Araştırmacılar, afetlere karşı şehirlerin direncini artırmak için yenilikçi bir yapay zeka sistemi geliştirdi. Bu sistem, köprülerin hastane, market ve konutlara erişimdeki kritik rolünü analiz ederek, sınırlı bakım bütçelerinin en etkili şekilde kullanılmasını sağlıyor. Çalışmada, yollar, köprüler ve binalar arasındaki karmaşık ilişkileri modelleyen heterojen graf ağları kullanılarak, köprüler afet hazırlık kategorilerine göre sınıflandırılıyor. Bu yaklaşım, tek boyutlu değerlendirmelerin yetersiz kaldığı durumları ele alarak, şehir planlamacılarına köprülerin çok boyutlu önemini anlama imkanı sunuyor. Sistem, ulusal karayollarından köprüler üzerinden binalara uzanan yol ağlarını inceleyerek, hangi köprülerin tedarik zinciri ve tıbbi erişim açısından öncelikli olduğunu belirliyor.

Alzheimer ve Parkinson gibi nörolojik hastalıkların teşhisinde farklı veri kaynaklarının birlikte kullanılması önemli avantajlar sağlıyor. Ancak hastanelerde tüm testlerin her zaman mevcut olmaması, yapay zeka modellerinin performansını düşürüyor. Araştırmacılar, eksik verilerin olduğu durumlarda bile güvenilir teşhis yapabilen yeni bir sistem geliştirdi. CERD adlı bu framework, eksik bilgileri akıllıca tamamlayarak hangi bulgularin teşhise yol açtığını şeffaf biçimde gösterebiliyor. Bu gelişme, klinik ortamlarda yapay zeka destekli teşhis sistemlerinin daha yaygın kullanımını mümkün kılacak.

Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.

Araştırmacılar, tıbbi görüntü segmentasyonunda devrim yaratabilecek APEX adlı yeni bir yapay zeka sistemi geliştirdi. Bu sistem, her tıbbi görüntüye özel olarak uyarlanabilen akıllı promptlar kullanarak, farklı hastane ve cihazlardan gelen görüntüleri daha başarılı şekilde analiz edebiliyor. Geleneksel yöntemler tek bir prompt ile tüm görüntüleri işlerken, APEX her görüntünün özelliklerine göre en uygun promptu seçiyor. Bu yaklaşım, özellikle tıp alanında kritik öneme sahip olan görüntü çeşitliliği sorununu çözerek, yapay zekanın farklı koşullarda daha güvenilir sonuçlar vermesini sağlıyor.

Araştırmacılar, tıbbi verilerin gizliliğini koruyarak farklı kurumlar arasında yapay zeka modellerinin eğitilmesini sağlayan yeni bir yöntem geliştirdi. Federated RuleFit adı verilen bu sistem, hasta verilerini paylaşmadan hastanelerin ortak yapay zeka modelleri oluşturmasına olanak tanıyor. Geleneksel yapay zeka yöntemlerinin aksine, bu sistem doktorların kararları nasıl alındığını anlayabilmesini sağlayan şeffaf kurallar kullanıyor. Yöntem, diferansiyel gizlilik teknikleriyle hasta mahremiyetini korurken, farklı kurumlardan gelen veri farklılıklarını minimize ediyor. Bu gelişme, tıbbi yapay zeka uygulamalarında hem gizlilik hem de şeffaflık sorunlarına çözüm sunarak, klinik ortamlarda daha güvenilir yapay zeka sistemlerinin kullanılmasının önünü açıyor.

Sağlık alanında kullanılan yapay zeka sistemlerinin hem sürekli öğrenme kabiliyetine hem de açıklanabilirlik özelliğine sahip olması kritik önemdedir. Araştırmacılar, bu iki zorlu gereksinimi karşılayan 'Tree of Concepts' adlı yeni bir framework geliştirdi. Sistem, sığ karar ağaçları ile sabit kural tabanlı konsept arayüzü oluşturuyor ve konsept darboğaz modelini ham verilerden bu konseptleri tahmin etmek için eğitiyor. Geleneksel yaklaşımların aksine, bu yöntem zaman içinde konsept anlamlarını sabit tutarken sadece konsept çıkarıcı ve etiket başlığını güncelliyor. Bu sayede açıklamalar ardışık güncellemeler boyunca kaybolmuyor. Tıbbi veri setlerinde yapılan testler, sistemin hem kararlılık hem de uyum açısından güçlü performans sergilediğini gösteriyor. Bu gelişme, hastane ortamlarında değişen koşullara uyum sağlayabilen ve aynı zamanda kararlarını açıklayabilen AI sistemleri için önemli bir adım.

