GİRİŞ
Tıbbın tüm dallarında olduğu gibi oftalmolojide alanında da, hastalıkların erken teşhisi gelişebilecek görsel kayıpları büyük ölçüde önlemektedir. Erken teşhiste, klinik muayene ve bir takım görüntüleme yöntemlerinin yanında, bazı yapısal ve fonksiyonel testler kullanılmaktadır. Bilimin her geçen gün daha da ilerlemesi, bu yöntem ve testlerde sürekli olarak teknolojik yeniliklere sebep olmaktadır. Bu teknolojik yeniliklerin bir tanesi de yapay zekânın tıp alanında kullanıma geçmesidir.

Yapay zekâ, bilgisayar biliminin son derece önemli bir alt dalı olup, pek çok alanda insan zekâsına yakın algoritmalarla işlev görmektedir.[1-4] Yapay zekâ ismi, ilk kez 1956 yılında John McCarthy tarafından kullanılmıştır. İnsan zekâsına yakın davranış gösteren yazılım veya donanım anlamına gelen yapay zekânın, tıbbın tüm alanlarında olduğu gibi, oftalmoloji alanında da kullanımı son yıllarda giderek artmaktadır.[1-4] Yapay zekâ; yaşa bağlı maküler dejenerasyon (YBMD) ve diyabetik retinopati gibi bazı retinal hastalıklarda ve keratokonus gibi korneanın ektazik hastalıklarında tanısal amaçlı kullanılmaktadır.[5-9] Benzer şekilde yapay zekâ, katarakt hastalığının tanı ve evrelenmesinde de son yıllarda sıkça gündeme gelmektedir.[10] Ayrıca yapay zekâ kullanılarak, katarakt cerrahisi sonrası arka kapsül opasifi kasyonu riski tahmin edilebilmektedir.[11]

Yapay zekâ sistemlerinde bazı istatistiksel yöntemler kullanılmaktadır. En basit olarak lineer regresyon modeli, KNN algoritması (K nearest neighborhood, en yakın k komşu), karar ağaçları, temel bileşen analizi bu yöntemlerden bazılarıdır.[1-4]

Bu derlemenin amacı, yapay zekânın glokom tanı ve takibinde kullanımını, ayrıca avantaj ve kısıtlılıklarını özetlemektir.

Yapay zekâ terimleri:
a. Yapay sinir ağları: Yapay sinir ağları, yapay zekâ kavramı altında bir alt başlıktır. İnsan beyninden esinlenerek oluşturulmuş, sinir ağlarının taklit eden bilgisayar programlardır.[1-4] Bu programlar, kendisine sunulan örneklerden bilgiler toplamakta, bu bilgileri kullanarak daha sonra gelen hiç görmediği örnekler hakkında karar verebilmekte, tanımlamalar yapabilmektedir. Yapay sinir ağlarının bir giriş (input), bir çıkış (output), birkaç adet de gizli ara katmanları bulunmaktadır. Giriş katmanı verilen örnekleri almakta ve ara katmanlara yönlendirmektedir. Ara katmanlarda bu veriler analiz edilmekte, gerekli bilgiler alınmaktadır. Çıkış katmanında ise edinilen bilgilerin analizi sonucunda, sınıfl amalar ve tanımlamalar yapılmaktadır.[1-4]

b. Makine öğrenimi: Makine öğrenimi 1956 yılında Arthur Samuel tarafından tanımlanmıştır.[1-4,12] Bu terim bilgisayar sistemleri olan makinelerin, daha önce programlanmamış olmasına rağmen, bazı sonuçları öğrenebilme kapasitesi olarak tarif edilmektedir. Makineye yüklenen veri arttıkça bu kapasite artmakta, makineler daha efektif bir biçimde, kendi yetenekleriyle görevlerini tamamlamaktadır. Bir örnek vermek gerekirse: Öncelikle bir makineye diyabetik retinopati olan ve olmayan çok sayıda fundus resimleri, diyabetik retinopati var ya da yok şeklinde etiketlenerek yüklenmekte, adeta diyabetik retinopati bulguları makineye tanıtılmaktadır. Makine öğrenimi ile diyabetik retinopati verileri makine tarafından algılanabilmekte ve yapay zekâ sayesinde makineye sonradan gelen fundus resimleri analiz ederek, diyabetik retinopati var ya da yok şeklinde yorum yapabilmektedir.

