Geçtiğimiz haftalarda gerçekleşen GPU Technology Conference’da konuşan Daphne Koller and Kimberly Powell, dijital veri miktarının sürekli çoğalması ve yapay zekanın gücü sayesinde sağlık alanında çalışan profesyonellerin bu veriyi anlamlandırabilmesinin mümkün olduğunu belirtiyor.

Powell, “Şu anda devam eden bir dijital biyoloji devrimi içerisindeyiz. İnsanın anlamlandırabilmesi oldukça güç olan çok karmaşık ve muazzam veriler üretiyor. Hazır olan algoritmalar ve hesaplama gücüyle, artık yapay zekanın sağlık hizmetleri çağına gerçekten girmek için üçüncü bileşene yani veriye sahibiz” dedi.

Stanford’da yardımcı profesör ve Yapay zeka kullanılarak ilaç keşfi üzerine çalışan Insitro şirketi CEO’su Koller, konuşmasında ilaç geliştirmenin zorluklarını ve makine öğrenimi modellerinin hastalıklarla ilgili biyolojik verilerin daha iyi anlaşılmasını sağladığını belirtti. Buna yönelik geliştirilen çözümleri anlattı.

Dijital anlamda biyoloji, “biyolojik sistemleri tamamen yeni yollarla ölçmemize, ölçtüğümüz şeyi veri bilimi ve makine öğrenimi kullanarak yorumlamamıza ve daha sonra bunu, asla yapamayacağımız şeyleri yapmamıza olanak sağlar. ” dedi.

Verilere Dayanarak Hastalıkları Kavramak

Çok fazla verinin olduğu ilaç keşfi süreci, araştırmacıların bir hastalığın biyolojik yapısını anlamasını ve ardından hastalık yolu boyunca kritik bir proteine bağlanmak için kullanılabilecek potansiyel bileşikleri incelemesini gerektiren bir süreçtir. Umut vadeden bir terapötik bulmak karmaşık bir optimizasyon problemidir. Son on ya da yirmi yılda mevcut dijital veri miktarındaki üstel artışa rağmen, süreç daha yavaş ve daha pahalı hale gelmektedir.

Eroom yasası olarak bilinen bu gözlem, pazara yeni bir ilaç getirmenin araştırma ve geliştirme maliyetinin 1980’lerden beri artış eğiliminde olduğunu ve ilaç şirketlerinin daha fazla zaman ve para harcadığını ortaya koyuyor. Koller, bunun kullanım için onaylanamayan tüm potansiyel ilaç adayları yüzünden olduğunu belirtiyor.

“Insitro’da yapmayı hedeflediğimiz şey, bu hataları anlamak ve doğru şekilde türetilmiş verilerle birleştirilmiş makine öğreniminin, bu süreç boyunca daha iyi kararlar almamızı, başarısızlıkların çoğundan kaçınmamızı sağlayıp sağlayamayacağını denemek ve görmektir.” dedi.

Yapay zekayı çok daha fazla veri ile buluşturmak, bilim adamlarının fenotip olarak bilinen boy ve kilo gibi fiziksel özelliklerin genotip olarak bilinen genetik varyantlarla nasıl ilişkili olduğunu belirlemesine yardımcı olabilir. Koller, çoğu durumda, “bu denekler bize hastalığa sebep olan bazı belirteçler hakkında bir ipucu veriyor” dedi.

Bununla ilgili olarak obezite ve diyabetle ilgili yaygın bir karaciğer rahatsızlığı olan NASH (alkolsüz steatohepatit) örneğini verdi. Insitro, NASH’ın altında yatan nedenleri ve potansiyel tedavileri araştırmak için biyofarmasötik şirketi Gilead ile çalışarak karaciğer ve yüzlerce hastayı temsil eden, klinik deney verilerinden elde edilmiş RNA sıralaması içeren verilerine makine öğrenmesi algoritması uyguladı.

