Sağlık verilerini internetten toplamak genellikle kolay değildir: StableDiffusion ve ChatGPT gibi büyük yapay zeka oluşturucuların temelini oluşturan ücretsiz metin ve resimlerin tam tersidir. Sağlık yapay zekası için veri toplarken neyin önemli olduğu hakkında Daniel Beck ile konuşuyoruz.
Almanya’da şu anda araştırma için (anonim) sağlık verilerinin kullanımı hakkında pek çok tartışma var – CCC sözcüsü Constanze Kurz geçenlerde bundan şikayet etti. Yapay zeka uygulamaları bu verilere erişim konusunda ne kadar bağımlı ve sağlık verilerinin kullanımında coğrafi farklılıklar var mı?
Tartışmadaki merkezi nokta, tüm verilerin ve ilgili risklerin tek bir yerde toplanmasıdır. Teknik açıdan bakıldığında, kesinlikle aynı gereksinimleri karşılayabilecek alternatifler olabilirdi. Sağlık verileri, veri toplama ve toplama türü ne olursa olsun tıbbi araştırmaların yanı sıra tıp alanındaki yapay zeka uygulamalarının eğitimi, değerlendirilmesi ve kullanımı için gereklidir.
Bu nedenle, hasta verilerinin gizliliğini, yapay zeka uygulamaları için veri kullanılabilirliğini ve bunlara teknik erişimi dengelemenin bir yolunu bulmak önemlidir. Bu faktörlerin ağırlığına bağlı olarak, çözüm farklı olacaktır. Avrupa’da veri koruması çok önemli bir rol oynuyor, Çin’de veri kullanılabilirliği daha yüksek derecelendiriliyor. Amerika Birleşik Devletleri’nde, sağlık verilerine erişim için tek tip bir arayüz kanunla tanımlanmıştır.
Mevcut ChatGPT örneğinden, AI programlarının genel konulara iyi yanıtlar verebileceğini biliyoruz. Kesin sorular veya uzmanlık konuları söz konusu olduğunda, program genellikle yanlış anlar veya cevaplar uydurur. Tıbbi AI alanında bu tür bir belirsizlikten nasıl kaçınılır?
Çok büyük dil modellerinin arkasındaki yaklaşım, sistemi mümkün olduğu kadar çok metinle eğitmektir. Bu şekilde, dilbilimsel olarak ikna edici ve aynı zamanda içerik açısından soruya bir şekilde uyan yanıtları sentezleyebilirsiniz. Bu başlı başına dikkate değer bir başarıdır, ancak ChatGPT hiçbir şekilde eğitim için kullanılan metinleri veya soruların içeriğini bir insan olarak anlamıyor. Basitleştirerek, böyle bir sistem, eğitim metinlerinin ortalamasına dayalı olarak en olası kelime dizisini döndürür. Tamamen metinlerden kaynaklanmayan gerçek anlam, sistemden gizli kalır.
Tıbbi AI uygulamaları genellikle tıbbın özel alanlarını içerir. Ancak burada bile bir karar için önemli göstergeleri gözden kaçırmak mümkündür. Bunun nedeni, bu özelliklerin oluşma sıklığının düşük olması olabilir. Hatalardan kaçınmak için, tıbbi yapay zeka sistemleri için büyük veri kümelerine sahip ayrıntılı değerlendirme yöntemlerine ihtiyaç vardır.
Bir araştırma ekibi, öksürük seslerine dayanarak COVID-19’u aptalca teşhis eden bir yapay zekayı az önce çürüttü. Programların doğru teşhisi tanıdığından ve bazı hastalıkları yanlış özelliklere göre sonuçlandırmayacağından nasıl emin olabilirsiniz?
Bu, eğitim veri setindeki bir önyargının, yalnızca ikincil öneme sahip olan ve hatta tahmin edilecek gerçeklerle hiçbir nedensel bağlantısı olmayan özelliklerin özellikle alakalı olarak sınıflandırılmasına yol açtığı klasik bir örnektir. Ne yazık ki, bu çok hızlı gerçekleşebilir ve temsili veri kümeleri oluşturmanın ne kadar önemli olduğunu bir kez daha kanıtlar. Diğer bir deyişle, gerçek dünyada bulunan dağılıma benzer dağılım gösteren veri kümeleridir. O kadar kolay değil, çok zaman alıyor ve bu nedenle pahalı.
