Normalde internetten sağlık verilerinin toplanması kolay değildir – bu, StableDiffusion ve ChatGPT gibi büyük yapay zeka oluşturucuların temelini oluşturan ücretsiz metin ve resimlerin tersidir. Sağlık yapay zekası için veri toplarken neyin önemli olduğu hakkında Daniel Beck ile konuşuyoruz.
Almanya’da şu anda araştırma için (anonimleştirilmiş) sağlık verilerinin kullanımı hakkında pek çok tartışma var – en son CCC sözcüsü Constanze Kurz bundan şikayet etti. AI uygulamaları bu tür verilere erişim konusunda ne kadar bağımlı ve sağlık verilerinin kullanımında coğrafi farklılıklar var mı?
Tartışmadaki merkezi nokta, tüm verilerin ve ilgili risklerin tek bir yerde toplanmasıdır. Teknik açıdan bakıldığında, kesinlikle aynı gereksinimlere hizmet edebilecek alternatifler olabilirdi. Sağlık verileri, veri toplama ve toplama türünden bağımsız olarak tıbbi araştırmaların yanı sıra eğitim, değerlendirme ve tıp alanındaki yapay zeka uygulamalarının kullanımı için gereklidir.
Bu nedenle, hasta verilerinin gizliliğini, yapay zeka uygulamaları için veri kullanılabilirliğini ve bunlara teknik erişimi dengelemenin bir yolunu bulmak önemlidir. Bu faktörlerin ağırlığına bağlı olarak, çözüm farklı olacaktır. Avrupa’da veri koruması çok önemli bir rol oynuyor, Çin’de veri kullanılabilirliği daha yüksek derecelendiriliyor. ABD’de sağlık verilerine erişim için tek tip bir arayüz kanunla tanımlanmıştır.
Mevcut ChatGPT örneğinden, AI programlarının genel konulara iyi yanıtlar verebileceğini biliyoruz. Kesin sorular veya uzmanlık konuları söz konusu olduğunda, program genellikle yanlıştır veya cevaplar icat eder. Tıbbi AI alanında böyle bir yanlışlıktan nasıl kaçınılır?
Çok büyük dil modellerinin arkasındaki yaklaşım, sistemi mümkün olduğu kadar çok metinle eğitmektir. Bu şekilde, dilsel olarak ikna edici ve aynı zamanda içerik açısından soruya bir şekilde uyan cevaplar sentezlenebilir. Bu başlı başına dikkate değer bir başarı, ancak ChatGPT eğitim için kullanılan metinleri veya soruların içeriğini hiçbir şekilde insan gibi anlamıyor. Basitçe söylemek gerekirse, böyle bir sistem, eğitim metinlerinin ortalamasına göre en olası kelime dizisini döndürür. Tamamen metinlerden kaynaklanmayan gerçek anlam, sistemden gizli kalır.
Tıbbi AI uygulamaları genellikle tıbbın özel alanlarını içerir. Ancak burada da bir karar için önemli göstergeleri gözden kaçırmak mümkündür. Bunun nedeni, bu özelliklerin oluşma sıklığının düşük olması olabilir. Hataları önlemek için, tıbbi AI sistemleri için kapsamlı veri setleriyle ayrıntılı değerlendirme yöntemleri gereklidir.
Bir araştırma ekibi, öksürük seslerine dayalı olarak COVID-19’u teşhis etmek için bir yapay zekanın maskesini kaldırdı. Programların doğru teşhisi tanıdığından ve bazı hastalıkları yanlış özelliklere göre sonuçlandırmayacağından nasıl emin olabilirsiniz?
Bu, eğitim veri setindeki bir çarpıtmanın, yalnızca ikincil öneme sahip veya hatta tahmin edilecek gerçeklerle hiçbir nedensel bağlantısı olmayan özelliklerin özellikle alakalı olarak sınıflandırılmasına yol açtığı klasik bir örnektir. Ne yazık ki, bu çok hızlı gerçekleşebilir ve temsili veri kümeleri oluşturmanın ne kadar önemli olduğunu bir kez daha gösterir. Diğer bir deyişle, gerçek dünyada bulunan dağılıma benzer dağılım gösteren veri kümeleridir. O kadar kolay değil, çok zaman alıyor ve bu nedenle pahalı.
