(Bu yazı GENÇ İVEK SAĞLIK BİLİM VE TEKNOLOJİLERİ DERGİSİ’nin 7. sayısında yayımlanmıştır.)
DOÇ. DR. ALİ RIZA CENK ÇELEBİ
Acıbadem Üniversitesi Tıp Fakültesi Göz Hastalıkları ABD Öğretim Üyesi
Günümüzde göz hastalıkları alanında gerçekleştirilen yapay zekâ çalışmalarının çoğu özellikle görüntü tabanlı analize odaklanmıştır. Yapay zekânın kornea hastalıklarının teşhisi ve yönetimine uygulanmasını gösteren yeni bilimsel kanıtlar son zamanlarda giderek artmaya başlamıştır. Bu yazıda, gözün ön segmentinde yer alan korneanın başlıca hastalıklarının tanısını kolaylaştıran yapay zekâ uygulamalarına genel bir bakış sağlanması amaçlanmıştır.
Yapay zekâ, öğrenme, problem çözme, planlama, akıl yürütme ve desenleri tanımlama gibi görevleri yerine getirmek için ‘insanlar gibi düşünen makineler’ kavramı ile ilişkili bilgisayar bilimi alanıdır. Hesaplama gücünün gelişmesi, öğrenme algoritmalarının ve mimarilerinin iyileştirilmesi ve büyük verilerin kullanılabilirliği ile yapay zekâ (AI) teknolojisi, özellikle makine öğrenimi ve derin öğrenmeyle birlikte, ‘akıllı’ sağlık hizmetleri sistemlerinin yolunu açıyor.
Oftalmolojide yapay zekâ ile ilgili araştırmalar daha önce arka segment hastalıklarının, özellikle diyabetik retinopati, yaşa bağlı makula dejenerasyonu ve glokomun taranması ve teşhisine odaklandı. Yapay zekâ nın çeşitli ön segment hastalıklarının teşhisi ve yönetimine uygulanmasını gösteren yeni kanıtlar son zamanlarda giderek popülerlik kazanmaya başladı.
Bu yazıda, gözün ön segmentinde yer alan korneanın başlıca hastalıklarının tanısını kolaylaştıran AI uygulamalarına genel bir bakış sağlayacağım.
Oftalmoloji’de Yapay Zekâ (AI)
Bugüne kadar, oftalmolojideki yapay zekâ araştırmalarının çoğu, büyük veri ve görüntü tabanlı analize odaklanmıştır. Bu eğilim, korneal yapay zekâ araştırmalarında da benzer şekilde olmuştur. Yarık lamba görüntüleme, korneal topografi / tomografi, ön segment optik koherens tomografi (AS-OCT) ve speküler mikroskopi gibi yöntemler ile korneadan görüntü alabilmekteyiz. Böylece Keratokonusun tespiti, refraktif cerrahiye uygun hastanın belirlenmesi cerrahi sonrası ektazi riski için ameliyat öncesi tarama, enfeksiyöz keratit (IK) tanısı, ve korneal transplantasyon sonrası greft komplikasyonlarının tahmininde kornea görüntüleme yöntemlerini kullanarak AI tabanlı karar destek sistemleri geliştirebiliyoruz.
Gelin şimdi bu hastalık ve durumlara tek tek bakalım
Keratokonus Tanı ve Tedavisinde AI
Keratokonus, miyopi, düzensiz astigmatizma ve nihayetinde görme bozukluğu ile sonuçlanan ilerleyici bir bilateral korneal ektazidir. Prevalansı 1/500 – 1/2000 arasındadır. Keratokonusun erken tespiti, kornea çapraz bağlanması gibi tedavilerin, zamanında teşhis edilirse iyi görmenin korunması ile hastalığın ilerlemesinin durdurulmasının mevcut olması nedeniyle önemini korumaktadır. Bununla birlikte, hastalığın daha hafif veya subklinik formlarının belirlenmesi zor olmaya devam etmektedir.
Keratokonusun görüntülenmesinde; placido disk tabanlı görüntüleme sistemleri (ör. Orbscan) ile korneal topografi, Scheimpflug (ör. Pentacam) prensibi ile üç boyutlu tomografik görüntüleme ve ön segment OKT sistemlerini kullanabiliyoruz. Bu cihazlardan elde edilen görüntüleri ileri beslemeli sinir ağı (FFNN), evrişimli sinir ağı (CNN), destek vektör makinesi (SVM) öğrenimi ve kornea şekline ilişkin otomatik karar ağacı sınıflandırması gibi algoritmaları kullanarak keratokonus hastalığını % 92 ile% 97 arasında değişen yüksek doğruluk ve duyarlılık / özgüllük oranları ile normal gözlerden ayırt edebiliyoruz.