Durum, değerlendirme verilerine göre beklenen durumla gerçekte eşleşmiyorsa, bu tür sorunlar hızlı bir şekilde belirlenir – öksürük algılama uygulamasında da durum buydu. Önyargıların tanınmadığı durumlar, örneğin yalnızca sınırlı sayıda durumda yanlış kararlara yol açtıkları için daha sorunludur. Bu nedenle, girdi verilerinin hangi özelliklerinin özellikle alakalı olarak değerlendirilebileceğini kontrol etmek stokastik AI yöntemleriyle önemlidir. Tıbbi ortamda, profesyonel bir bakış açısıyla bu değerlendirmeye uyup uymadığını kontrol etmelisiniz. Nihayetinde, stokastik yöntemler tıpta ancak doktorlar bilginin her zaman yanlış olabileceğini bilirlerse kullanılabilir. Bir alternatif, deterministik yöntemlerin kullanılmasıdır.
(Resim:
bilmek
)
Daniel Beck, bir bilgisayar bilimcisi, yazılım geliştiricisi ve danışmanlık firması Cognotekt’in ortağıdır. Uzmanlığı, temel olarak, verilere dayalı sonuçlar çıkarmak için ham verileri makine tarafından okunabilir bir veri kümesine dönüştürmekte yatmaktadır. Biyo ve sağlık teknolojisi şirketlerine veri stratejileri ve yapay zeka uygulamaları konusunda danışmanlık yapıyor.
Sayın Beck, cevaplarınız için çok teşekkür ederim.
Hasta verileri yönetiminin önemi, yapay zekanın sağlık sigortası şirketlerinden alınan fatura verilerinin yardımıyla ilaç güvenliğini iyileştirmeyi amaçladığı devam eden bir araştırma projesiyle de gösterilmektedir. Başka bir röportajda Daniel Beck, AI’nın tıpta hangi uygulama alanlarının anlamsız olduğunu, özellikle nerelerde uygun olduğunu ve yanlış teşhis durumunda sorumluluk durumunun ne olduğunu açıklıyor.
“Üç soru ve cevap” serisinde iX, ister kullanıcının PC önündeki bakış açısı, ister yöneticinin bakış açısı veya bir yöneticinin günlük hayatı olsun, günümüzün BT zorluklarının özüne inmek istiyor. Günlük uygulamanızdan veya kullanıcılarınızdan önerileriniz var mı? Özetle hangi konuda hangi önerileri okumak istersiniz? O zaman bize yazın veya forumda bir yorum bırakın.
(psst)
Haberin Sonu
Almanya’da şu anda araştırma için (anonim) sağlık verilerinin kullanımı hakkında pek çok tartışma var – CCC sözcüsü Constanze Kurz geçenlerde bundan şikayet etti. Yapay zeka uygulamaları bu verilere erişim konusunda ne kadar bağımlı ve sağlık verilerinin kullanımında coğrafi farklılıklar var mı?
Tartışmadaki merkezi nokta, tüm verilerin ve ilgili risklerin tek bir yerde toplanmasıdır. Teknik açıdan bakıldığında, kesinlikle aynı gereksinimleri karşılayabilecek alternatifler olabilirdi. Sağlık verileri, veri toplama ve toplama türü ne olursa olsun tıbbi araştırmaların yanı sıra tıp alanındaki yapay zeka uygulamalarının eğitimi, değerlendirilmesi ve kullanımı için gereklidir.
Bu nedenle, hasta verilerinin gizliliğini, yapay zeka uygulamaları için veri kullanılabilirliğini ve bunlara teknik erişimi dengelemenin bir yolunu bulmak önemlidir. Bu faktörlerin ağırlığına bağlı olarak, çözüm farklı olacaktır. Avrupa’da veri koruması çok önemli bir rol oynuyor, Çin’de veri kullanılabilirliği daha yüksek derecelendiriliyor. Amerika Birleşik Devletleri’nde, sağlık verilerine erişim için tek tip bir arayüz kanunla tanımlanmıştır.
Mevcut ChatGPT örneğinden, AI programlarının genel konulara iyi yanıtlar verebileceğini biliyoruz. Kesin sorular veya uzmanlık konuları söz konusu olduğunda, program genellikle yanlış anlar veya cevaplar uydurur. Tıbbi AI alanında bu tür bir belirsizlikten nasıl kaçınılır?
