Çoğu kişi Twitter’ı (yakın zamanda adı X olarak değiştirildi) biliyor ancak çok azı bu popüler sosyal medya kanalının aynı zamanda çeşitli alt topluluklara da ev sahipliği yaptığını biliyor. Örneğin, enerjik bir klinisyenler topluluğunun ilginç, merak uyandırıcı ve çoğu zaman kafa karıştırıcı tıbbi görüntüleri paylaşıp diğer yüksek eğitimli klinisyenlerden görüş bildirmelerini istediği tıbbi Twitter’ı ele alalım.
Zengin, henüz kullanılmamış bir kaynağın farkına varan Stanford Üniversitesi’ndeki araştırmacılar, yüksek eğitimli klinisyenler tarafından sağlanan profesyonel açıklamalarla birlikte, kanser ve diğer hastalıklara ilişkin 200.000’den fazla anonimleştirilmiş teşhis görüntüsünü toplamak için tıbbi Twitter’ı taradı. Bu verilerden yola çıkarak, daha önce görülmemiş görüntüleri doğru bir şekilde analiz edip teşhis edebilen güçlü bir yapay zeka (AI) modeli oluşturdular.
Biyomedikal veri bilimi profesörü ve Stanford İnsan Merkezli Yapay Zeka Enstitüsü (HAI) üyesi James Zou: Teşhis amaçlı yapay zeka geliştirmenin en büyük zorluklarından biri, büyük ölçekli açıklamalı verilerin eksikliğidir. Ancak sosyal medyada veri ve içgörü paylaşan yüksek eğitimli bir doktor grubu vardı. Tıbbi Twitter, tıbbi yapay zeka için muazzam bir nimettir.
Zou, açık vaatlere rağmen, alanın bilindiği şekliyle hesaplamalı patolojinin, anonimleştirilmiş, iyi açıklamalı görüntü veri kümelerinin eksikliği nedeniyle yapay zekanın diğer alanlarının gerisinde kaldığını ve bilinen 8.000 hastalıktan oluşan bir evren olduğu gerçeğiyle karmaşıklaştığını söylüyor.
Stanford’da doktora sonrası araştırmacıları ve projenin ortak liderleri olan Zhi Huang ve Federico Bianchi, tıbbi Twitter’da sayfalarca dolaşırken, yayınlanan her görselin, her bilgilendirici analizin, her dikkatli hashtag’in (#memeKanseri) ve her araştırıcı sorunun, topluluk üyelerinin aslında verileri sınıflandırmak ya da diğer bir tabirle etiketlendirmek olduğunu söylüyor.
Bir patolog daha önce hiç görmediği bir şeyle karşılaşır ve görüntüyü topluluğa yayınlayarak ‘Sizce burada neler oluyor?’ diye sorardı. Ve dünya çapındaki bilgili meslektaşlardan oluşan bir grup yazılı metinle yanıt verirdi. Bu sayede hem metin hem de görsel bir şekilde kaynağa sahip oluyoruz.
Huang, Bianchi ve ekip, tıbbi Twitter’dan 243.000’den fazla tanısal görüntüyü ve bunların yorumlarını toplayıp derleyerek, bunları anonimleştirerek ve düşük kaliteli görüntü ve yanıtları ayıklayarak, doğal dil açıklamalarına sahip en büyük genel patoloji veri kümelerinden biri olan OpenPath‘i oluşturdu. Ekip daha sonra hem görüntüleri hem de metni anlayabilen temel bir yapay zeka olan PLIP’i eğitti.
Zou: Resimlerin ve metnin bu şekilde eşleştirilmesi onu oldukça kullanışlı kılıyor. PLIP, araştırmacıların görselleri veya kelimeleri kullanarak arama yaparak benzer vakaları bulmasına olanak tanıyor. Bunun dünya çapındaki patoloji topluluğu içinde bilgi paylaşımını büyük ölçüde kolaylaştırması gerektiğini düşünüyoruz.
Araştırmacıların bu tür verileri toplamasını kısıtlayan API’deki potansiyel değişiklikler de dahil olmak üzere Twitter’daki son değişikliklerden bazıları sorulduğunda Zou, rahatsız olmadığını söylüyor. Bu araştırmadaki asıl mesaj Twitter’a özgü değil; daha büyük, daha demokratik ve daha heyecan verici bir şey.
Zou: Buradaki içgörü, sosyal medyada çok fazla tıbbi bilginin paylaşıldığı olabilir. Tıbbi yapay zekayı geliştirmek için yeni ve çeşitli veri kaynakları ararken çok yaratıcı olabileceğimizi düşünüyorum.
Kaynak: STANFORD
