Bu temel modelin, belirli tıbbi veya nörobilimle ilgili görevleri tamamlamak üzere eğitilmiş birçok modelden daha iyi performans gösterdiği bulundu.
Çeviren: Emine Öykü Güner
GazeteBilim Yazı İşleri
Yapay zekâ sistemleri, verilerdeki belirli kalıpları ve düzenleri tanımayı öğrenen, bu sayede doğru tahminler yürüten veya yeni içerikler (metin, görsel, video ya da ses kaydı gibi) üretebilen hesaplama modelleridir. Bu modeller, çok çeşitli görevleri güvenilir bir şekilde yerine getirebildikleri gibi günümüzde artık farklı alanlardaki araştırmaları yürütmek için de aktif olarak kullanılmaktadır.
Geçtiğimiz on yıl boyunca bazı yapay zekâ modelleri, belirli hastalıkların veya nöropsikiyatrik durumların erken teşhisi ve incelenmesi konusunda umut verici sonuçlar ortaya koymuştur. Örneğin, manyetik rezonans görüntüleme adı verilen ve vücuda müdahale gerektirmeyen (noninvaziv) bir teknikle toplanan çok sayıdaki beyin taramasını analiz eden yapay zekâ; tümörler, felçler ve nörodejeneratif hastalıklarla ilişkili kalıpları açığa çıkarabilmektedir. Bu yetenek, söz konusu rahatsızlıkların çok daha erken safhalarda teşhis edilmesine yardımcı olabilir.
Mass General Brigham, Harvard Tıp Fakültesi ve diğer enstitülerdeki araştırmacılar yakın zamanda farklı görevlerin üstesinden gelmek üzere uyarlanabilen, geniş bir MRI veri havuzunda önceden eğitilmiş büyük bir yapay zekâ sistemi olan Beyin Görüntüleme Uyarlanabilir Çekirdeği’ni (BrainIAC) geliştirdiler. Nature Neuroscience’da yayınlanan bir makalede sunulan bu temel modelin, belirli tıbbi veya nörobilimle ilgili görevleri tamamlamak üzere eğitilmiş birçok modelden daha iyi performans gösterdiği bulundu.
Makalenin kıdemli yazarı Benjamin H. Kann, Medical Xpress’e verdiği demeçte, “Amerika Birleşik Devletleri’nde her yıl yapılan milyonlarca beyin MR’ında muazzam bir veri hazinesi var” dedi. “Bu taramalar belirli bir nedenle insanlar tarafından analiz ediliyor, ancak bu, bu taramaların hastalarımız hakkında bize anlatabileceği hikâyenin sadece yüzeysel bir kısmını oluşturuyor. Yapay zekâ ve gelişmiş hesaplamalı görüntüleme teknikleriyle, bu taramalardan daha önce hiç olmadığı kadar çok bilgi elde edebiliriz. Bu da felçten kansere, demansa kadar çeşitli akut ve kronik durumları izlemek ve hastalar için gelecekteki riskleri tahmin etmek için güçlü, klinik olarak faydalı yöntemler sunabilir.”
BrainIAC temel modeli
Kann ve meslektaşları tarafından geliştirilen genel model BrainIAC, MRI kullanılarak toplanan toplam 48.965 beyin görüntüleme taraması üzerinde önceden eğitilmiştir. Model, çoğunlukla etiketlenmemiş verilerden kalıpları öğrenmeyi sağlayan, kendi kendine denetimli öğrenme olarak bilinen bir yaklaşımla eğitilmiştir. Bu kapsamlı eğitim sayesinde model, insan beyninin yapısı ve organizasyonunu oluşturan kalıplar hakkında derinlemesine bilgi edindi. İlk ön eğitim aşamasının ardından model; bir hastanın MR taramalarından yola çıkarak belirli hastalıkların ve nöropsikiyatrik durumların tespit edilmesi veya ilerleyişinin incelenmesi için kolayca uyarlanabilir hale geldi.
Kann, “Karşılaştırmalı öğrenme adı verilen bir yöntem kullanan bu ön eğitim onu tek bir şeyi tahmin etmek üzere bir modeli eğiten çoğu MRI yapay zekâ algoritmasından ayırıyor” diye açıkladı. Bu temel altyapı bilgisini kullanan araç; daha sonra çeşitli beyin hastalıklarını tanımlamak, bu hastalıkların şiddetini belirlemek ve gelecekteki risklerini tahmin etmek için kolayca uyarlanabiliyor.
Araştırmacılar, çalışmalarının bir parçası olarak modellerini uyarladılar ve Alzheimer, otizm, demans, beyin tümörleri, Parkinson hastalığı ve felç gibi çeşitli durumları tespit etme yeteneğini değerlendirdiler. Sonuçlar oldukça şaşırtıcıydı, modelin bu hastalıkların çoğunu yüksek doğrulukla tahmin edebildiği ve her birine çok az ek eğitim gerektirerek kolayca uyum sağladığı görüldü.
Kann, “Bu modeli tek bir göreve göre eğitilmiş diğer modellerle karşılaştırdığımızda, modelin bazen eşdeğer performans sergilemek için 10 kata kadar daha az eğitim verisine ihtiyaç duyduğunu hatta bazen bunun da ötesinde performans gösterdiğini gördük” dedi. Bu, modelin birçok farklı beyin bozukluğu türünü tahmin etmek için bir temel olarak kullanılabileceği anlamına geliyor.
Tıp ve sinirbilim araştırmaları için umut vadeden bir araç
Gelecekte BrainIAC modeli daha da geliştirilebilir ve daha büyük bir MRI veri havuzunda önceden eğitilebilir. Buna ek olarak bilgisayar tomografisi taramaları, yüksek çözünürlüklü mikroskopi görüntüleri, retina görüntüleri, ultrason kayıtları ve belirli organların diğer bölümlerinin taramaları gibi diğer görüntüleme verisi türleri üzerinde eğitilmiş diğer temel yapay zekâ modellerinin geliştirilmesine ilham verebilir.
Kann, “Bu algoritmanın, araştırmacıların ve klinisyenlerin daha önce mevcut veri miktarının sınırlı olması nedeniyle mümkün olmayan birçok farklı beyin bozukluğu türü için yapay zekâyı kullanmalarına yardımcı olabileceğini düşünüyoruz” dedi.
BrainIAC algoritması açık kaynaklıdır ve özel bir web sitesi üzerinden çevrimiçi olarak erişime sunulmuştur. Diğer araştırma grupları; çeşitli beyin bozukluklarını incelemek, bu hastalıkların ortaya çıkışını tespit etmek ve ilerleyişini takip etmek için şimdiden bu modeli kullanmaya başladılar.
Kann, “Şimdiden büyük ilgi gördük ve Alzheimer hastalığı ve travmatik yaralanma gibi çeşitli beyin rahatsızlıkları için BrainIAC’ı araştırmak üzere çeşitli gruplarla iş birliği yapıyoruz” diye ekledi.
Kaynak:
https://medicalxpress.com/news/2026-02-foundation-ai-mri-multiple-brain.html
(Son erişim tarihi: 6.03.2026)
