EPEE: biyomedikal alanda verimli ve etkili temel modellere doğru

Hızlı düşünen yapay zekânın tıpta neden önemi var

Günümüz yapay zekâsı tıbbi raporları okuyup görüntüleri etkileyici bir doğrulukla inceleyebiliyor, fakat gerçek hastanelerde her saniye önemlidir. Acil servislerde ve yoğun bakım ünitelerinde doktorlar, özellikle ek adımlar cevabı iyileştirmiyorsa, dev bir modelin onlarca adım boyunca yavaşça "düşünmesini" bekleyemez. Bu çalışma, büyük tıbbi yapay zekâ sistemlerinin güvenli ve emin bir karar vermek için zaten yeterince bilgiye sahip olduklarını nasıl anlayabileceklerini gösteren bir yöntem sunuyor; böylece zaman ve hesaplama gücünden tasarruf edilirken doğruluk korunuyor.

Yavaş ve gereksiz işlem yapan yapay zekâ sorunu

Büyük "temel" modeller birçok sağlık teknolojisi atılımını destekliyor. Dil modelleri elektronik sağlık kayıtları ve araştırma makaleleri arasında tarama yaparken, görüntü modelleri röntgenler ve doku kesitleri gibi görüntüleri inceliyor. Ancak bu modeller aynı girdi üzerinde yeniden yeniden işlem yapan çok sayıda yığılmış katmanla inşa ediliyor. Uygulamada, sonraki katmanlar genellikle çok az katkı sağlıyor ve hatta doğruluğu düşürebiliyor; yazarların "fazla düşünme" diye adlandırdığı sorun bu. Bir risk skorunu veya tehlikeli bir ilaç etkileşimi uyarısını bekleyen bir doktor için bilgisayarın bu ekstra işlem yükü gerçek dünya gecikmelerine ve daha yüksek hesaplama maliyetlerine dönüşüyor.

Kolay vakaların erken çıkmasına izin vermek

Önceki araştırmalar, modelin katmanlar arasında küçük kontrol noktaları içerdiği "erken çıkış" fikrini önerdi. Bir kontrol noktası cevabından zaten çok emin ise model tüm kalan katmanlara veriyi göndermek yerine orada durabiliyor. Bir yöntem ailesi karara güvene dayalıdır: eğer tahmin tek bir sonuca çok odaklanmış görünüyorsa model çıkış yapar. Bu yaklaşımlar basit ve esnek olmakla birlikte hıza göre ayarlandığında doğruluğu kaybedebilir. Diğer bir aile ise ardışık birkaç katmanın aynı cevabı verdiğini bekler; bu "sabırlılık" kuralı doğruluğu koruma eğilimindedir ama kaç tane eşleşme gerektiğine hassastır ve farklı klinik ihtiyaçlar için ayarlaması zor olabilir.

EPEE adındaki hibrit erken çıkış

Yazarlar, bu iki fikri harmanlayan Entropy- and Patience-based Early Exiting (EPEE) adlı yöntemi sunuyor. Bir transformer modelinin her katmanına hafif bir sınıflandırıcı ekleniyor. Sistem iki basit koşulu kontrol ediyor: mevcut tahmin çok mu kendinden emin ve son katmanlar tutarlı şekilde aynı kararı mı veriyor? Bu koşullardan herhangi biri sağlanırsa model durup sonucu döndürüyor. "Kendinden emin" tanımını ve kaç tekrarın gerektiğini ayarlayarak kullanıcılar hız ve dikkat arasında ince ayar yapabilir. Önemli olarak, yazarlar tek başına güvene dayalı ve tek başına sabırlı yöntemlerin bu genel stratejinin özel durumları olduğunu gösteriyorlar.

Gerçek tıbbi metin ve görüntüler üzerinde testler

EPEE'nin pratikte işe yarayıp yaramadığını görmek için ekip bunu üç tür biyomedikal görevde test etti: not veya incelemelerin sınıflandırılması, ilaç etkileşimleri gibi ilişkilerin bulunması ve metinden tıbbi olayların çıkarılması. BERT ve GPT-2 gibi dil modelleri ile tıbbi görüntüler için bir vision transformer da dahil olmak üzere sekiz popüler temel model kullandılar. Yoğun bakım kayıtları, hasta incelemeleri, tıbbi literatür ve göğüs röntgenleri ile kan hücresi preparatları gibi görüntü koleksiyonlarından alınan on iki veri kümesi üzerinden EPEE'yi standart tam derinlikte çıkarım ve önceki erken çıkış yöntemleriyle karşılaştırdılar. Birçok durumda, model en iyi veya neredeyse en iyi doğruluğuna ara katmanlarda ulaşıyordu; bu da tüm katmanların kullanılmasının gereksiz olduğunu gösteriyordu. EPEE, basit vakaların erken çıkmasına izin verirken zor vakaların daha fazla katmandan geçmesine imkan vererek bundan yararlandı.

Klinikte hız ve güvenilirlik dengesi

Araştırmacılar çalışma süresini ölçtüklerinde, EPEE hem sıradan tam derinlikli modellerle hem de önceki erken çıkış teknikleriyle karşılaştırıldığında tutarlı şekilde çıkarım gecikmesini azalttı; genellikle etkin hesaplamayı düşürürken doğruluğu eşleştiriyor veya hafifçe iyileştiriyordu. Yöntem eğitim sırasında yalnızca küçük bir ek maliyet gerektirdi ve hem dil hem de görüntü modellerinde, yeni büyük biyomedikal modeller dahil, benzer şekilde iyi çalıştı. İki ayarının hız ile doğruluk arasındaki istenen ödünleşmeyi hedefleyecek şekilde ayarlanabilmesi nedeniyle EPEE, hızlı cevapların hayati olduğu fakat hataların maliyetinin yüksek olduğu yoğun bakım gibi ortamlara uygundur.

Gelecekte tıbbi yapay zekâ için ne anlama geliyor

Basitçe ifade etmek gerekirse, bu çalışma büyük tıbbi yapay zekâ sistemlerine işi sonsuza dek tekrar kontrol etmek yerine cevabı zaten bildiklerinde durmayı öğretiyor. İki yaygın çıkış kuralını esnek bir çerçevede birleştirerek EPEE, hastanelerin daha iyi performans için daha büyük modellere ihtiyaç duymayabileceğini; mevcut "beyinleri"ni daha akıllıca kullanan modellere ihtiyaç duyabileceğini gösteriyor. Geniş ölçüde benimsenirse, bu tür erken çıkış stratejileri güçlü metin ve görüntü modellerini gerçek zamanlı klinik iş akışlarına taşımaya yardımcı olabilir ve yatak başında daha hızlı ama hâlâ güvenilir kararları destekleyebilir.

Atıf: Zhan, Z., Zhou, S., Zhou, H. et al. EPEE: towards efficient and effective foundation models in biomedicine. npj Health Syst. 3, 30 (2026). https://doi.org/10.1038/s44401-026-00083-2

Anahtar kelimeler: erken çıkış, biyomedikal yapay zekâ, temel modeller, model verimliliği, klinik karar destek