Gerçekte durum, değerlendirme verilerine göre beklenen duruma karşılık gelmiyorsa, bu tür sorunlar hızlı bir şekilde belirlenir – öksürük algılama uygulamasında da durum buydu. Çarpıtmaların fark edilmediği durumlar daha problemlidir, çünkü sadece az sayıda vakada yanlış kararlara yol açarlar. Bu nedenle, girdi verilerinin hangi özelliklerinin özellikle alakalı olarak değerlendirilebileceğini kontrol etmek stokastik AI yöntemleriyle önemlidir. Tıbbi ortamda, profesyonel bir bakış açısıyla bu değerlendirmeyle bir anlaşma olup olmadığını kontrol etmeniz gerekir. Nihayetinde, stokastik yöntemler tıpta ancak doktorlar bilgilerin her zaman yanlış olabileceğini bilirlerse kullanılabilir. Bir alternatif, deterministik yöntemlerin kullanılmasıdır.
(Resim:
tanıma
)
Daniel Beck bir bilgisayar bilimcisi, yazılım geliştiricisi ve danışmanlık şirketi Cognotekt’in ortağıdır. Uzmanlığı, öncelikle, veriye dayalı sonuçlar çıkarmak için ham verilerin makine tarafından okunabilir bir veri kümesine dönüştürülmesinde yatmaktadır. Biyo ve sağlık teknolojisi şirketlerine veri stratejileri ve yapay zekanın uygulanması konusunda danışmanlık yapıyor.
Sayın Beck, cevaplarınız için çok teşekkür ederim.
Hasta verilerinin işlenmesinin alaka düzeyi, yapay zekanın sağlık sigortası şirketlerinden alınan faturalandırma verilerinin yardımıyla ilaç güvenliğini iyileştirmeyi amaçladığı güncel bir araştırma projesinde de gösterilmektedir. Başka bir röportajda Daniel Beck, yapay zekanın tıpta hangi uygulama alanlarının saçma olduğunu, nerelerde özellikle uygun olduğunu ve yanlış teşhis durumunda sorumluluk durumunun ne olduğunu açıklıyor.
“Üç Soru ve Yanıt” serisinde iX, ister kullanıcının PC önündeki bakış açısı, ister yöneticinin bakış açısı veya bir yöneticinin günlük yaşamı olsun, günümüzün BT zorluklarının özüne inmek istiyor. Günlük uygulamanızdan veya kullanıcılarınızdan önerileriniz var mı? Hangi konuda kimin tavsiyelerini kısaca okumak istersiniz? O zaman lütfen bize yazın veya forumda bir yorum bırakın.
(psst)
Haberin Sonu
Almanya’da şu anda araştırma için (anonimleştirilmiş) sağlık verilerinin kullanımı hakkında pek çok tartışma var – en son CCC sözcüsü Constanze Kurz bundan şikayet etti. AI uygulamaları bu tür verilere erişim konusunda ne kadar bağımlı ve sağlık verilerinin kullanımında coğrafi farklılıklar var mı?
Tartışmadaki merkezi nokta, tüm verilerin ve ilgili risklerin tek bir yerde toplanmasıdır. Teknik açıdan bakıldığında, kesinlikle aynı gereksinimlere hizmet edebilecek alternatifler olabilirdi. Sağlık verileri, veri toplama ve toplama türünden bağımsız olarak tıbbi araştırmaların yanı sıra eğitim, değerlendirme ve tıp alanındaki yapay zeka uygulamalarının kullanımı için gereklidir.
Bu nedenle, hasta verilerinin gizliliğini, yapay zeka uygulamaları için veri kullanılabilirliğini ve bunlara teknik erişimi dengelemenin bir yolunu bulmak önemlidir. Bu faktörlerin ağırlığına bağlı olarak, çözüm farklı olacaktır. Avrupa’da veri koruması çok önemli bir rol oynuyor, Çin’de veri kullanılabilirliği daha yüksek derecelendiriliyor. ABD’de sağlık verilerine erişim için tek tip bir arayüz kanunla tanımlanmıştır.
Mevcut ChatGPT örneğinden, AI programlarının genel konulara iyi yanıtlar verebileceğini biliyoruz. Kesin sorular veya uzmanlık konuları söz konusu olduğunda, program genellikle yanlıştır veya cevaplar icat eder. Tıbbi AI alanında böyle bir yanlışlıktan nasıl kaçınılır?
