Stanford Üniversitesi araştırmacıları, kanser teşhisi, tedavi planlaması ve prognoz tahminini daha etkili hale getirecek yeni bir yapay zeka modeli geliştirdi.

MUSK (Multimodal transformer with Unified maSKed modeling) adı verilen bu araştırma hassas onkolojiyi (precision oncology)ilerletmeyi ve  her hastanın benzersiz tıbbi verilerine göre tedavi planlarını uyarlamayı amaçlıyor.

Radyasyon onkolojisi doçenti ve çalışmanın kıdemli yazarı olan Ruijiang Li,  çok modlu temel modelleri, tıbbi yapay zeka araştırmalarında yeni bir eşik olarak tanımlıyor.  “Son zamanlarda, özellikle patoloji alanında tıp için görsel-dil temelli temel modeller geliştirildi. Ancak, mevcut çalışmalar ön eğitimli modelleri kullanıyor ve bu modellerin eğitiminde görüntü-metni eşleştirilmiş büyük veri setlerine ihtiyaç duyuluyor. Her ne kadar 1 milyon patoloji görüntü-metni çifti içeren bir veri seti oluşturulmuş olsa da, bu veri seti hastalık yelpazesinin tamamını kapsamak için hâlâ yetersiz.”

Onkologlar, bir hastanın durumunu değerlendirirken ve hastanın tedavi planını oluştururken farklı veri kaynaklarını temel alır. Ancak, karmaşık tıbbi verileri entegre etmek ve yorumlamak hem doktorlar hem de yapay zeka modelleri için büyük bir zorluk olmaya devam ediyor. Nature dergisinde yayımlanan yeni çalışma, MUSK’un bu sorunu çözebileceğini ve doktorların daha doğru ve bilinçli kararlar almasına yardımcı olabileceğini gösteriyor.

MUSK Nasıl Çalışıyor?

MUSK, derin öğrenme (deep learning) kullanarak klinik metin verilerini (doktor notları gibi) ve patoloji görüntülerini (histoloji slaytları gibi) analiz ediyor. Bu sayede doktorların gözden kaçırabileceği önemli paternleri (desenleri) ortaya çıkarıyor ve daha iyi klinik içgörüler sağlıyor.

Model, iki aşamalı bir multimodal transformer modeli (detaylı bilgi için bakınız: https://blog.openzeka.com/ai/transformer-modeli-nedir/)  kullanıyor.

Model ilk olarak, büyük miktarda eşleştirilmemiş veriden öğrenir, metinden ve görüntülerden yararlı olan özellikleri çeker. Ardından, eşleştirilmiş görüntü-metin verilerini birbirine bağlayarak verileri anlama yeteneğini ince ayarlar, bu da farklı kanser türlerini tanımasına, biyobelirteçleri tahmin etmesine ve etkili tedavi seçenekleri önermesine yardımcı olur.

*Modelin eğitimi için 33 farklı tümör tipine sahip 11.577 hastadan alınan 50 milyon patoloji görüntüsü ve 1 milyar patolojiyle ilgili metin verisi kullanıldı.

NVIDIA GPU’ları ile Hızlandırılmış Model Eğitimi

Çalışmanın ana yazarı ve radyasyon fiziği alanında doktora sonrası araştırmacı olan Jinxi Xiang, modelin eğitiminin 64 adet NVIDIA V100 Tensor Core GPU kullanılarak 8 düğümde (node) 10 gün boyunca gerçekleştirildiğini belirtiyor.

İkincil ön eğitim aşaması ve ablation çalışmaları için NVIDIA A100 80GB Tensor Core GPU’lar kullanıldı.

Alt akış (downstream) görevlerin değerlendirilmesi için NVIDIA RTX A6000 GPU’lar kullanıldı.

Model, NVIDIA CUDA ve NVIDIA cuDNN kütüphaneleri ile hızlandırıldı.

