Data Protection Regulation) kurallarina uymasi gerekmektedir. Ozellikle 71. madde modellerin aciklanabilirligine dair ifadeyi icermektedir (Son iki paragrafta Prof. Dr. Adil Alpkocak’in Saglikta yapay zeka uygulamalari adli sunumundan yararlandim).

Son olarak bahsetmek istedigim konu, yapay zeka veya makine ogrenmesi etkin tibbi cihazlarin klinikte kullanilmadan once mutlaka bir izin almasi gerektigidir. Ornegin Amerika’da FDA, bu tarz cihazlarin klinikte kullanimi icin bir liste yapmistir. Yapilan algoritmalarin, tipta kullanilabilirligini olcerek bu alanda sertifikalar vermektedir. Fakat nasil vermesi gerektigine dair hala tam olarak net ifadeler gecmemektedir. Buradan ilgili listeye gidebilir, hangi firmanin, hangi alanda, ne urettigine dair bilgilere ulasabilirsiniz. Ayrica baska firmalarin da bu tarz listeleri ve calismalari mevcut. Asagida ilgili kaynaklari bulabilirsiniz (50, 51, 52).

Okudugunuz icin tesekkur ederim, umarim faydali olmustur. Yeni bilgi eklendikce yaziyi guncelleyecegim, ara sira kontrol etmeyi unutmayin.

Iletisim icin: soner.turudu@gmail.com kullanabilirsiniz. Gelen maillerde eger kendinizi tanitmadiysaniz maalesef cevap vermedigimi belirtmek istiyorum.

Yazida calismalarin derlenmesi amaciyla You ve arkadaslari (2020) tarafindan yayinlanan ‘Artificial Intelligence Applications in Otology: A State of the Art Review’ adli makale kaynak alinmistir.

Diger yazilarda gorusmek uzere, hoscakalin!

