Yucel GONUL, Şahin ULU, Abdülkadir BUCAK, Abdülkadir BİLİR

Yapay sinir ağları ve klinik araştırmalarda kullanımı

Yapay zeka yöntemleri insanların zekice olarak tasvir edilen davranışlarının akıllı cihazlar tarafından modellenmesidir. Yapay sinir ağları (YSA) ile sinir sisteminin çalışma şekli benzerdir. Stimüle edilen sinir hücreleri çeşitli şekillerde birbirlerine bağlanarak bir YSA oluştururlar. YSA'dan istenen ise, insanların düşünme yeteneğini bilgisayarlar aracılığı ile kopyalamak ve belirli ölçüde bilgisayarlara öğrenme yeteneği kazandırabilmektir. YSA'ların çok boyutlu, karmaşık, kesin olmayan, eksik, hata olasılığı yüksek sensör verileri olduğu ve problemleri çözmek için matematiksel modellerin ve algoritmaların bulunmadığı durumlarda yaygın olarak kullanıldıkları görülmektedir. Bu amaçla geliştirilmiş ağlar; muhtemel fonksiyon kestirimleri, sınıflandırma, ilişkilendirme veya örüntü eşleştir- me, örüntü tanıma ve optimizasyon gibi fonksiyonları gerçekleştirmektedirler. YSA tıbbi araştırma verileri içinden daha önce fark edilmemiş desenleri saptama, sınıflama, tıbbi aygıtların kontrolü, tıbbi görüntülerin karakteristiklerinin tespit edilmesi gibi pek çok uygulamada aktif olarak kullanılmaktadır. Yapay zeka yöntemlerinin yeterliliği tıbbın neredeyse her alanında araştırılmıştır ve uygu- lanma potansiyeline sahiptir. Bu çalışmalara örnek olarak; akut apandisit, ateroskleroz ve koroner arter hastalıkları için tanı koyma, apical foramen lokalizasyonu, artritte el ve bilek radyografisi kullanılarak lokalizasyon değerlendirme, osteoporoz riski değerlendir- me, yürüme bozukluğu ve baş ağrılarının sınıflandırılması, oral veya orofarenjiyal kanser tedavisinde hastalardaki hipernazalitenin değerlendirilmesi ve analizi, farenjiyal yüksek çözünürlük manometresinin sınıflandırılması gösterilebilir. Hatalı teşhis riski olan kompleks hastalıkların tanısında faydalı bir araç olduğu gösterilmiştir. Bu nedenle YSA tekniğinin gereksiz araştırmaları, olumsuz ameliyat oranlarını ve potansiyel olarak ortaya çıkabilecek maliyeti azaltabileceği söylenebilir. YSA araştırmalarının getirileri ve başa- rıları göz önüne alındığında tıp alanında yeni bir çağ açacağı ve daha gelişmiş tanı ve tedavi yöntemleri için ışık tutacağı kaçınılmaz bir gerçektir

Artificial neural networks and the use in clinical researchs

Artificial intelligence methods are modeling of humans' behaviors which described as "intelligently" by smart devices. The operating mode of nervous system is imitated by Artificial neural networks (ANN). Stimulated nerve cells constitute ANN by connecting to each other in various forms. Desired from ANN is to copy peoples' thinking ability through computers and to be gained learning ability by computers. It is observed that ANNs are widely used in some situations such as sensor data which is multi-dimensional, complex, imprecise, incomplete and have high error probability and the absence of mathematical models and algorithms to solve these problems. Developed networks for this purpose actualize some functions such as estimation of possible functions, classification, association, pattern matching, pattern recognition and optimization. ANN is actively used in many applications such as detecting patterns which were previously unrecognized from medical research data, classification, medical devices, control and determining characteristics of medical images. The adequacy of artificial intelligence methods were investigated almost in all fields of medicine. The diagnosis of acute appendicitis, atherosclerosis and coroner artery disease, localization of the apical foramen, arthritis, localizati- on assessment using the hand and wrist radiographs, osteoporosis risk assessment, gait disturbances and the classification of heada- che, analysis to assess hypernasality in patients treated for oral or oropharyngeal cancer, classification of pharyngeal high-resolution manometry can be shown as examples. ANN was shown to be a useful tool to diagnose complex diseases which have misdiagnosis risk. Therefore it can be said that, ANN technique can reduce unnecessary investigations, negative surgery rates and cost which may arise potentially. Considering the benefits and achievements of ANN research, it is an unavoidable fact that, ANN will open a new era in medicine and will shed light on more advanced diagnosis and treatment method