Şekil 1. MUSK’un gerçekleştirebileceği görsel soru-cevaplama örneği

MUSK’un Başarıları ve Etkisi

23 patoloji kıyaslamasında test edildiğinde, MUSK birkaç önemli alanda mevcut AI modellerinden daha iyi performans gösterdi.

•  Patoloji görüntülerini tıbbi metinlerle eşleştirmede üstün performans sergileyerek, hastalarla ilgili daha alakalı bilgileri hızlı bir şekilde topladı.
•  Patolojiyle ilgili soruları yorumlama yeteneği (örneğin kanserli bölgeyi belirleme veya bir biyobelirtecin varlığını tahmin etme) %73 doğruluk oranına ulaştı.
• Meme, akciğer ve kolorektal kanser alt türlerini tespit ve sınıflandırmada %10’a varan iyileşme sağladı. Bu gelişme, erken teşhis ve tedavi planlamasında büyük bir fark yaratabilir.
• Meme kanseri biyobelirteçlerini %83 AUC (a measure of model accuracy)  ile tespit etti.
• Kanser sağkalım (survival) tahminlerinde %75 doğruluk sağladı.
• Akciğer ve gastroözofageal kanserlerin immünoterapilere nasıl yanıt vereceğini %77 doğrulukla tahmin etti. (Mevcut klinik biyobelirteçlerin doğruluk oranı sadece %60-65.)

Çalışmanın kıdemli yazarı Li, “Çarpıcı bulgulardan biri, çok-modlu verileri entegre eden AI modellerinin, yalnızca görüntüleme veya metin verilerine dayananlardan sürekli olarak daha iyi performans göstermesi ve çok-modlu bir yaklaşımın gücünü vurgulamasıdır,” dedi. “MUSK’un gerçek değeri, eşleştirilmiş veri gerektiren mevcut modellere kıyasla önemli bir artış olan, büyük ölçekli eşleştirilmemiş görüntü ve metin verilerini ön eğitim için kullanma becerisinde yatmaktadır.”

MUSK’un bir diğer güçlü yönü, farklı klinik ortamlarına uyarlanabilmesi için çok az eğitim gerektirmesi. Bu da onkoloji iş akışlarını hızlandırarak doktorların daha hızlı teşhis koymasına ve kişiselleştirilmiş tedavi seçenekleri sunmasına yardımcı olabilir.

Gelecek Planları

Araştırmacılar, MUSK’un farklı hasta grupları üzerinde çok merkezli (multi-institutional) doğrulama çalışmalarına devam etmeyi ve tedavi kararı alma gibi kritik uygulamalarda modelin etkinliğini test etmeyi planlıyor. Ancak, düzenleyici onay (regulatory approval) için klinik denemelerde (clinical trials) ileri düzey doğrulama gerekeceğini belirtiyorlar.

Li, “MUSK yaklaşımını sadece patoloji ile sınırlamayıp, radyoloji görüntüleri ve genomik verileri gibi diğer veri türlerine genişletmek için çalışıyoruz,” diyor.

Çalışmanın kodları, model ağırlıkları, değerlendirme kodları ve örnek verileri GitHub üzerinden erişime açık durumda.

İncelemeniz İçin

Çalışmanın kodları, model ağırlıkları, değerlendirme kodları ve örnek verileri GitHub üzerinden erişime açık durumda.

Bu tür gelişmiş yapay zeka modellerinin, büyük veri setleriyle eğitilebilmesi ve gerçek zamanlı analiz yapabilmesi için üst düzey hesaplama gücüne sahip donanımlara ihtiyaç duyuluyor. Derin öğrenme modellerinin eğitimi ve klinik uygulamalarda hızlı çalışabilmesi, yüksek performanslı GPU’lar ve veri merkezi sunucularıyla mümkün hale geliyor.

Siz de sağlıkta yapay zeka projeleriniz için yüksek performanslı GPU’lar ve güçlü sunucu çözümleri arıyorsanız, ekran kartları ve sunucu sistemleri kategorilerimizi inceleyebilirsiniz.