Bu haftaki yazımda sağlık alanında yapay zeka ve biyomalzemeleri çok değerli bir bilim insanı ile birlikte ele alacağız. Köşemin bu haftaki konuğu Kütahya Sağlık Bilimleri Üniversitesi Tıp Fakültesi Beyin ve Sinir Cerrahisi Anabilim Dalı Başkanı Doç. Dr. Hasan Emre Aydın. Son dönemin en popüler konularından birisi yapay zeka. Sadece endüstriyel alanda değil, aynı zamanda sağlık alanında da kullanılmaya başladı. Hasan Emra hoca ile kendi bilim disiplini özelinde ve cerrahi alanda kullanılan yapay zeka uygulamaları ve biyomalzemeleri konuştuğumuz röportajı sizler için aşağıda özetlemeye çalıştım. Teknolojik gelişmeleri yakından takip etmek ve klinik yansımaları üzerinde çalışmak hastalıkların tedavisini kolaylaştırır hale gelmiştir. En sık karşılaştığımız bir örnekten bahsedersek; ülkemizdeki diğer merkezlere kıyasla yeterli teknolojik donanıma sahip olduğumuz Beyin Cerrahisi kliniğimizde hastalarımızdan elde ettiğimiz iki boyutlu bir görüntüyü bilgisayar destekli yazılım sayesinde kısa sürede üç boyutlu hale dönüştürebiliyoruz. Hastalarımıza fayda sağlamak amacıyla teknolojiyi sonuna kadar kullanıyoruz ve çalışmalarımıza tıp ve mühendislik alanlarında multidisipliner olarak devam ediyoruz.  Beyin tümörlerinin tedavisinde Bor bileşenlerinin kullanımı, implantların kaplanması, biyopolimer destekli implant üretimi ve beyin damar hastalıklarında (inme & baloncuk gibi) yapay zeka ile yeniden boyutlandırılmış radyolojik görüntüleme konuları ana başlıklarımızı oluşturmaktadır. Aynı zamanda bir startup firması olan AR-GE ve Tasarım merkezimizde amacımız; üç boyutlu yazıcı destekli anatomik modelleme, cerrahi öncesi planlama ile birlikte medikal alanda kişiye özel çözümler üreterek deneysel ve klinik alanda bilimsel projelere katma değer kazandırmaktır. Diş Hekimliği, Beyin ve Sinir Cerrahi, Plastik ve Rekonstrüktif Cerrahi, Ortopedi ve Travmatoloji ve Genel Cerrahi alanında uygulama modelleri ile birlikte bilimsel çalışmalarımıza devam etmekteyiz. Üç boyutlu biyoyazıcı, bioink, filament üretimi konusunda araştırmalarımız devam etmektedir.  Beyin, kalp, böbrek gibi organların eğitim amacıyla plastik modellemesi veya kemik yapıların cerrahi hazırlık amacıyla modellenmesi için bir süredir kullanılan üç boyutlu yazıcılarda multidisipliner çalışmalar ile birlikte kök hücre ve rejeneratif tıp ünitelerinin de eklenmesi ile biyo uyumluluğu yüksek, yani canlı dokuya en yakın materyallerin üretimi sağlanmıştır. Çalışmalarımızla içerisinde bulunduğumuz ve halen deney aşamasında olan bazı çalışmalar gün geçtikçe ivmelenmekte ve bu sayede yeni son ürünler ortaya çıkmaktadır. Özellikle uluslararası alanda basında karşılaştığımız yapay organ veya doku üretimi gibi haberlerin yakın gelecekte gerçekleşmesi yönünde bilimsel çalışmalar devam etmektedir. Bunun yanında hasta vücut yapısına uygun vücut içi implant ve eklem protezleri, kişiye özel anatomik modelleme, cerrahi kılavuzlar ve medikal modeller konularında çalışmaktayız. Hastaların anatomileri ile tam uyumlu (patient-specific) implantlar, cerrahi kılavuzlar ve protezleri biyomekanik özellikleri de göz önünde bulundurularak, özel tasarımlar yapılmaktadır. Çeşitli nedenlerle doku kaybına uğrayan hastaların, hızlı ve en iyi şekilde, anatomileri ile tam uyumlu implant ve protezler geliştirmekte ve üretilmektedir. Amacımız bir yandan da bu ürünlere katma değer katmak ve biyoyazıcılar desteği ile elde ettiğimiz son ürünleri daha nitelikli malzemeler ile kaplayarak daha düşük maliyetle etkin yeni ürünler haline getirmektir. Diğer bir tarafta çağımızda hayatımızın her yerine giren ve etrafımızı çoktan sarmaya başlamış olan bir fenomenle karşı karşıyayız, makina öğrenmesi ya da yapay zeka; insan zekasının kendi eksik kaldığı yerleri tamamlamak için geliştirdiği, yeni hesaplama paradigmaları. Makine Öğrenmesi & Derin Öğrenme & Büyük Veri & Veri Madenciliği & Veri Bilimi gibi çok sayıda moda sözcüğün dönüp durduğu ve herkes tarafından kullanılageldiği günümüzde bu alan, modern