AI, Değerli Medikal Tanı Aracı Olmaya Hazır

Yeni Araçlar Eski Tanı İçin

Since the dawn of medicine, many diagnostics rely on the visual inspection of a patient. This is still true for ear infections, usually requiring an experienced clinician to be properly diagnosed.

Bu özel durumda, doktorun deneyimi ve becerisi çok önemlidir, önceki klinisyen çalışmaları AOM tanı doğruluğunun %30 ile %84 arasında değiştiğini rapor etmiştir, sağlık hizmeti sağlayıcısının türüne, eğitim seviyesine ve incelenen çocukların yaşına bağlı olarak.

Sonuç olarak, birçok kulak enfeksiyonu, genellikle bakteri içermeyen ve antimikrobiyal tedaviden fayda sağlamayan bir durum olan, kulak arkasında sıvı birikmesi (otitis media with effusion) olarak yanlış tanı konulmaktadır.

Ancak doktorlara yardımcı olmak için yeni bir araç geliştirildi; bu araç AI makine görüsünün ortaya çıkışı ve akıllı telefonların yaygınlığına dayanıyor. Gereksiz antibiyotik kullanımını azaltmaya yardımcı olabilir ve bu da antibiyotik direncinin sorunlu ortaya çıkışını engeller.

“Az tanı konulması yetersiz bakıma, aşırı tanı konulması ise gereksiz antibiyotik tedavisine yol açar; bu da mevcut antibiyotiklerin etkinliğini tehlikeye atabilir. Araçımız doğru tanıyı koymaya ve uygun tedaviyi yönlendirmeye yardımcı olur.”

Alejandro Hoberman, M.D., Pediatri profesörü ve Pitt’in Division of General Academic Pediatrics School of Medicine. direktörü.

Kaynak: UPMC

Bu aynı zamanda çok yaygın bir sorundur; çocukların %70’i ilk yaşam yılında kulak enfeksiyonu geçirir.

AI Tanı

Prof. Hoberman, New York’taki Tandon Mühendislik Okulu, Pittsburgh’taki Bosch Yapay Zeka Merkezi ve İsveç’in Stockholm şehrindeki Dcipher Analytics araştırmacılarıyla bir araya gelerek kulak enfeksiyonu tespiti için bir AI aracı geliştirdi.

Bulgularını JAMA Pediatrics dergisinde, “Development and Validation of an Automated Classifier to Diagnose Acute Otitis Media in Children” başlığıyla yayınladılar.

Ortaya çıkan AI aracı yalnızca bir otoskopu akıllı telefon kamerasına bağlamayı gerektirir.

İki farklı AI modeli oluşturdular ve 635 çocuktan elde edilen 1.151 timpanik membran videosundan oluşan bir veri tabanı kullandılar. Ardından uzmanlardan her bir videoyu kulak enfeksiyonu var ya da yok şeklinde manuel olarak etiketlemelerini istediler.

AI’yi eğitmek için 921 video kullanıldı ve kalan 230 video, AI’ların doğruluğunu değerlendirmek için test olarak kullanıldı.

Doğru tanı için ölçülen parametreler arasında kulak zarının şekli, rengi, konumu ve şeffaflığı yer alıyordu.

Kaynak: UPMC

Üstün Medikal Sonuçlar

Her iki model de yüksek doğruluk gösterdi; %9,38 duyarlılık ve %93,5 özgüllük ürettiler. Bu, AI’ların enfeksiyonu doğru bir şekilde tespit etmesinin yanı sıra, çok düşük bir yanlış negatif ve yanlış pozitif oranına sahip oldukları anlamına geliyor.

Ayrıca, bu doğruluğun doktorların görsel tanımlama ile elde ettiği en iyi sonuçlardan bile daha iyi ve daha az ideal koşullarda (daha genç çocuklar, eğitimsiz doktorlar vb.) elde edilen sonuçlardan çok daha yüksek olduğunu belirtmek gerekir.

Video kaydedilip arşivlenebilir. Bu, tanıyı hastaya veya hastanın ebeveynlerine açıklamak ve hastanın dosyasına eklemek için kullanılabilir. Kaydedilen videolar ayrıca tıp öğrencileri veya asistanları eğitmek ve hastaneler ile tıbbi uygulamalar için değerli bir öğretim aracı sağlamak amacıyla kullanılabilir.

Ayrıca aile hekimlerinin doğru tanıyı koymasına yardımcı olmalı ve antibiyotik aşırı reçetelenmesini azaltmalıdır.