Yapay zeka modelleri genellikle eğitildikleri verilerden farklı kaynaklardan gelen veriler üzerinde başarısız oluyor. COVID-19 tespiti için göğüs röntgenlerini analiz eden modeller, yeni hastanelerden gelen görüntülerde beklenmedik hatalar yapabiliyor. Araştırmacılar, bu sorunu çözmek için eğitim sırasında görüntülere kontrollü gürültü ekleme yöntemini test etti. Gaussian, speckle, Poisson ve tuz-biber gürültüsü türleri kullanılarak yapılan deneylerde, modellerin farklı kaynaklardan gelen veriler üzerindeki performansı önemli ölçüde iyileşti. Bu teknik, AI sistemlerinin gerçek dünyada daha güvenilir çalışması için umut verici bir yaklaşım sunuyor.

Araştırmacılar, tıp alanında kullanılan dev veri tabanı SNOMED CT'den bilgi arama işlemini kolaylaştıran yeni bir yapay zeka modeli geliştirdi. Bu sistem, tıbbi terimler arasındaki hiyerarşik ilişkileri anlayabiliyor ve daha önce veri tabanında bulunmayan sorguları bile başarıyla işleyebiliyor. SNOMED CT, dünya genelinde hastane ve sağlık sistemlerinde kullanılan dev bir tıbbi terminoloji veri tabanı olmasına rağmen, içindeki bilgilere erişim dilbilimsel zorluklar nedeniyle kompleks. Yeni yaklaşım, dil modellerini hiperbolik uzayda kullanarak bu sorunu çözüyor ve tıbbi kavramlar arasındaki alt-üst ilişkilerini daha doğru şekilde tespit ediyor.

Araştırmacılar, büyük dil modellerinin böbrek nakli gibi yaşamsal kararlarda insan değerlerinden ne kadar saptığını ortaya koydu. Yapay zeka sistemleri, hastane öncelik sıralamasında insanlardan farklı kriterler kullanıyor ve kararsız kalma yerine kesin kararlar verme eğiliminde. Stanford ve diğer üniversitelerden araştırmacılar, ChatGPT gibi modellerin ahlaki karar verme süreçlerini test ettiklerinde, sistemlerin insan yargılarıyla uyumsuz davrandığını tespit etti. Özellikle belirsiz durumlarda insanlar kararsız kalabilirken, yapay zeka modelleri her durumda net bir tercih yapma eğiliminde. Bu bulgular, sağlık sektöründe kritik kararlar alan yapay zeka sistemlerinin insan değerleriyle uyumlu hale getirilmesi gerekliliğini vurguluyor.

Amerikalı araştırmacılar, hastane sistemlerindeki dağınık tıbbi verileri birleştirerek sanal hasta profilleri oluşturan Apollo adlı yapay zeka modelini geliştirdiler. Model, 30 yıla yayılan hastane kayıtlarından elde edilen 25 milyar veriyi işleyerek hastaların tüm tedavi süreçlerini modelleyebiliyor. 7,2 milyon hastanın verilerini analiz eden sistem, 28 farklı tıbbi modaliteden gelen bilgileri tek bir temsilde birleştiriyor. Apollo, tıbbi görüntülerden klinik metinlere kadar geniş bir veri yelpazesini işleyerek, hastaların geçmiş tedavi geçmişlerini kapsamlı şekilde modelliyor. Bu yaklaşım, modern tıbbın karmaşık veri yapısını anlamlı hale getirerek, kişiselleştirilmiş tedavi planlarının geliştirilmesinde önemli bir adım olarak görülüyor.

Araştırmacılar, hastane kayıtlarından yapılandırılmış bilgi çıkarmada yeni bir yöntem geliştirdi. 'Derin yansıtıcı akıl yürütme' adı verilen bu sistem, büyük dil modellerinin tıbbi metinleri işlerken karşılaştığı tutarsızlık sorununu çözüyor. Geleneksel sistemler, tıbbi veriler arasındaki karmaşık bağımlılıkları göz ardı ederek hatalı sonuçlar üretebiliyordu. Yeni yöntem, çıktılarını sürekli gözden geçirip düzelterek klinik açıdan tutarlı sonuçlar elde ediyor. Kolorektal kanser raporları üzerinde yapılan testlerde, sistem performansını önemli ölçüde artırdı. Bu gelişme, dijital sağlık alanında yapay zekanın güvenilirliğini artırarak, doktorların karar verme süreçlerini destekleyebilir.