CASE STUDIES

Metindeki varlık türlerini tanımlama süreci, Doğal Dil İşleme (NLP) 'de Adlandırılmış Varlık Tanıma (Named Entity Recognition-NER) olarak bilinir. Makine öğrenimi özelinde NER algoritması, giriş metninin her kelimesi için bir sınıflandırma problemi olarak düşünülebilir (tüm varlık türleri + tıbbi ve tıbbi onkolojik olmayan varlıklar için ekstra bir O sınıfı). Metindeki varlık tipleri belirlendikten sonra ve içeriği hakkında gerçek bilgiyi edinmek için, tespit edilen varlıkların tıbbi ontolojilerdeki girdilere bağlanması gerekmektedir. Bu bağlantı süreci, örneğin "Kistik Fibrozis"'in, Onkoloji için Uluslararası Hastalık Sınıflandırması, (ICD-O) E84.0 koduna karşılık gelen spesifik olarak akciğer tutulumu ile olan "Kistik Fibrozis" olduğunun bilinmesini sağlar. Bu bağlamda Ontoloji Dizisi Oluşturma adımı uygulanacaktır, metin bütünlüğünü, ICD-O (Onkoloji için Uluslararası Hastalık Sınıflandırması) gibi Tıbbi Onkoloji alanındaki ontolojiler üzerinde "Rassal Yürüyüs (Random Walk)" ile oluşturulan benzer varlıkların dizileriyle tamamlamak için kullanılacaktır. Metin derleminde eksik olan varlıkların temsilleri daha sonra bu ontolojilerin bilgisi kelime vektörlerine entegre edilirken bu dizilerden öğrenmesi sağlanacaktır.

Onkolojik raporlarından etiketli verileri Adlandırılmış Varlık Tanıma ve İlişkilendirme (NERL) ile otomatik olarak metinden çıkarmak, ilişkilendirmek ve ilgili ICD-O kodları ile amacıyla etiketleme işlemi Tıbbi Onkoloji alanında anlaştığımız uzmanlar tarafından sunucumuzda servis ettiğimiz Doccano metin verisi etiketleme platformu aracılığı ile yapılacaktır. Uzmanlar tarafından Patoloji raporunda yapılacak başlangıç olarak meme ve akciğer kanseri özelinde yapılacak IOB formatına uygun etiketlemeler uzmanlarla yapılan istişareler sonucunda belirlenecektir. Patoloji raporları anlaşmalı hastanelerden etik kurul izni ile alınacaktır. Onkoloji uzmanları tarafından sağlanan etiketli veriler geliştirilen modele uygun girdi veri formatlarına dönüştürülecek sonrasında NER modeli eğitmek için kullanılacaktır.

Yapay zeka doğal dil işleme(NLP) teknolojilerini kullanarak klinik deneme çağrılarını otomatik olarak işleyen ve yapılandıran bir servis mimarisi geliştirerek, yeni tedavilerin hızlandırılması ve tıbbi araştırmaların daha erişilebilir hale getirilmesidir.Bu süreç, klinik deneme çağrılarını yapılandırılmış verilere dönüştürerek sorgulanabilir kılar ve makine öğrenmesi tabanlı vektör arama ile hızlı erişim sağlar.Servis mimarisi, kullanıcıların klinik bilgilerine göre hızlı ve etkili bir şekilde erişebilmeleri için restAPI üzerinden yapılandırılmış veritabanındaki verilere erişim sunar. Ar-Ge çıktısı ürün ile:Potansiyel katılımcılar ve ilaç şirketleri belirli özelliklere sahip klinik araştırma çağrılarını daha kolay bulabilmesiyle klinik araştırma katılımının artırılması;İlaç şirketleri ve araştırmacıların klinik deneme çağrılarını daha hızlı ve etkili bir şekilde yayınlaması ve potansiyel katılımcılara daha kolay bir şekilde ulaşması özel amaçtır.

Klinik deneme çağrılarının otomatik işlenebilmesi için yenilikçi makine öğrenmesi, doğal dil işleme ve vektör arama algoritmaları kullanılarak süreçlerin hızlı ve verimli hale getirilecektir. Derin öğrenme tabanlı Transformers ve CRF tabanlı NER ve RE algoritmaları ile otomatik veri yapılandırılması, klinik deneme eşleşmelerini kullanıcı odaklı hızlı ve doğru bir şekilde erişime olanak tanıyacaktır.Vektör arama KNN, PQ ve IVF gibi makine öğrenmesi algoritmaları çağrılara erişimi kolaylaştıracaktır.Böylece, katılımcıların hızlı çağrı erişimi sağlanarak, klinik araştırma katılımının artması ve ilaç şirketleri ile araştırmacıların daha etkili klinik denemeleri gerçekleştirmesi mümkün olacaktır.

proje koroner arter hastalığının non-invaziv değerlendirilmesine yönelik yenilikçi bir yaklaşım sunmayı, derin öğrenme algoritmalarını kullanarak koroner arterlerin non-invaziv fizyolojik ve fonksiyonel değerlendirmesini sağlayacak gelişmiş bir sistem tasarlamayı hedeflemektedir. Sistem, koroner BT anjiyografi görüntülerini (eng. CTCA) alarak, koroner arter ağacının detaylı 3B yapısal modelini çıkararak, geliştirilecek derin öğrenme modeli ile her bir arterdeki Fraksiyonel Akış Rezervi değerlerini (eng. FFR) otomatik olarak sağlık profesyonellerine elektronik ortamda 3B model ile raporlayacaktır. Bu sistem sayesinde, doktorlar ve sağlık profesyonelleri daha bilinçli ve hızlı kararlar alabilecek, işlem sürelerinde hızlanma ve FFR değerlerinde yüksek doğruluk oranları elde edilebilecektir. Uzun vadede, bu teknoloji, tıbbi müdahale maliyetlerini düşürerek, gereksiz invaziv prosedürleri azaltacak, hastalar için güvenli ve etkili tedavi yöntemlerinin benimsenmesini teşvik edecektir.

Bu proje, Fraksiyonel Akış Rezervi (FFR) değerlendirmelerini derin öğrenme ve 3D segmentasyon teknolojileriyle genişletmeyi ve geliştirmeyi hedefler. Özelleştirilmiş yapay zekâ algoritmaları, invaziv olmayan, hızlı ve doğru FFR tahminleri sunar. Kardiyovasküler görüntüleme ve analizde bu yenilikçi yaklaşım, doktorlara hastalıkların erken teşhisinde ve etkili tedavi planlamasında yardımcı olur. Bu teknoloji hem hastalar için riski azaltırken hem de sağlık sistemine maliyet tasarrufu sağlar, klinik karar süreçlerini hızlandırır ve invaziv prosedür ihtiyacını azaltır.