Bu aracın yalnızca bir doktorun akıllı telefonu ve bir otoskop kullanılarak uygulanmasının basitliği, çok hızlı bir dağıtım ve benimsenme kolaylığı sağlamalıdır.

AI Tanı Şirketleri

Uzun bir süre boyunca, AI’ı insan vücudu gibi karmaşık ortamlara uygulamak işe yaramıyordu; çünkü sağlanan verilerin “dağınıklığı”yla başa çıkmakta zorlanıyordu.

Sinir ağları gibi yeni teknolojiler bu durumu değiştirdi ve “makine görüsü” yarattı; bunun daha bilinen uygulamalarından bazıları otonom araçlardır.

Bugün birçok tıbbi tanı hâlâ doktorların görüşüne ve tarayıcılar, MR ve kulak zarları gibi binlerce görüntünün manuel incelenmesinden elde edilen uzmanlığa dayanıyor. AI’lar artık yol üzerindeki bisikletçileri belirleyebiliyorsa, enfeksiyonları, tümörleri ve diğer tıbbi sorunları tespit etmede de insanlardan daha iyi ya da en azından eşit seviyeye geliyor.

GE Healthcare, Siemens Healthineers , Canon Medical ve Philips gibi birçok büyük şirket, görüntüleme sistemlerine AI entegre ediyor. Ancak şirketlerin büyüklüğü nedeniyle, AI medikal tanı alanında saf oyuncular sayılmazlar.

Diğer daha odaklı girişimler ise özel olarak listelenmiştir; örneğin PathAI ve Viz.AI. Bu yüzden biz halka açık hisselere odaklandık.

1. Butterfly Network

Butterfly, hem gelişmiş ultra taşınabilir bir ultrason tanı aracı geliştiren hem de tanıya yardımcı olan AI kullanan entegre bir yazılım olan “Compass”ı sunan bir şirkettir.

Kaynak: Butterfly Network [securities_stock_price_tag symbol="BFLY" exchange="NYSE"]

Şirket, şu anda ultrason probunun 3^{. nesilinde; 2024’te iQ3’ün piyasaya sürülmesiyle, önceki versiyona göre daha yüksek veri aktarım hızı ve 2 kat işlem gücüne sahip. Tüm önceki Butterfly ultrason probaları gibi, klasik piezoelektrik sensörler yerine üstün yarı iletken “ultrasound-on-chip” teknolojisine dayanıyor.}

iQ3, aynı anda 3D ve çoklu düzlemleri görselleştirme imkanı, entegre bulut yazılımı ve hızlı başlatma gibi üstün bir kullanıcı deneyimi sunar; tüm bunlar daha uygun bir fiyatla sağlanır.

Şirket, görüntüleri iyileştirmek, tanı ile ilgili ölçümleri otomatik olarak oluşturmak ve eğitim/öğretim pratiği sağlamak için AI kullanıyor.

Kaynak: Butterfly Network

Butterfly, Asya’da (Singapur, Endonezya, Filipinler vb.) yeni pazarlara ve ayrıca veterinerlik pazarına, örneğin yemlik sığır sağlığını kontrol etmeye, ultrason aracının ultra taşınabilirliğinden yararlanarak hızla genişlemektedir.

2. Enlitic (ENL.AX)

Enlitic, radyoloji görüntülerini analiz eden ve görüntülerin standartlaştırılmış açıklamalarını otomatik olarak oluşturan bir AI sistemi geliştirdi. Bu, DICOM veya HL7 gibi teknik standartların benimsenmesinin ardından radyoloji görüntülerinin büyük veri alanındaki bir sonraki adımı temsil ediyor.

Bunu başarmak için Enlitic’in teknolojisi, DICOM görüntülerini analiz etmek amacıyla bilgisayarlı görme ve doğal dil işleme kullanır; CT, MR ve röntgen görüntüleri için vücut bölümleri, yönelim, kontrast ve dilim kalınlığı gibi çeşitli parametreleri belirler.

Kaynak: Enlitic

Bu tür bir standartlaştırma, radyolojide AI’nin ilerlemesi, telemedicine ve otomasyon için gerekli olacaktır. Güvenilir bir etiketleme sistemine bağlı olarak sistemler arasında birlikte çalışabilirlik sağlayacaktır.

Ayrıca hastaneler ve radyoloji merkezleri tarafından bu verilerin gelir elde etmesine yardımcı olmalı; diğer AI eğitimleri için anonimleştirilmiş ve standartlaştırılmış veri sağlamalıdır.