Fuzzy kavramsal haritalar kullanarak tıbbi tanı için insan merkezli bulanık karar destek sistemi

Bu yeni tıbbi aracın önemi

Doktorlar bir hastanın kalp hastalığı, kanser veya başka ciddi bir durumu olup olmadığını değerlendirirken birçok ipucunu aynı anda değerlendirir: laboratuvar sonuçları, ağrı tanımları, görüntüleme bulguları ve yılların tecrübesi. Birçok bilgisayar programı bu verilerdeki desenleri tespit edebilir, ancak genellikle iç mantıkları görmek veya sorgulamak zor olduğu için kapalı kutu gibi çalışırlar. Bu makale, evet/hayır gibi katı kurallar yerine riskin bulanık derecelerini kullanan ve klinisyenin düşünme biçimine daha yakın düşünmeyi amaçlayan, aynı zamanda tıbbi uzmanların iç işleyişini inceleyip ayarlayabilmesine olanak veren bir karar destek aracını tanıtıyor.

Yumuşak mantığı tıbbi muhakeme ile harmanlamak

Çalışma yapay zekadan iki fikir üzerine inşa ediliyor. Birincisi, "tansiyon yüksek" gibi ifadelerin keskin bir eşik zorunluluğu olmaksızın kısmen doğru olmasına izin veren bulanık mantık. İkincisi ise düğümlerin semptomlar, test bulguları veya hastalık riski gibi klinik kavramları temsil ettiği ve okların bir kavramın diğerini nasıl yükselttiğini veya düşürdüğünü gösterdiği bir tür kavramsal ağ olan bulanık kavramsal harita. Tıpta bu haritalar, klinisyenlerin konuşma ve akıl yürütme tarzını yansıttıkları ve kavramlar arasındaki bağlantıların gösterilip tartışılabileceği için çekicidir. Ancak geleneksel haritalar genellikle uzmanların bağlantıları seçmesiyle sabitlenir; bu da yönergeler, veriler veya hasta popülasyonları değiştiğinde uyum sağlamayı yavaş kılar.

Uzmanlar kontrolü elinde tutarken verinin öğrenmesine izin vermek

Önerilen İnsan-Merkezli Bulanık Karar Destek Sistemi (HCFDSS), uzman bilgisini veri öğrenimiyle dengelemeye çalışır. Süreci iki döngüye ayırır. İç döngüde, model bir hastanın bulanıklaştırılmış özelliklerini alır, bunları kavram ağı üzerinden geçirir ve bir tanısal öneriyi temsil eden kararlı bir aktivasyon düzenine ulaşır. Dış döngüde ise kavramlar arasındaki bağlantı güçleri klinik verilere daha iyi uyması için nazikçe ayarlanır, ancak makul sınırlar içinde tutulur. Kritik olarak, doktorlar belirli bağlantıları gözden geçirip düzeltme önerisinde bulunabilir; sistem de bu insan ayarlamalarını veri kaynaklı güncellemeyle körce değiştirmek yerine harmanlar.

Basit bir kalp hastalığı örneği

Bu işlemin nasıl çalıştığını göstermek için makale yüksek tansiyon, göğüs ağrısı ve kalp hastalığı olmak üzere üç kavramlı küçük bir örnek sunar. Ağ, örneğin göğüs ağrısının kalp hastalığı olasılığına katkıda bulunduğunu söyleyen uzman tarafından seçilmiş bağlantılarla başlar. Bir örnek hasta işlendiğinde model belirli bir hastalık aktivasyon düzeyi öngörür. Bir hekim daha sonra haritayı inceleyip göğüs ağrısından kalp hastalığına olan bağlantının yalnızca veriyle öğrenilen değerden biraz daha güçlü olması gerektiğine karar verir. Uzman o tek bağlantıyı yukarı doğru itince ağ yeniden çalıştırılır ve kalp hastalığı aktivasyonu hafifçe yükselir; bu durum kararı negatiften pozitife çevirebilir. Bu değişiklik izlenmesi ve gerekçelendirilmesi kolaydır, çünkü gizli sayısal özellikler yerine adlandırılmış kavramlar üzerinden görülebilir bir yol izler.

Sistemi gerçek ve simüle verilerle test etmek

Oyuncak örneğin ötesinde, yazar simüle klinik senaryolar ve kalp hastalığı, meme kanseri ve Parkinson hastalığı üzerine üç iyi bilinen açık veri seti kullanarak dikkatli bir değerlendirme planı tasarlar. Sistemin tahminleri sabit uzman haritaları, uzmansız öğrenilmiş haritalar ve lojistik regresyon, destek vektör makineleri, rastgele ormanlar, gradyan artırma, en yakın komşular ve sinir ağları gibi yaygın makine öğrenimi yöntemleri dahil olmak üzere çeşitli kıyaslarla karşılaştırılır. Çalışma ayrıca bazı veriler eksik olduğunda, sınıflar dengesiz olduğunda ve uzman etkisi artırılıp azaltıldığında yaklaşımın ne kadar dayanıklı kaldığını test eder. Öğrenilen bağlantıların orijinal uzman tasarımıyla aynı tıbbi anlamı ve yönü ne sıklıkla koruduğunu izleyen özel bir puan da kullanılır.

Geleceğin tıbbi destek araçları için ne anlama geliyor

Sonuçlar, yeni sistem her zaman ham doğrulukta standart makine öğrenimi modellerini geçmese de, genellikle tamamen incelenebilir bir yapıyı korurken onlara yakın performans gösterdiğini ortaya koyuyor. Özellikle etkin her bağlantının uzman tarafından amaçlanan işaretini ve rolünü koruyor; bu, veriden öğrenirken bile sürdürülüyor. Bir okuyucu için çıkarım şudur: bu çerçeve mükemmel bir otomatik tanı koyucu oluşturmaktan çok, doktorların ve bilgisayarların paylaşabileceği açık, düzenlenebilir bir harita yaratmakla ilgilidir. Kliniklere modelin önerilere nasıl ulaştığını görme, bu muhakemenin tıbbi anlayışla uyumlu olup olmadığını kontrol etme ve yeni kanıtlar veya deneyim belirli ilişkilerin değişmesi gerektiğini öne sürdüğünde sistemi nazikçe yönlendirme olanağı sunar.

Atıf: Zakaria, A. A human-centric fuzzy decision support system for medical diagnosis using fuzzy cognitive maps. Sci Rep 16, 15336 (2026). https://doi.org/10.1038/s41598-026-51590-z

Anahtar kelimeler: bulanık kavramsal haritalar, tıbbi karar destek, yorumlanabilir yapay zeka, uzman-döngüde, klinik tanı