Çok büyük dil modellerinin arkasındaki yaklaşım, sistemi mümkün olduğu kadar çok metinle eğitmektir. Bu şekilde, dilbilimsel olarak ikna edici ve aynı zamanda içerik açısından soruya bir şekilde uyan yanıtları sentezleyebilirsiniz. Bu başlı başına dikkate değer bir başarıdır, ancak ChatGPT hiçbir şekilde eğitim için kullanılan metinleri veya soruların içeriğini bir insan olarak anlamıyor. Basitleştirerek, böyle bir sistem, eğitim metinlerinin ortalamasına dayalı olarak en olası kelime dizisini döndürür. Tamamen metinlerden kaynaklanmayan gerçek anlam, sistemden gizli kalır.
Tıbbi AI uygulamaları genellikle tıbbın özel alanlarını içerir. Ancak burada bile bir karar için önemli göstergeleri gözden kaçırmak mümkündür. Bunun nedeni, bu özelliklerin oluşma sıklığının düşük olması olabilir. Hatalardan kaçınmak için, tıbbi yapay zeka sistemleri için büyük veri kümelerine sahip ayrıntılı değerlendirme yöntemlerine ihtiyaç vardır.
Bir araştırma ekibi, öksürük seslerine dayanarak COVID-19’u aptalca teşhis eden bir yapay zekayı az önce çürüttü. Programların doğru teşhisi tanıdığından ve bazı hastalıkları yanlış özelliklere göre sonuçlandırmayacağından nasıl emin olabilirsiniz?
Bu, eğitim veri setindeki bir önyargının, yalnızca ikincil öneme sahip olan ve hatta tahmin edilecek gerçeklerle hiçbir nedensel bağlantısı olmayan özelliklerin özellikle alakalı olarak sınıflandırılmasına yol açtığı klasik bir örnektir. Ne yazık ki, bu çok hızlı gerçekleşebilir ve temsili veri kümeleri oluşturmanın ne kadar önemli olduğunu bir kez daha kanıtlar. Diğer bir deyişle, gerçek dünyada bulunan dağılıma benzer dağılım gösteren veri kümeleridir. O kadar kolay değil, çok zaman alıyor ve bu nedenle pahalı.
Durum, değerlendirme verilerine göre beklenen durumla gerçekte eşleşmiyorsa, bu tür sorunlar hızlı bir şekilde belirlenir – öksürük algılama uygulamasında da durum buydu. Önyargıların tanınmadığı durumlar, örneğin yalnızca sınırlı sayıda durumda yanlış kararlara yol açtıkları için daha sorunludur. Bu nedenle, girdi verilerinin hangi özelliklerinin özellikle alakalı olarak değerlendirilebileceğini kontrol etmek stokastik AI yöntemleriyle önemlidir. Tıbbi ortamda, profesyonel bir bakış açısıyla bu değerlendirmeye uyup uymadığını kontrol etmelisiniz. Nihayetinde, stokastik yöntemler tıpta ancak doktorlar bilginin her zaman yanlış olabileceğini bilirlerse kullanılabilir. Bir alternatif, deterministik yöntemlerin kullanılmasıdır.
(Resim:
bilmek
)
Daniel Beck, bir bilgisayar bilimcisi, yazılım geliştiricisi ve danışmanlık firması Cognotekt’in ortağıdır. Uzmanlığı, temel olarak, verilere dayalı sonuçlar çıkarmak için ham verileri makine tarafından okunabilir bir veri kümesine dönüştürmekte yatmaktadır. Biyo ve sağlık teknolojisi şirketlerine veri stratejileri ve yapay zeka uygulamaları konusunda danışmanlık yapıyor.
Sayın Beck, cevaplarınız için çok teşekkür ederim.
Hasta verileri yönetiminin önemi, yapay zekanın sağlık sigortası şirketlerinden alınan fatura verilerinin yardımıyla ilaç güvenliğini iyileştirmeyi amaçladığı devam eden bir araştırma projesiyle de gösterilmektedir. Başka bir röportajda Daniel Beck, AI’nın tıpta hangi uygulama alanlarının anlamsız olduğunu, özellikle nerelerde uygun olduğunu ve yanlış teşhis durumunda sorumluluk durumunun ne olduğunu açıklıyor.
“Üç soru ve cevap” serisinde iX, ister kullanıcının PC önündeki bakış açısı, ister yöneticinin bakış açısı veya bir yöneticinin günlük hayatı olsun, günümüzün BT zorluklarının özüne inmek istiyor. Günlük uygulamanızdan veya kullanıcılarınızdan önerileriniz var mı? Özetle hangi konuda hangi önerileri okumak istersiniz? O zaman bize yazın veya forumda bir yorum bırakın.
(psst)
Haberin Sonu