Çok büyük dil modellerinin arkasındaki yaklaşım, sistemi mümkün olduğu kadar çok metinle eğitmektir. Bu şekilde, dilsel olarak ikna edici ve aynı zamanda içerik açısından soruya bir şekilde uyan cevaplar sentezlenebilir. Bu başlı başına dikkate değer bir başarı, ancak ChatGPT eğitim için kullanılan metinleri veya soruların içeriğini hiçbir şekilde insan gibi anlamıyor. Basitçe söylemek gerekirse, böyle bir sistem, eğitim metinlerinin ortalamasına göre en olası kelime dizisini döndürür. Tamamen metinlerden kaynaklanmayan gerçek anlam, sistemden gizli kalır.
Tıbbi AI uygulamaları genellikle tıbbın özel alanlarını içerir. Ancak burada da bir karar için önemli göstergeleri gözden kaçırmak mümkündür. Bunun nedeni, bu özelliklerin oluşma sıklığının düşük olması olabilir. Hataları önlemek için, tıbbi AI sistemleri için kapsamlı veri setleriyle ayrıntılı değerlendirme yöntemleri gereklidir.
Bir araştırma ekibi, öksürük seslerine dayalı olarak COVID-19’u teşhis etmek için bir yapay zekanın maskesini kaldırdı. Programların doğru teşhisi tanıdığından ve bazı hastalıkları yanlış özelliklere göre sonuçlandırmayacağından nasıl emin olabilirsiniz?
Bu, eğitim veri setindeki bir çarpıtmanın, yalnızca ikincil öneme sahip veya hatta tahmin edilecek gerçeklerle hiçbir nedensel bağlantısı olmayan özelliklerin özellikle alakalı olarak sınıflandırılmasına yol açtığı klasik bir örnektir. Ne yazık ki, bu çok hızlı gerçekleşebilir ve temsili veri kümeleri oluşturmanın ne kadar önemli olduğunu bir kez daha gösterir. Diğer bir deyişle, gerçek dünyada bulunan dağılıma benzer dağılım gösteren veri kümeleridir. O kadar kolay değil, çok zaman alıyor ve bu nedenle pahalı.
Gerçekte durum, değerlendirme verilerine göre beklenen duruma karşılık gelmiyorsa, bu tür sorunlar hızlı bir şekilde belirlenir – öksürük algılama uygulamasında da durum buydu. Çarpıtmaların fark edilmediği durumlar daha problemlidir, çünkü sadece az sayıda vakada yanlış kararlara yol açarlar. Bu nedenle, girdi verilerinin hangi özelliklerinin özellikle alakalı olarak değerlendirilebileceğini kontrol etmek stokastik AI yöntemleriyle önemlidir. Tıbbi ortamda, profesyonel bir bakış açısıyla bu değerlendirmeyle bir anlaşma olup olmadığını kontrol etmeniz gerekir. Nihayetinde, stokastik yöntemler tıpta ancak doktorlar bilgilerin her zaman yanlış olabileceğini bilirlerse kullanılabilir. Bir alternatif, deterministik yöntemlerin kullanılmasıdır.
(Resim:
tanıma
)
Daniel Beck bir bilgisayar bilimcisi, yazılım geliştiricisi ve danışmanlık şirketi Cognotekt’in ortağıdır. Uzmanlığı, öncelikle, veriye dayalı sonuçlar çıkarmak için ham verilerin makine tarafından okunabilir bir veri kümesine dönüştürülmesinde yatmaktadır. Biyo ve sağlık teknolojisi şirketlerine veri stratejileri ve yapay zekanın uygulanması konusunda danışmanlık yapıyor.
Sayın Beck, cevaplarınız için çok teşekkür ederim.
Hasta verilerinin işlenmesinin alaka düzeyi, yapay zekanın sağlık sigortası şirketlerinden alınan faturalandırma verilerinin yardımıyla ilaç güvenliğini iyileştirmeyi amaçladığı güncel bir araştırma projesinde de gösterilmektedir. Başka bir röportajda Daniel Beck, yapay zekanın tıpta hangi uygulama alanlarının saçma olduğunu, nerelerde özellikle uygun olduğunu ve yanlış teşhis durumunda sorumluluk durumunun ne olduğunu açıklıyor.
“Üç Soru ve Yanıt” serisinde iX, ister kullanıcının PC önündeki bakış açısı, ister yöneticinin bakış açısı veya bir yöneticinin günlük yaşamı olsun, günümüzün BT zorluklarının özüne inmek istiyor. Günlük uygulamanızdan veya kullanıcılarınızdan önerileriniz var mı? Hangi konuda kimin tavsiyelerini kısaca okumak istersiniz? O zaman lütfen bize yazın veya forumda bir yorum bırakın.
(psst)
Haberin Sonu