Kaynakca

1. McCormack A, Fortnum H. Why do people fitted with hearing aids not wear them? Int J Audiol. 2013;52:360-368.
2. Kates JM. On the feasibility of using neural nets to derive hearing-aid prescriptive procedures. J Acoust Soc Am 1995;98: 172-180.
3. Chalupper J, Powers T. Changing how gain is selected: the benefits of combining datalogging and a learning VC. Hear J. 2006;13:46-55.
4. Mueller HG, Hornsby BWY, Weber JE. Using trainable hearing aids to examine real-world preferred gain. J Am Acad Audiol. 2008;19:758-773.
5. Keidser G, Alamudi K. Real-life efficacy and reliability of training a hearing aid. Ear Hear. 2013;34:619-629.
6. Aldaz G, Puria S, Leifer LJ. Smartphone-based system for learning and inferring hearing aid settings. J Am Acad Audiol. 2016;27:732-749.
7. Boll S. Suppression of acoustic noise in speech using spectral subtraction. IEEE Trans Acoust. 1979;27:113-120.
8. Lim JS, Oppenheim AV. Enhancement and bandwidth compression of noisy speech. Proc IEEE. 1979;67:1586-1604.
9. Ephraim Y, Malah D. Speech enhancement using a minimummean square error short-time spectral amplitude estimator. IEEE Trans Acoust. 1984;32:1109-1121.
10. Xu Y, Du J, Dai L, Lee C. A regression approach to speech enhancement based on deep neural networks. IEEE-ACM T Audio SPE. 2015;23:7-19.
11. Kumar A, Florencio D. Speech enhancement in multiple-noise conditions using deep neural networks. arXiv preprint arXiv. 2016;160502427.
12. Metz DE, Schiavetti N, Knight SD. The use of artificial neural networks to estimate speech intelligibility from acoustic variables: a preliminary analysis. J Commun Disord. 1992;25:43-53.
13. Kates JM, Arehart KH, Souza PE. Integrating cognitive and peripheral factors in predicting hearing-aid processing effectiveness. J Acoust Soc Am. 2013;134:4458.
14. Mira E, Buizza A, Magenes G, Manfrin M, Schmid R. Expert systems as a diagnostic aid in otoneurology. ORL. 1990;52:96- 103.
15. Gavila´n C, Gallego J, Gavila´n J. ‘Carnisel’: an expert system for vestibular diagnosis. Acta Otolaryngol. 1990;110:161-167.
16. Kentala E, Auramo Y, Pyykko¨ I, Juhola M. Otoneurological expert system. Ann Otol Rhinol Laryngol. 1996;105:654-658.
17. Laurikkala JPS, Kentala EL, Juhola M, Pyykko¨ IV. A novel machine learning program applied to discover otological diagnoses. Scand Audiol. 2001;30:100-102.
18. Siermala M, Juhola M, Kentala E. Neural network classification of otoneurological data and its visualization. Comput Biol Med. 2008;38:858-866.
19. Miettinen K, Juhola M. Classification of otoneurological cases according to Bayesian probabilistic models. J Med Syst. 2010; 34:119-130.
20. Varpa K, Joutsijoki H, Iltanen K, Juhola M. Applying one-vsone and one-vs-all classifiers in k-nearest neighbour method and support vector machines to an otoneurological multi-class problem. Stud Health Technol Inform. 2011;169:579-583.
21. Exarchos TP, Rigas G, Bibas A, et al. Mining balance disorders’ data for the development of diagnostic decision support systems. Comput Biol Med. 2016;77:240-248.
22. Juhola M. On machine learning classification of otoneurological data. Stud Health Technol Inform. 2008;136:211-216.
23. Yeh SC, Huang MC, Wang PC, et al. Machine learning-based assessment tool for imbalance and vestibular dysfunction with virtual reality rehabilitation system. Comput Methods Programs Biomed. 2014;116:311-318.
24. Krafczyk S, Tietze S, Swoboda W, Valkovic P, Brandt T. Artificial neural network: a new diagnostic posturographic tool for disorders of stance. Clin Neurophysiol. 2006;117:1692- 1698.
25. Kimberley BP, Kimberley BM, Roth L. A neural network approach to the prediction of pure tone thresholds with distortion product emissions. Ear Nose Throat J. 1994;73:812-813.
26. Buller G, Lutman ME. Automatic classification of transiently evoked otoacoustic emissions using an artificial neural network. Br J Audiol. 1998;32:235-247.
27. de Waal R, Hugo R, Soer M, Kru¨ger JJ. Predicting hearing loss from otoacoustic emissions using an artificial neural network. S Afr J Commun Disord. 2002;49:28-39.
28. Subramaniam K, Sridhar K, Paulraj M. Auditory evoked potentials based detection of hearing threshold using PSO neural network. Pak J Biol Sci. 2016;13.
29. Ziavra N, Kastanioudakis I, Trikalinos TA, Skevas A, Ioannidis JPA. Diagnosis of sensorineural hearing loss with neural networks versus logistic regression modeling of distortion product otoacoustic emissions. Audiol Neurotol. 2004;9:81-87.
30. Aliabadi M, Farhadian M, Darvishi E. Prediction of hearing loss among the noise-exposed workers in a steel factory using artificial intelligence approach. Int Arch Occup Environ Health. 2015;88:779-787.
31. Farhadian M, Aliabadi M, Darvishi E. Empirical estimation of the grades of hearing impairment among industrial workers based on new artificial neural networks and classical regression methods. Indian J Occup Environ Med. 2015;19:84-89.
32. Bing D, Ying J, Miao J, et al. Predicting the hearing outcome in sudden sensorineural hearing loss via machine learning models. Clin Otolaryngol. 2018;43:868-874.
33. Zhao Y, Li J, Zhang M, et al. Machine learning models for the hearing impairment prediction in workers exposed to complex industrial noise: a pilot study. Ear Hear. 2019;40:690-699.
34. Alpsan D. Classification of auditory brainstem responses by human experts and backpropagation neural networks. In: Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vol. 13. IEEE: 1991.
35. Acır N, Ozdamar O, Guzelis C. Automatic classification of auditory brainstem responses using SVM-based feature selection algorithm for threshold detection. Eng Appl Artif Intel. 2006;19:209-218.
36. Davey R, McCullagh P, Lightbody G, McAllister G. Auditory brainstem response classification: A hybrid model using time and frequency features. Artif Intell Med. 2007;40:1-14.
37. Dass S, Holi MS, Soundararajan K. Classification of brainstem auditory evoked potentials using artificial neural network based on time and frequency domain features. J Clin Eng. 2016;41:72-82.
38. McKearney RM, MacKinnon RC. Objective auditory brainstem response classification using machine learning. Int J Audiol. 2019;58:224-230.
39. Liu GS, Zhu MH, Kim J, Raphael P, Applegate BE, Oghalai JS. ELHnet: a convolutional neural network for classifying cochlear endolymphatic hydrops imaged with optical coherence tomography. Biomed Opt Express. 2017;8:4579-4594.
40. Abdollahi H, Mostafaei S, Cheraghi S, Shiri I, Rabi Mahdavi S, Kazemnejad A. Cochlea CT radiomics predicts chemoradiotherapy induced sensorineural hearing loss in head and neck cancer patients: a machine learning and multi-variable modelling study. Phys Med. 2018;45:192-197.
41. Myburgh HC, van Zijl WH, Swanepoel D, Hellstrom S, Laurent C. Otitis media diagnosis for developing countries using tympanic membrane image-analysis. EBioMedicine. 2016; 5:156-160.
42. Lee JY, Choi S-H, Chung JW. Automated classification of the tympanic membrane using a convolutional neural network. Appl Sci. 2019;9:1827.
43. Fang SH, Tsao Y, Hsiao MJ, Chen JY, Lai YH, Lin FC, et al. Detection of pathological voice using cepstrum vectors: a deep learning approach. J Voice. 2019;33(5): 634–41.
44. Cesari U, De Pietro G, Marciano E, Niri C, Sannino G, Verde L. Voice disorder detection via an m-health system: design and results of a clinical study to evaluate Vox4Health. Biomed Res Int. 2018;2018:8193694.
45. Unger J, Lohscheller J, Reiter M, Eder K, Betz CS, Schuster M. A noninvasive procedure for early-stage discrimination of malignant and precancerous vocal fold lesions based on laryngeal dynamics analysis. Cancer Res. 2015;75(1):31–9.
46. Tsui SY, Tsao Y, Lin CW, Fang SH, Lin FC, Wang CT. Demographic and symptomatic features of voice disorders and their potential application in classification using machine learning algorithms. Folia Phoniatr Logop. 2018;70(3–4):174–82.
47. Wang TV, Adamian N, Song PC, Franco RA, Huston MN, Jowett N, et al. Application of a computer vision tool for automated glottic tracking to vocal fold paralysis patients. Otolaryngol Head Neck Surg. 2021;2021:194599821989608.
48. Zhang Z, Coyle JL, Sejdic E. Automatic hyoid bone detection in fluoroscopic images using deep learning. Sci Rep. 2018;8(1):12310.
49. Donohue C, Khalifa Y, Perera S, Sejdić E, Coyle JL. How Closely do Machine Ratings of Duration of UES Opening During Videofluoroscopy Approximate Clinician Ratings Using Temporal Kinematic Analyses and the MBSImP?. Dysphagia. 2021;36(4):707–718.
50. https://ericwu09.github.io/medical-ai-evaluation/
51. https://medicalfuturist.com/fda-approved-ai-based-algorithms/
52. https://aicentral.acrdsi.org/