AI Radyologların Yerini Alacak Mı?

Derin öğrenme görüntü işlemede öngörülen iyileştirmeler gerçekleşirse; teknoloji sağlayıcılar, hastalar ve bu hizmet için ödeme yapanlar, yüzlerini, AI ile birlikte nasıl daha etkin bir şekilde çalışacağını iyi anlayan radyologlara döndürecek.

194
194

Yapay zekadaki (AI) son gelişmeler, gelecekte radyologlara ihtiyaç duyulmayacağı ile ilgili spekülasyonlara yol açıyor. Araştırmacılar, bazı durumlarda, radyolojik görüntülerdeki kemik kırıkları ve potansiyel kanser lezyonları gibi patolojileri ortalama bir radyologdan daha güvenilir bir şekilde tanımlayabilen derin öğrenme sinir ağları geliştirmiştir. Yine de çoğu durumda, en iyi sistemler şu anki insan performansına eşit düzeydedir ve yalnızca araştırma ortamlarında kullanılmaktadır.

Bununla beraber, derin öğrenme hızla ilerliyor ve tıbbi görüntü analizindeki eski yaklaşımlardan çok daha iyi bir teknoloji hâline geliyor. Bu, muhtemelen, AI’ın radyolojide önemli rol oynadığı bir geleceğe işaret ediyor. Radyolojik uygulama, çoklu görüntüleri hızlıca okuyabilen ve yorumlayabilen sistemlerden kesinlikle yararlanacaktır, çünkü son on yılda görüntü sayısı radyolog sayısından çok daha hızlı artmıştır. Bir kişinin hastalığını veya yaralanma durumunu incelemek için yüzlerce görüntü alınabilir. Görüntüleme ve radyoloji masraflıdır ve insan emeğini azaltabilecek, maliyetleri düşürebilecek ve tanısal doğruluğu artırabilecek herhangi bir çözüm hastalara ve doktorlara fayda sağlayacaktır.

Peki, tüm bunlar radyologlar için ne anlama geliyor? Bazı tıp öğrencileri, bu mesleğin yok olacağından korktukları için radyolojide uzmanlaşmamaya karar veriyorlar. Ancak biz, radyologların büyük çoğunluğunun gelecek yıllarda AI tarafından değiştirilip geliştirilecek olan işlerine devam edeceklerinden eminiz. İçimizden biri (Keith) bir radyolog ve yapay zeka araştırmacısı. Bir diğerimiz (Thomas) ise AI’ın işlere olan etkisini birkaç yıldır araştırıyor. Çeşitli nedenlerden ötürü, radyologların işgücünden kaybolmayacağını düşünüyoruz ve bunları aşağıda açıklıyoruz. Bu faktörlerden birçoğunun, AI tarafından tehdit edildiği varsayılan diğer işlerin büyük çapta otomasyonunu da engelleyeceğine inanıyoruz.

İlk olarak, radyologlar görüntüleri okumaktan ve yorumlamaktan çok daha fazlasını yaparlar. Diğer AI sistemlerinde olduğu gibi, radyoloji AI sistemleri basit görevleri (dar kapsamlı AI) gerçekleştirir. Bahsedilen derin öğrenme modelleri, (göğüs tomografisinde nodül tespiti veya beyin MRI’ında kanama gibi) belirli görüntü tanıma görevleri için eğitilmiştir. Ancak tıbbi görüntülerde yer alan tüm potansiyel bulguları tam olarak tanımlamak için bu tarz binlerce dar tespit yapmak gerekir ve bunların sadece birkaçı bugün AI tarafından yapılabilir. Dahası, görüntü yorumlama işi, radyologların gerçekleştirdiği görevlerin yalnızca bir kısmını kapsamaktadır. Buna ek olarak, teşhis ve tedavi konusunda diğer hekimlere danışır, hastalıkları tedavi eder (örneğin lokal ablatif tedaviler yapar), görüntü rehberliğinde tıbbi müdahalede bulunur (girişimsel radyoloji), yapılacak görüntüleme muayenelerinin teknik parametrelerini tanımlar (hastanın durumuna göre uyarlar), görüntülerden elde edilen bulguları diğer tıbbi kayıtlar ve test sonuçlarıyla ilişkilendirirler, hastalarla prosedürleri ve sonuçları tartışırlar ve daha pek çok faaliyette bulunurlar. AI’nn görüntü okuma ve yorumlamayı devraldığı beklenmedik bir durumda bile, çoğu radyolog odaklarını yukarıda bahsedilen diğer önemli faaliyetlere kaydırabilir.

