Kanada Alberta Üniversitesi'nden araştırmacılar, şizofreni teşhisinde %87 hassasiyetle çalışan bir makine öğrenimi modeli geliştirdi. Nature Şizofreni (Npj Schizophrenia) dergisinde yayımlanan çalışma, fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) ile taranan beyin haritalarını analiz eden 84 ayrı "robot"tan oluşan bir topluluk modeline dayanıyor.
Araştırmanın baş yazarı, Alberta Üniversitesi Bilgisayar Bilimleri ve Psikiyatri Bölümü'nde doktora sonrası araştırmacı olan Sunil Vasu Kalmady, çalışmanın temelinde her biri beyne farklı bir açıdan bakan küçük tahmin araçları olduğunu belirtiyor. Bu araçlar, beynin farklı bölgelerinin haritaları olan "parselülasyon" yöntemiyle eğitilmiş. Kalmady, "EMPaSchiz adını verdiğimiz model, 84 bireysel robotun her birinin şizofreni tahmininde 10 üzerinden 9'a yaklaştığı bir yapı" diyor.
Çalışma, yaklaşık 100 hasta ve 100 sağlıklı gönüllüden toplanan erken evre ve tedavi edilmemiş hastalara ait beyin taramaları ve sağlık bilgileri kullanılarak geliştirilmiş. Kalmady, kronik hastalık ve ilaç kullanımının beyinde değişiklik yaratabileceğini, bu nedenle erken evre verilerinin kritik olduğunu vurguluyor.
Araştırma, Kalmady'nin Bangalore'deki ilk hocası Psikiyatri Profesörü Venkatasubramanian ile başladığı çalışmaların devamı niteliğinde. Daha sonra Alberta Üniversitesi'nde makine öğrenimi uzmanı Prof. Russ Greiner ve psikiyatri araştırmacısı Prof. Andrew Greenshaw ile bir ekip oluşturulmuş. Projeye Rimjhim Agrawal, Venkataram Shivakumar, Janardhanan Narayanaswamy, Matthew Brown ve Serdar Dursun da katkıda bulunmuş. Fikrin oluşumundan yayına kadar geçen süre 7-8 yıl sürmüş.
Neden önemli
Şizofreni tanısı, belirtilerin karmaşıklığı ve diğer psikiyatrik bozukluklarla örtüşmesi nedeniyle klinikte hâlâ zorluklar barındırıyor. Bu çalışma, makine öğrenimini psikiyatriye uygulayarak nesnel bir tanı aracı geliştirme potansiyelini gösteriyor. Modelin %87 doğruluk oranı, bu alandaki en iyi sonuçlardan biri olarak değerlendiriliyor. Ancak araştırmacılar, modelin klinik kullanıma girebilmesi için güvenilirlik, etik ve sorumluluk gibi konuların çözülmesi gerektiğini belirtiyor. Kalmady, "Yanlış teşhis durumunda sorumluluk kime ait olacak? Doktora mı, veriyi toplayanlara mı, yoksa bilgisayar koduna mı?" sorusunu gündeme getiriyor.
Ayrıca çalışma, günlük davranış kalıplarından psikiyatrik bozuklukların erken teşhisine yönelik gelecekteki sistemlerin de önünü açıyor. Kalmady, Twitter verilerinden depresyon tahmini ve doğal dil işleme ile konuşma örüntülerinden şizofreni teşhisi gibi örnekler veriyor. Ancak bu tür verilerin toplanması ve kullanımı, etik ve güvenlik endişelerini de beraberinde getiriyor.