araştırmacı için vazgeçilmez bir gerece dönüşmektedir. Birazda, birbirleriyle ilişkili ancak kavramsal olarak farklı bu terimleri açıklamak ve bilgisayar bilimi geçmiş olmayan araştırmacılar için makine öğrenmesi algoritmalarını, kendi veri setlerinde kullanmak için gerekli temel bilgileri, makine öğrenmesinin en temel veri setlerinden biri olan iris setosa örneği üzerinden inceleyeceğiz. Bir şemsiye terim olan Makine öğrenmesi; terimi 1950; lerin sonlarına kadar mevcut olmasa da, bir makinenin biyolojik bir canlı gibi öğrenebileceği fikri esasen Warren McCulloch ve Walter Pitts in Sinirsel Aktivitede Fikirlerin Mantıksal Hesaplaması (A Logical Calculus of the Ideas Immanent in Nervous Activity); başlıklı makalesinde doğdu. Bu makale, halen makina öğrenmesi alanının ufuk açıcı makalelerinden biri olarak kabul edilmektedir. Makalenin ana fikri, temelde bilgisayardan çok insan nöronuyla ilgilidir. Temel olarak, bir nöronun beynin çalışmasını sağlayan sinyalleri ortaya çıkarmak için nasıl davrandığını açıklar ve biyolojik davranışı bir dizi matematiksel mantık çıkarsamasıyla tarif eder. Özetle, makine öğrenmesi sınıflandırma algoritmasının işi, yeni bir örneği doğru şekilde sınıflandırmak için eğitim veri setindeki örneklerden öğrendiği kalıpları kullanmaktır. Yeni Örnekler, makina öğrenmesi jargonunda test verisi olarak adlandırılır. Aynı zamanda, burada bir denetimli öğrenme örneği görmekteyiz. Çünkü algoritmanın öğrenebileceği etiketler daha önce araştırmacılar tarafından oluşturulmuştur. Başka bir deyişle, denetimli öğrenmede algoritmaya çözümü verir ve bunu genellemeyi öğrenmesini sağlarız. Denetimli öğrenme ile öğrenen bir yapay zeka algoritması, bu bakımdan tıpkı öğretmeninden öğrenen bir öğrenciye benzer. Öğretmen, bir test yapmadan önce sorulara tüm cevapları (etiketleri ve eğitim verilerini) anlatır. Öğrenci cevapları öğrendikten sonra, öğretmen öğrencinin ne kadar iyi öğrendiğini görmek için ona daha önce görmediği soruları (test verileri) vererek öğrencinin bilgisini test eder. Bu, etiketlere sahip olmadığımız Denetimsiz Öğrenmeden farklıdır. Fakat denetimsiz öğrenmede yine de, verileri bazı kriterlere göre kategorize etmemiz gerekecektir. Derin Öğrenmenin belki de Tıbbi Görüntüleme alanında en ufuk açıcı gelişmesi Transfer Öğrenimi ile olmuştur. Transfer Öğrenimi fikri yine oldukça basit ancak güçlü bir temele dayanmaktadır; kendi yapay sinir ağınızı kodlayıp eğitmek yerine, daha önce çok daha büyük veri setleri ve bilgisayarlar tarafından eğitilmiş genel amaçlı derin öğrenme ağlarını kullanmak. Böylece, araştırmacının gereksinim duyacağı programlama bilgisi ve veri seti büyüklüğü azalmaktadır. Örneğin, insan yüzlerini sınıflandırmak için zaten eğitilmiş bir Sinir Ağını veya bu Sinir Ağının bir bölümünü MR görüntülerinde tümörleri ayırt etmek için özelleşen özel bir ağ oluşturmak için kullanabiliriz. Her şeyi sıfırdan yapmak zorunda olmadığımız için yeni Sinir Ağları oluşturmayı çok kolaylaştıran bu yöntem, son dönemde daha da yaygınlaşmaya başlamıştır. Günümüzde karşı karşıya kaldığımız salgın tehlikesinde dahi Yapay Zeka ve Derin Öğrenme sıklıkla gündeme gelmiştir. Bazı merkezlerde hekim gücüne destek olarak hastalarda özellikle acil şartlarda yapılan radyolojik görüntülemelerin değerlendirilmesinde deneysel olarak kullanılmaya başlanmış ve ciddi faydalar sağladığı görülmüştür. Belli ki kısa sürede çığ gibi büyüyen bu kadar ayrıntılı konunun yakın gelecekte en azından bazı tanılarda insan gücüne destek sağlayabileceği aşikardır. Bir beyin cerrahı olarak yapay zeka veya derin öğrenmenin faydasını nasıl göreceğiz dersek; hızlı tanı ve dolayısı ile hastaların tedaviye erken ulaşımında bu teknoloji yol gösterici olabilecektir. Söylemeden geçemeyiz ‘hızlı tanı her zaman hayat kurtarıcıdır’. Doç. Dr. Hasan Emre Aydın Hocama verdiği kıymetli bilgiler için teşekkür ediyorum. Mübarek Ramazan Bayramınızı kutlar sağlık, mutluluk ve huzur içinde nice bayramlara ulaşmanızı dilerim. Sağlıcakla kalın.