Daha da ötesi keratokonus tedavisinde kullanılan intrastromal korneal halka segmentinin (ICRS) implantasyonundan sonra ektazili hastaların refraktif, topografik ve biyomekanik sonuçlarını tahmin etmeye yönelik AI algoritmaları da geliştirilmiş olup implante edilecek ICRS’nin türü ve konumu ile ilgili kararlara rehberlik eden otomatik nomogramlar, çoğu klinisyen şu anda karar vermede ampirik verilere ve öznel analizlere güvendiğinden, bu süreci daha da basitleştirmeye ve kolaylaştırmaya yardımcı olabilir.
Refraktif Cerrahide Ektazinin Öngörülebilirliğinde (Uygun Hastanın Seçilmesinde) AI
Kısacası ben acaba refraktif cerrahi için uygun bir hasta mıyım? Bu sorunun cevabını da AI sistemine sorabilirsiniz. Yüksek iyatrojenik ektazi riski taşıyan gözlerin saptanması, kornea yüzeylerinde veya kalınlığında çok az değişiklik olması veya hiç değişiklik olmaması nedeniyle standart ameliyat öncesi tarama sırasında zor olmaya devam etmektedir. Yakın zamanda yapılan bir çalışmada LASIK dahil olmak üzere çeşitli refraktif cerrahilere uygunluğu tahmin etmek için 10561 gözden bir makine öğrenmesi modeli oluşturulmuş ve tüm preoperatif veriler kullanılarak % 93,4 doğruluk ile refraktif cerrahiye uygunluk sonucu yapay zekâ tarafından tahmin edilmiştir.
Enfeksiyöz Keratitlerin (IK) Tespitinde AI
Kornea opasifikasyonu, dünya çapında körlüğün beşinci önde gelen nedenidir ve başlıca nedeni IK’dir. Coğrafi ve dönemsel farklılıklara bağlı olarak, bakteri ve mantarlar IK’nin ana nedenleridir. Mikroskopi, boyama ve kültür ile kornea kazıma, mikroorganizmaları belirlemek için kullanılan temel yöntemlerdir. Ancak IK’da kültür pozitiflik oranı değişkendir % 33-% 80 arasında değişmektedir. Yakın zamanda AI, teşhis doğruluğunu artırmak için IK’nin yönetim sürecine dahil edilmiştir. Eğitimli yapay sinir ağları, bakteri ve mantar kategorileri için sırasıyla % 76,5 ve % 100 özgüllük ile ve de % 62,8’lik klinisyenin tahmin oranına kıyasla % 90,7 tahmin oranıyla bakteriyel ve fungal keratitlerin varlığını saptayabilmektedir.
Kornea Transplantasyonu
Kornea nakli olarak da bilinen bu tabloda kornea nakli türlerinden birisi olan DMEK cerrahisinde erken greft ayırmaları için karar vermeyi kolaylaştırabilecek otomatik algoritmalar yararlı olacaktır. Bu kapsamda merkezi 4.0 mm pupil alanına ulaşan greft dekolmanı yeniden cerrahi (rebubbling) kriterini kullanarak DMEK’den sonra ayrılmış greftlerin yeniden kullanılması için klinik ihtiyacı yargılayabilecek bir VGG19 modeli geliştirilmiş ve bu model % 96,7 duyarlılık ve % 91,5 özgüllük ile kararı daha doğru göstermektedir.
Kaynaklar:
Ting DSJ, Foo VH, Yang LWY, Sia JT, Ang M, Lin H, Chodosh J, Mehta JS, Ting DSW. Artificial intelligence for anterior segment diseases: Emerging applications in ophthalmology. Br J Ophthalmol. 2020 Jun 12:bjophthalmol-2019-315651. doi: 10.1136/bjophthalmol-2019-315651. Epub ahead of print. PMID: 32532762.
Wu X, Liu L, Zhao L, Guo C, Li R, Wang T, Yang X, Xie P, Liu Y, Lin H. Application of artificial intelligence in anterior segment ophthalmic diseases: diversity and standardization. Ann Transl Med. 2020 Jun;8(11):714. doi: 10.21037/atm-20-976. PMID: 32617334; PMCID: PMC7327317.