___

Moe MC, Westerlund U, Varghese M, et al. Development of neural networks from single stem cells harvested from the adult human brain. Neurosurgery 2005;56:1182-90.
Serhatlıoğlu S, Hardalaç F. Yapay zeka teknikleri ve radyolojiye uy- gulanması. Fırat Tıp Derg 2009;14:1-6.
Ergezer H, Dikmen M, Ozdemir E. Yapay sinir ağları ve tanıma sistemleri. Pivolka 2003;2:14-7.
Ucman E. Transcranial doppler isaretlerinin yapay zeka ortamında sınıflandırılması. Gazi Üniversitesi Fen Bilimleri Enstitüsü Dokto- ra Tezi 2005;69.
Leung SC, Fulcher J. Classification of user expertise level by neural networks. Int J Neural Syst 1997;8:155-71.
Heiss JE, Held CM, Estevez PA, et al. Classification of sleep stages in infants: a neuro fuzzy approach. Eng Med Biol Mag 2002;21:147-51.
Leung SC, Fulcher J. Classification of user expertise level by neural networks. Int J Neural Syst 1997;8:155-71.
Heckerling PS, Gerber BS, Tape TG, Wigton RS. Selection of pre- dictor variables for pneumonia using neural networks and genetic algorithms. Methods Inf Med 2005;44:89-97.
Haykin S. Neural networks: A comprehensive foundation. New York: Macmillan College Publishing Company Inc, 1994.
Güler İ, Übeyli ED, Çok katmanlı perseptron sinir ağları ile di- yabet hastalığının teşhisi. Gazi Üniv. Müh. Mim. Fak. Derg 2006;21:319-26.
Etikan İ, Elbozan CB, Çam ÇF, Erkorkmaz Ü, Yapay sinir ağları yöntemi ve bu yöntem kullanılarak psikiyatrik tanıların sınıflan- ması. Tıp Bilim Derg 2009;29:2.
Çetin M, Uğur A, Bayzan Ş. İleri beslemeli yapay sinir ağlarında backpropagation (geriye yayılım) algoritmasının sezgisel yaklaşı- mı. Akademik Bilişim Kongresi, Pamukkale Üniversitesi, Denizli, Şubat 2006.
Elmas Ç. Yapay Sinir Ağları. Ankara: Seçkin Yayıncılık, 2003.
Elmas Ç. Yapay zeka uygulamaları, yapay sinir ağları - Bulanık mantık- Genetik algoritma, Ankara: Seçkin Yayinevi 2012.
Haykin S. Neural networks: A comprehensive foundation. New York: Macmillan College Publishing Company Inc, 1994.
Efe MÖ, Kaynak O. Yapay sinir ağları ve uygulamaları, Boğaziçi Üniversitesi yayınları, İstanbul 2004.
Ercan Öztemel. Yapay sinir ağları, Istanbul: Papatya Yayıncılık 2003.
Yoldaş Ö, Tez M, Karaca T. Artificial neural networks in the di- agnosis of acute appendicitis. Am J Emerg Med 2012;30:1245-7
Saghiri MA, Garcia-Godoy F, Gutmann JL, Lotfi M, Asgar K. The reliability of artificial neural network in locating minor apical fo- ramen: a cadaver study. J Endod. 2012 Aug;38(8):1130-4.
Colak MC, Colak C, Kocatürk H, Sağiroğlu S, Barutçu I. Pre- dicting coronary artery disease using different artificial neural network models. Anadolu Kardiyol Derg. 2008;8:249-54.
Duryea J, Zaim S, Wolfe F. Neural network based automated al- gorithm to identify joint locations on hand/wrist radiographs for arthritis assessment. Med Phys. 2002;29:403-11.
Çolak C, Çolak MC, Atıcı MA. Ateroskleroz'un tahmini için yapay bir sinir ağı. Ankara Üniv Tıp Fak Mecm 2005;58:159-62.
Akpolat V. Osteoporoz riskinin yapay sinir ağları yöntemi ile sap- tanması. Dicle Tıp Derg 2009;36:91-7.
Kuchimov S. Yapay sinir ağı aracılığıyla yürüme bozukluğu sı- nıflandırılması. Boğaziçi Üniversitesi Biyo-medikal Mühendislik Enstitüsü Yüksek Lisans Tezi 2006;96.
Uysal AK. Tıbbi bilgilerin yapay sinir ağı kullanarak incelenme çalışması. Anadolu Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi 2005;97.
Demirhan A, Kılıç YA, Güler İ. Tıpta yapay zeka uygulamaları. Yo- ğun Bak Derg 2010;9:31-41.
Szaleniec J, Wiatr M, Szaleniec M, et al. Artificial neural network modelling of the results of tympanoplasty in chronic suppurative otitis media patients. Comput Biol Med 2013;1:16-22.
de Bruijn M, ten Bosch L, Kuik DJ et al. Artificial neural network analysis to assess hypernasality in patients treated for oral or orop- haryngeal cancer. Logoped Phoniatr Vocol 2011;36:168-74.
Saylam B, Keskek M, Ocak S, Akten AO, Tez M. Artificial neural network analysis for evaluating cancer risk in multinodular goiter. J Res Med Sci 2013;18:554-7.