Günümüzde kadınlarda en sık rastlanan kanser olan meme kanserinin taraması mamografi ile yapılmaktadır. Meme MR ve tomosentez de meme kanseri taramasında sıklıkla kullanıkmaktadır ve bu metodlar ile elde edilen verilerin yüksek boyutlu ve karmaşık yapısından dolayı değerlendirilmesi zor ve zaman alıcıdır. Radyologların film okumadaki verimliliğinin ve doğruluğunun artırılması için bilgisayar destekli bir çok yardımcı sistem geliştirilmiştir.
Radyolojide görüntüler sadece birer imaj değil aslında görüntünün temelini oluşturan dijital verilerdir. Makine öğrenimi (machine learning), bilgisayarlı görü (computer vision) ile tıbbi görüntü analizinde, derin öğrenme (deep learning) algoritmalarının ortaya çıkması ile, devrimsel gelişmelere tanık olmaktayız. Derin öğrenme algoritmasının görüntü analizindeki başarısıyla birlikte 2012’den bu yana konu ile ilgili araştırmalar katlanarak artmıştır. Derin öğrenme yöntemlerinin ve evrişimsel sinir ağı algoritmasının diğer alanlardaki görüntü analizindeki başarıları, medikal görüntü analizinde ve mamografi okuma işlemleride de kullanılmaya başlanmıştır. .
Derin öğrenmenin faydalarından birisi sistemin kendi kendine öğrenebilmesidir; yani insan tarafından görüntü özelliklerinin tanımlanması ve ilgili hesaplamaların bilgisayarlara öğretilmesi yerine derin öğrenme ile bilgisayarlar görüntü özelliklerini kendileri öğrenmektedirler. Yani derin öğrenme yöntemleri ile görüntü özelliklerinin bilgisayarlara insanlar tarafından öğretilmesinden, bilgisayarların görüntü özelliklerini kendilerinin öğrenmesi aşamasına geçilmiştir.
Bilgisayar destekli tanı (Computer Aided Detection-CAD) yazılımları 1990’ların başlarında mamografide meme kanseri tespiti için geliştirilmiştir.
CAD sistemleri mamografide gözden kaçan veya yanlış yorumlanan lezyonların minimize edilmesi için önemlidir. yeni nesil derin öğrenme temelli CAD sistemleri meme kanseri tarama programlarının gelişimine yardımcı olmaktadır. Araştırmalar, yapay zeka destekli CAD'in karar destek aracı olarak kullanmanın radyologlara geleneksel yaklaşımdan daha fazla yardımcı olduğunu göstermiştir. Ayrıca araştırmalar meme radyologlarının, tek başına okumaya kıyasla, yapay zeka ile geliştirilmiş karar destek sistemi yardımı ile daha yüksek bir teşhis performansına sahip olduğunu göstermiştir.
Yapay zeka sistemlerinin sınırlamalarını anlamak da önemlidir. Derin öğrenme sistemleri de dahil makine öğrenme sistemleri ancak izole edilmiş görevleri çözme konusunda uzmanlaşabilirken; insan zekası çeşitli kaynaklardan ve katmanlardan gelen bilgileri sentez ederek karar vermektedir.
Yapay zeka kesinlikle radyolojiyi diğer tıbbi alanlardan daha hızlı bir şekilde etkileyecektir. Sadece son birkaç yılda meme görüntülemesi gibi belirli görüntü tanıma görevlerinde insan performansına erişen ve hatta bunları aşan çeşitli uygulamalar geliştirilmiştir. Sıra bu uygulamaların gerekli onay ve hukuki yapının tamamlanması ile günlük rutinde yerini almasındadır.
Gelecekte derin öğrenme temelli yapay zeka sistemleri meme radyoloğunun günlük rutin işlerindeki verimliliği ve güven seviyesini artırarak, radyologların hastanın kliniğine daha çok yönelmesine olanak sağlayacak zamanı radyologlara kazandıracaktır. Radyologlar gözlerini imajlardan, hastaya yapay zeka uygulamaları ile geliştirilmiş karar destek sistemleri yardımı ile çevireceklerdir.
Kliniğimizde ekim 2018 den beri, geliştirilmesine etiketlenmiş data vererek katkıda da bulunduğumuz, 2019 yılında FDA onayı alan Screenpoint firmasının Transpara isimli yapay zeka sistemini mamografi ile meme kanseri taramasında kullanmaktayız.