Geliştirici ekip, bir hastanın hastalık durumunun bir temsilini yakalamak için biyopsi görüntülerini analiz etmek için bir makine öğrenimi modeli oluşturdu. Yalnızca zayıf bir denetim düzeyiyle bile yapay zekanın tahminlerinin klinik patologlar tarafından atanan puanlarla uyumlu olduğunu buldu. Modeller, çıplak gözle belirlenmesi zor olan NASH’lı ve NASH’sız görüntüler arasında bile ayrım yapabilmektedir.

Yapay Zeka Sağlık Hizmeti Çağını Hızlandırma

Sağlık alanında kullanabilmek amacıyla etkili bir derin öğrenme modeli oluşturmak için bol miktarda veriye sahip olmak yeterli değildir. Powell’ın GTC konuşması, tıbbi verilerin ihtiyaçlarına ve farklılıklarına göre uyarlanmış, sağlık hizmetleri için geliştirilmiş olan NVIDIA Clara gibi bu alana özgü hesaplama platformlarına odaklandı.

NVIDIA Clara Discovery, biyomedikal verileri ayrıştırmak için doğal dil işlemede popüler olan Transformer modellerinden yararlanır. Bu Transformer modellerini eğitimek için NVIDIA Megatron uygulamasını kullanmak milyarlarca parametreye sahip modeller oluşturmasına yardımcı olur. Örnek olarak Reaksiyon tahmini, moleküler optimizasyon ve de novo moleküler üretimde kullanılmak üzere NVIDIA ve AstraZeneca tarafından geliştirilmekte olan bir NLP tabanlı ilaç keşif modeli olan MegaMolBart verilebilir.

Florida Sağlık Üniversitesi, bugüne kadar ki en büyük klinik dil modeli olan GatorTron’u geliştirmek için 50 milyondan fazla etkileşimle, 2 milyondan fazla hasta kaydı üzerinde eğitim gerçekleştirdi. Bu modelin geliştirilmesinde NVIDIA Megatron ve NVIDIA BioMegatron uygulamalarını kullanıldı.

Powell, “Petabayt ölçeğinde biyomedikal verilerle ve milyarlarca (yakında trilyonlarca) parametre ölçeğinde öğrenmeyle, Transformer’lar beklenmedik olanı yapmamıza ve bulmamıza yardımcı oluyor. ” dedi.

Powell, “Hiçbir hastane ve sağlık uygulaması aynı değildir. Bu yüzden geleceği tahmin edebilen, görünmeyeni görebilen ve sağlık hizmeti sağlayıcılarının karmaşık kararlar almasına yardımcı olan algoritmalar geliştirmek için eksiksiz bir ekosisteme ihtiyacımız var.” şeklinde konuştu.

NVIDIA Clara uygulaması, NGC kataloğunda bulunan 40’tan fazla alana özgü önceden eğitilmiş modeller ile birlikte kullanılabilir. Ayrıca farklı kurumların hasta verilerini birbirleriyle paylaşmadan, veri yönetimi ve gizlilik problemlerinin üstesinden gelerek yapay zeka modeli geliştirme imkanı tanıyan NVIDIA Federated Learning uygulaması da bu katalogta bulunmaktadır.

Yeni nesil akıllı tıbbi cihazlara güç sağlamak için yeni kullanıma sunulan NVIDIA Clara AGX geliştirici kiti, hastanelerin endoskoplar, ultrason cihazları, mikroskoplar ve akıllı sensörler arasında yapay zeka uygulamaları geliştirilmesine ve kullanılmasına yardımcı oluyor.

Bu yapay zeka ile güçlendirilmiş cihazlar, bugün dünyanın birçok tıbbi teşhise erişimi olmayan bölgelerine ulaşmaya yardımcı olabilir. Biyolojik verileri ölçebilen, vücudumuzun içini gören ve ameliyatlar gerçekleştiren araçlar, yapay zeka ve yüksek hesaplama kabiliyetleri ile akıllı sensörler haline geliyor.

Yazının kaynağına buradan ulaşabilirsiniz.