1. Yöntem ve Araştırma Kapsamı

Bu derleme, literatürdeki dağınık verileri yapılandırarak YZ'nin klinik etkisini ölçmeyi hedeflemiştir.

Veri Tabanları ve Tarama

Sistematik literatür taraması; PubMed, EMBASE, Google Scholar, Web of Science ve IEEE Xplore veri tabanlarında gerçekleştirilmiştir.

Seçim Kriterleri (PRISMA Kılavuzu)

• 2019-2023 yılları arasında yayımlanan İngilizce makaleler.
• YZ tekniklerinin açık ve yinelenebilir biçimde tanımlanmış olması.
• Yeterli örneklem büyüklüğü veya çok merkezli doğrulama içermesi.
• Kanıta dayalı performans metrikleri (Accuracy, AUC, RMSE) sunması.

2. Epidemiyolojik Sürveyans ve Erken Uyarı

Yapay zeka, pandeminin ilk günlerinden itibaren insan analiz kapasitesinin çok ötesinde veri entegrasyonu sağlayarak karantina tedbirlerine zemin hazırlamıştır.

BlueDot (NLP ve Makine Öğrenmesi)

Günde 60'tan fazla dilde 100.000'den fazla kaynağı tarayan bu sistem, Wuhan'daki vakaları Dünya Sağlık Örgütü'nden tam 9 gün önce tespit etmiş ve virüsün yayılacağı ilk 10 şehrin 8'ini doğru tahmin etmiştir.

Hibrit Modeller (ISI-RNN ve SuEIR)

• Zheng ve ark. (ISI-RNN): LSTM ağlarına NLP modülleri entegre edilmiştir. 6 günlük vaka tahminlerinde MAPE (Ortalama Mutlak Yüzde Hata) değeri %0,05 - %0,86 gibi olağanüstü düşük bir oranda kalmıştır.
• Zou ve ark. (SuEIR): Asemptomatik "sessiz" vakaları matematiksel bir modele dahil etmiş ve ABD'de CDC tarafından benimsenmiştir.
• Karşılaştırma: LSTM tabanlı sinir ağları, ARIMA gibi geleneksel istatistiksel modellerden tahminde %30'dan fazla üstünlük sağlamıştır.

Değerlendirme Metrikleri: ROC ve AUC Nedir?

Tıbbi verilerde sağlıklı kişi sayısı hastadan çok fazladır. Bu yüzden model herkese "Sağlıklı" dese bile %90 "Accuracy" (Doğruluk) verebilir. Bu yanılgıyı önlemek için klinik araştırmalarda ROC ve AUC metrikleri kullanılır.

ROC Eğrisi

Modelin farklı karar eşiklerindeki hatasını gösteren grafiktir. X ekseninde Yanlış Pozitif Oranı (Sağlıklıyı hasta sanma), Y ekseninde ise Duyarlılık / Gerçek Pozitif Oranı (Hastayı doğru bulma) yer alır.

AUC (Eğri Altındaki Alan) Değerleri

AUC, 0 ile 1 arasında değer alır. Sınıfları birbirinden ne kadar iyi ayırdığını gösterir.

• AUC 0.5: Model rastgele çalışır, ayırt ediciliği yoktur.
• AUC 0.8 - 0.9: Çok başarılı, güvenilir model.
• AUC > 0.9: Mükemmele yakın, klinik kullanıma uygun. (Örn: Wang COVID-Net çalışmasında ulaşılan AUC 0.94 değeri)

3. Radyolojik Görüntüleme ve YZ Destekli Tanı

COVID-19 tanısında Bilgisayarlı Tomografi (BT) ve Göğüs Röntgeni görüntüleri, yapay zeka modelleri ile analiz edilerek klinik karar süreçleri hızlandırılmıştır.

Uzman vs. Makine (Bai ve ark.)

Çoklu Modalite ve Aktif Öğrenme

• Mei ve ark.: Sadece görüntü değil; BT bulgularını klinik semptomlar ve laboratuvar testleriyle birleştiren modeller, tek modaliteli tanıdan çok daha üstün performans göstermiştir.
• Wang (COVID-Net): Göğüs röntgenleri için özel tasarlanan CNN mimarisi 0,94 AUC seviyesine ulaşmıştır.
• COVID-AL: "Aktif Öğrenme" yaklaşımıyla tüm verinin sadece %30'u etiketlenerek 0,981 ROC-AUC değerine ulaşılmıştır.

Teknik Altyapı: Evrişimsel Sinir Ağları (CNN)

Tıbbi görüntü işlemede (BT ve Röntgen analizlerinde) elde edilen bu yüksek başarıların temelinde yatan mimari CNN'dir.

Geleneksel sinir ağları görüntüyü tek bir veri dizisi olarak okur ve piksellerin yan yana duruşundan kaynaklanan mekansal anlamı yok eder. CNN ise üç temel katmanla çalışır:

• Evrişim (Convolutional) Katmanı: Görüntü üzerinde filtreler (kernel) dolaştırılır. Model bu sayede akciğerdeki "buzlu cam" (ground-glass opacity) lezyonlarının kenarlarını, dokularını ve şekillerini öğrenir.
• Havuzlama (Pooling) Katmanı: Verinin çözünürlüğünü düşürerek sistemi hafifletir (örn: Max Pooling). Önemsiz detayları atıp sadece kritik patolojik bulguları tutar.
• Tam Bağlantılı (Fully Connected) Katman: Çıkarılan tüm özellik haritalarını birleştirir ve nihai klinik tanıyı (Pozitif/Negatif) koyar.

