Deneyimli bir başyazar ve haber editörü, Türkiye’nin önde gelen popüler bilim, teknoloji ve kültür yayınlarında 20 yıldır görev yapmaktadır

Türkiye’nin önde gelen bilim, teknoloji ve kültür yayınlarında 20 yıllık deneyime sahip Başyazar ve Haber Editörü olarak, aşağıdaki içeriği Türk gazeteciliğinin titizliğiyle yeniden düzenledim.

Başlık: Yapay Zeka ile Hastalık Riskini Tahmin Etme: Yeni Bir Yaklaşım

İçerik:

Bulaşıcı bir solunum yolu hastalığına neden olan “Patojen A” enfeksiyonu geçiren hastaların sonuçları hakkında veri toplayan bir ülkenin hikayesine tanık oluyoruz. Her hasta için 8 özellik mevcut ve sonuçlar üç şekilde ortaya çıkıyor: (a) evde tedavi ve iyileşme, (b) hastanede tedavi ve iyileşme veya (c) ölüm.

Yapay sinir ağları, bu 8 özellikten bir sonucu neredeyse mükemmel doğrulukla tahmin etmede son derece başarılı. Ancak sağlık otoritelerinin asıl amacı, mevcut verilerde yer almayan bir şeyi öngörmek: Evde tedavi edilebilecek hastalar arasında, hangileri hastaneye yatma riski taşıyor? Hastaneye yatması beklenen hastalar arasında, ölüm riski en yüksek olanlar kimler? Bu riskin seviyesini gösteren sayısal bir skor elde etmek mümkün mü?

Bu yazıda, sınırlı kapasiteye sahip bir yapay sinir ağı ve özel bir “başlık” kullanarak, kategorilerden bir sayısal skor öğrenme yöntemine odaklanacağız. Ayrıca, küçük yapay sinir ağlarının bazı özelliklerini inceleyeceğiz. İlgili kod, aşağıdaki adresten erişilebilir: https://codeberg.org/csirmaz/category-scoring.

Veri Seti:

İçerik oluşturmak için, 8 özellikten hesaplanan bir sonuçla doğrusal olmayan ancak kolayca hesaplanabilir bir örnek veri seti geliştirdim. Hesaplama yalnızca örneği göstermek içindir; gerçek bilimsel verilere uygun olması amaçlanmamıştır. Kullanılan 8 özellik şunlardır:

Patojen A ile önceki enfeksiyon (evet/hayır)
Patojen B ile önceki enfeksiyon (evet/hayır)
Patojen B ile mevcut enfeksiyon (evet/hayır)
Kanser teşhisi (evet/hayır)
Ortalama ağırlıktan sapma, keyfi birim (-100 ≤ x ≤ 100)
Yaş, yıl (0 ≤ x ≤ 100)
Ortalama kan basıncından sapma, keyfi birim (0 ≤ x ≤ 100)
Sigara içme süresi (0 ≤ x ≤ ~88)

Örnek veri oluşturulurken, özellikler bağımsız olarak ve düzgün bir dağılımla seçilir. Sadece sigara içme süresi, yaşa bağlıdır ve örneklemde %50 oranında sigarayı bırakmış bireyler yer alır. Bu şekilde, üç sonucun da yaklaşık olarak eşit olasılıkta ortaya çıktığı ve sigara içme süresinin ortalama ve varyansı ölçülerek tüm girdilerin sıfır ortalamalı birim varyanslı hale getirildiği doğrulanmıştır.

Aşağıdaki grafik, yatay eksende ağırlık, dikey eksende yaş ve diğer parametreler sabitken, sonuçları göstermektedir. “o” hastaneye yatmayı, “+” ise ölümü temsil etmektedir.

[Grafik burada yer almalı]

Klasik Bir Sınıflandırıcı:

Veri seti doğrusal olmamasına rağmen, küçük bir sınıflandırma ağı, doğruluk oranının %98-99’a ulaştığı bir şekilde öğrenilebilir. “train.py –classifier” komutu ile basit bir yapay sinir ağı (6 katmanlı, her biri 8 nörona sahip ve ReLU aktivasyon fonksiyonu kullanan) eğitilebilir.

Skorlama Sistemini Eğitmek:

Amaç, 8 özellik girdisi olarak verildiğinde, hastanın enfeksiyonla ilişkili risk seviyesine karşılık gelen bir skor üretme yeteneğine sahip bir sistem geliştirmektir. Zorluk, eğitim verilerinde doğrudan skorların bulunmamasıdır; sadece üç olası sonuç (kategoriler) mevcuttur. Modelin anlamlı bir skorlama sistemi öğrenmesi için, belirli skor aralıklarının ana kategorilere karşılık gelmesi önemlidir.

İlk deneme olarak, her kategoriye sayısal bir değer atanabilir (örneğin, evde tedavi için 0, hastaneye yatış için 1 ve ölüm için 2) ve bu değerler hedef olarak kullanılabilir. Ardından, tek bir çıktı üreten bir yapay sinir ağı eğitilebilir.

Ancak bu yaklaşımın dezavantajı, modelin girdileri etrafında yoğunlaşma eğiliminde olmasıdır. Bu durum, modelin her zaman 0, 1 veya 2’ye yakın değerler üretmesine neden olabilir. Bu durumu önlemek ve daha sürekli bir skor elde etmek için, ağın kapasitesi önemli ölçüde azaltılmalıdır.

“Kategori Yaklaştırıcı Başlık” kullanılarak, modelin kategorileri belirlemede esneklik sağlanabilir.

Adım 1: Düşük Kapasiteli Bir Ağ:

Önceki bir makalede (önceki TDS makalesi), Keras’ın sunduğu bileşenleri kullanarak “eğitim” yapmanın mümkün olduğunu göstermiştik. Bu yaklaşımı burada da kullanarak, tek bir yoğun katmanlı ve aktivasyon fonksiyonu olmayan “dejenere” bir yapay sinir ağı oluşturacağız. Bu, skorun girdilerle daha uyumlu hareket etmesini sağlar ve aynı zamanda ağın yorumlanabilirliğini artırır, çünkü sonuç sadece girdilerin doğrusal kombinasyonudur.

Ancak bu basitleştirme ile, modelin kategoriler arasındaki en uygun sınırları belirleme yeteneği kaybolur.

Adım 2: Kategori Yaklaştırıcı Başlık:

Modelin kategorileri belirlemede esneklik sağlamak için, “kategori yaklaştırıcı başlık” kullanılmalıdır. Bu, modelin kategorilere göre sınıflandırma yaparken daha iyi performans göstermesini sağlar.

Görselde de görüldüğü gibi, model rastgele bir girdi grubunda üretilen çıktıların histogramı, bu durumun gerçekleştiğini göstermektedir. Bu durum, sadece 2 katmanlı bir ağda bile görülmektedir.

Sonuç:

Bu yaklaşım, yapay zeka kullanarak hastalık riskini tahmin etme konusunda yeni olanaklara kapı açmaktadır. Daha fazla araştırma ve geliştirme ile, bu yöntemlerin sağlık hizmetlerinde daha geniş bir şekilde kullanılması mümkün olabilir.