İlgili Haber  Yakın gelecekteki start-up milyonerleri, genetik programlayıcılar arasından çıkacak

İkincisi, AI tabanlı görüntü çalışmalarını benimsemek için gereken klinik süreçler, günlük kullanıma hazır olmaktan çok daha fazlasını içeren, uzun bir yoldur. Dreyer’in, American College of Radiology (ACR)’deki Data Science Institute ‘te yaptığı araştırmalar, farklı görüntüleme teknolojisi sağlayıcılarının ve derin öğrenme algoritmalarının, ele aldıkları kullanım senaryolarının farklı yönlerine odaklandığını ortaya koydu. FDA tarafından onaylanan derin öğrenme temelli nodül dedektörleri arasında bile farklı odak noktaları vardı: Lezyon olasılığı, kanser olasılığı, nodülün özelliği veya yeri. Bu farklı odaklar, derin öğrenme sistemlerinin mevcut klinik pratiğe karışmasını zorlaştıracaktır. Bu nedenle, ACR, derin öğrenme yazılımı sağlayıcılarının girdilerini ve çıktılarını tanımlamaya başlıyor. FDA’ın ihtiyaç duyduğu ve ACR’ın sağladığı metodolojiler, yazılım sağlayıcılara, algoritmaların piyasaya sürülmeden önceki ve sonraki etkinliklerini ve değerlerini doğrulama imkânı verir. Aynı zamanda, ACR, şimdiki ve gelecekteki klinik uygulamalara uygun olacak, kapsamlı kullanım senaryoları üzerinde çalışmaktadır. Bu (vücut kısımları, modalite ve hastalık türüne göre şekillenen) kullanım senaryolarında; klinik süreç, görüntü gereksinimleri ve çıktıların açıklaması iyi tanımlanmıştır. Elbette, kapsamlı kullanım senaryoları oluşturmak, yıllarca sürecek bir iştir ve AI dünyasında radyologların rol kapsamını daha da genişletecektir.

Üçüncü olarak, görüntü tanımlamada kullanılan derin öğrenme algoritmaları “etiketli veriler” konusunda eğitilmelidir. Radyolojide bu, kesin olarak kanser, kemik kırığı veya başka bir patoloji teşhisi alan hastaların görüntüleri anlamına gelir. Derin öğrenmenin yüksek başarı düzeyine ulaştığı diğer görüntü tanıma türleri, (internetteki kedi fotoğrafları gibi) milyonlarca etiketli görüntü ile eğitilmiştir. Ancak, etiketli olsun ya da olmasın, radyoloji görüntülerinin toplu bir deposu yoktur. Onlar satıcılara, hastanelere, doktorlara, görüntüleme tesislerine ve hastalara aittir. AI eğitimi için kullanılacak kritik bir kitle biriktirmek adına bunları toplamak ve etiketlemek zorlayıcı ve zaman alıcı olacaktır.

İlgili Haber  Sağlıkta Yeni İş Birliği: Roche ve GE’den Dijital Diagnostik Platform

Son olarak; tıpkı otonom araçların, motorlu taşıt düzenlemelerinde ve sigortalarında değişiklik gerektirecek olması gibi, otomatik görüntü analizi için tıbbi düzenlemelerde ve sağlık sigortasında da değişiklik yapılması gerekecektir. Örneğin, bir makine, kanser teşhisini yanlış koyarsa sorumlu kimdir? Hekim mi, hastane mi, görüntüleme teknolojisi sağlayıcısı mı veya algoritmayı yaratan veri bilimcisi mi? Ve sağlık hizmeti verenler, bir AI teşhisi için tek başlarına mı yoksa bir radyolog ile birlikte mi tazminat ödeyecekler? Tüm bu sorunların çözülmesi gerekiyor ve bu ilerlemenin laboratuvarda yapılan derin öğrenme araştırmaları kadar hızlı bir şekilde gerçekleşmesi hiç de olası değil. İhtiyaç duyulan düzenleme ve tazminat değişikliklerini yönetmek için, AI radyoloji makinelerinin radyologlardan- sadece iyi değil- önemli ölçüde daha iyi olması gerekebilir.

Öyleyse, şu açık ki bir sonraki mamografi veya MR görüntünüzü aldığınızda, görüntülerin sadece bir AI algoritması tarafından görülme olasılığı düşük. Akıllı makineler tarafından yerine getirilebilecek bazı işlere bakan radyologlar, avukatlar, finansal planlamacılar, muhasebeciler ve diğer profesyoneller mevcut işlerini değiştirmek yerine değişiklikler yapacaklar.

Bundan dolayı, yeni beceriler edinmeleri ve yeni iş süreçlerini benimsemeleri gerekecek. Bir blog yazısında söylendiği gibi, işleri tehdit altında olan radyologlar, AI ile çalışmayı reddedenler olacaktır. Yapay zeka ile radyolojik uygulamaların birleştirilmesinden elde edilecek birçok tıbbi fayda olacağı gibi verimlilikte de artış olacaktır. Ve bu, radyologların daha fazla keyif aldıkları işler için (örneğin, teşhis ve tedavi stratejileri konusunda diğer hekimlere danışmak) daha fazla zaman bulabilmeleri anlamına da gelebilir. Derin öğrenme görüntü işlemede öngörülen iyileştirmeler gerçekleşirse; teknoloji sağlayıcılar, hastalar ve bu hizmet için ödeme yapanlar, yüzlerini, AI ile birlikte nasıl daha etkin bir şekilde çalışacağını iyi anlayan radyologlara döndürecektir.

Kaynak: Harvard Business Rewiev

Bu yazıda olan etiketler

Yorumlar