Teknik Altyapı: ResNet (Artık Ağlar)

Ağ ne kadar derinleşirse, o kadar ince detayları (virüsün BT'deki çok ufak izlerini) bulması beklenir. Ancak pratikte ağ katmanları artırıldığında model öğrenmeyi bırakır. Buna Kaybolan Gradyan (Vanishing Gradient) denir.

Atlama Bağlantıları (Skip Connections)

ResNet, katmanları birbirine bağlarken kestirme yollar kullanır. Bir veriyi sadece sıradaki katmana iletmekle kalmaz, birkaç katman sonrasına doğrudan "atlar".

Teknik Altyapı: EfficientNet

Hastane ortamlarında her zaman süper bilgisayarlar bulunmaz. Modellerin daha az donanım tüketerek yüksek doğruluk vermesi gerekir. EfficientNet, Google tarafından tam da bu verimlilik için tasarlanmıştır.

Bileşik Ölçeklendirme (Compound Scaling)

Eski modeller başarıyı artırmak için modeli sadece "derinleştirir" veya sadece "genişletirdi". EfficientNet ise matematiksel bir formül kullanarak ağın:

1. Derinliğini (Katman sayısını)
2. Genişliğini (Kanal sayısını)
3. Çözünürlüğünü (Piksel boyutunu)

eş zamanlı ve dengeli biçimde büyütür. Bai ve arkadaşlarının çalışmasında, radyolog başarısını artıran model EfficientNet-B4 varyantıdır.

4. Klinik Karar Destek ve Hasta Triyajı

Acil servislerde hasta yığılmasını önlemek ve kaynakları (ventilatör vb.) doğru yönlendirmek için Elektronik Sağlık Kayıtları (EHR) tabanlı modeller kullanılmıştır.

Triyaj 2.0 (İnsan ve Makine Karşılaştırması)

Avrupa'da 4.000'den fazla hasta verisiyle geliştirilen XGBoost, MLP ve Random Forest (RF) tabanlı hibrit bir modeldir.

• İnsan Yapımı Triyaj: Doğruluk %28, Duyarlılık %15
• Triyaj 2.0 (YZ): Doğruluk %73, Duyarlılık %76

CovRNN ile Prognoz Tahmini

Rasmy ve arkadaşları, eksik verileri doldurmaya gerek kalmadan doğrudan doğrusal olmayan örüntüleri öğrenen RNN tabanlı bir model geliştirmiştir. Model hastane içi mortaliteyi %93,0 AUROC, mekanik ventilasyon ihtiyacını ise %92,9 AUROC ile öngörmüştür.

5. İlaç Keşfi, Yeniden Konumlandırma ve Aşı

Yıllar süren geleneksel laboratuvar süreçleri, yapay zeka ve ağ tıbbı (Network Medicine) yaklaşımlarıyla haftalara, hatta günlere indirilmiştir.

İlaç Yeniden Konumlandırma

• BenevolentAI: Semantik "Bilgi Grafikleri" (Knowledge Graphs) ile on binlerce literatürü tarayarak Baricitinib ilacının antiviral etkisini öngörmüştür.
• De Novo Tasarım: Üretken sinir ağları ile 3CL proteazı inhibe edecek 33 tamamen yeni Kimyasal Varlık (NCE) tasarlanmıştır.

AlphaFold 2 ve Aşıbilim

Vaxign-ML: Tersine aşıbilim yaklaşımıyla, sürekli mutasyon geçiren Spike proteini yerine evrimsel olarak daha korunaklı olan nsp3 proteini hedeflenmiş, bu sayede tüm varyantlara karşı evrensel aşıların yolu açılmıştır.

Önemli Çalışmalar Özeti (Kritik Literatür)

Literatürde en yüksek etkiye sahip, klinik ve epidemiyolojik bağlamda öne çıkan 6 temel çalışmanın özeti:

6. Sınırlılıklar ve Sonuç

Etik Sorunlar ve "Kara Kutu" (Black Box)

YZ'nin radyoloji ve triyajdaki başarılarına rağmen hekimler, derin öğrenme modellerinin neden o kararı verdiğini anlayamamaktadır. Bu duruma "Kara Kutu" problemi denir. Çözüm olarak Açıklanabilir Yapay Zeka (XAI) sistemlerine yatırım yapılmalıdır.

Veri Gizliliği ve Federe Öğrenme

Modelleri eğitmek için hastanelerden veri toplamak hasta gizliliğini ihlal eder. İncelenen çalışmalarda çözüm olarak Federe Öğrenme (Federated Learning) kullanılmıştır. Bu yapıda ham hasta verileri hastaneden dışarı çıkmaz; yapay zeka algoritması hastaneye gönderilerek orada eğitilir.

İlginiz İçin Teşekkürler

Sunumun sonuna gelmiş bulunmaktayız.