c. Derin Öğrenme: Derin öğrenme makine öğreniminin bir alt dalı olarak da sayılabilmektedir. Genel anlamda derin kelimesinden anlaşılacağı üzere, makine öğreniminin biraz daha gelişmiş halidir. Sisteme yüklenen veri sayısı arttıkça, daha kompleks inputlar yüklendikçe, daha detaylı analizler yapılabilmekte ve derin öğrenme gündeme gelmektedir.[13-14] Derin öğrenmede yapay sinir ağları kullanılmakta ve makine öğrenimine oranla daha fazla sayıda algoritmalarla analizler yapılabilmektedir. [13-14] Örneklerle gelen bilgiler analiz edilerek adeta öğrenilmekte, daha sonradan gelen ve hiç görülmemiş örnekler hakkında, önceki bilgiler kullanılarak analiz yapılabilmekte ve kararlar verilebilmektedir. [13-14] Makine öğrenimi ile derin öğrenmenin farkını basit bir şekilde vermek gerekirse: Makine öğreniminde, domates ile biberin ayırımı için makineye, kırmızı ise domatestir, yuvarlak ise domatestir, yeşil ise biberdir gibi pek çok bilgiler yüklenmektedir. Derin öğrenmede ise, makineye biber ve domates resimleri yüklenmesi yeterli olmaktadır. Sistem renk ve şeklin ayırıcı faktörler olduğunu kendisi fark etmekte, kendi kurallarını koymakta ve insan öğretimine ihtiyaç duymadan yorum yapabilmektedir. Derin öğrenme tıpta çok daha fazla gündeme gelmektedir.

d. Konvolusyonel nöral ağ (KNA): derin öğrenmenin bir çeşidi olup, bilgisayar dünyasında resim tanıma için kullanılan çok etkili bir mekanizmadır.[1-4] Sosyal medyada bulunan resimleri otomatik olarak algılanması ve etiketlenmesi buna en güzel örnektir.

Glokomda Yapay Zekâ:
Yapay zekâ son yıllarda glokomun tanısında sıkça gündeme gelmektedir.[15] Klinik veriler, görme alanı bulguları, optik disk fotoğrafl arı ve optik koherens tomografi (OKT) bulguları yapay zekâ tarafından analiz edilerek, glokom tanısı konulabilmektedir.[15] Ayrıca bu veriler kullanılarak progresyon takibi yapılabilmekte, son olarak da glokom risk faktörleri ve hastaların yaşam kaliteleri ile ilgili çalışmalarda yapay zekâ gündeme gelmektedir.

Glokom tanısında yapay zekâ kullanımının, 1994 yılında, normal ve glokomatöz görme alanlarının ayırımı ile başladığı bilinmektedir.[15-16] Bu çalışmada her bir test noktasının normal eşik değerleri makine öğrenimi ile öğretilmiş, sonra gelen sonuçlar makine tarafından, glokomlu olup olmadığı konusunda analiz edilmiştir.[16] Zamanla pek çok farklı parametre devreye sokularak, yapay zekâ çok daha kompleks biçimde kullanılmıştır. Günümüz teknolojisinde, yapay zekâ ile glokom tanısında optik disk fotoğrafi si ve görüntüleme bulguları, görme alanı analizleri ve OKT analizleri kullanılmaktadır.

1. Optik disk renkli fundus fotoğrafı ve stereo fotoğrafi si: Yapay zekâ ile glokom tanı ve takiplerinde optik disk renkli fotoğrafl arının kullanımı, input sayısının bir hayli fazla olması nedeniyle, ciddi zorluklar içermektedir. Optik diskte özellikle vertikal çukurluk/disk oranı (ç/d), glokom teşhisinde çok önemli bir parametredir. Konu ile ilgili en basit çalışmalarda, makine öğrenimi ile ç/d oranı analiz edilerek glokom tanısı konulabilmektedir.[17-18] Ancak stereoskopik optik disk fotoğrafi si gibi optik diskin gelişmiş görüntüleme yöntemleriyle, yapay zekâ için daha elverişli parametreler elde edilmekte, özellikle derin öğrenme ile daha detaylı analizler yapılarak glokom risk indeksleri çıkarılabilmektedir.[19] Li ve ark.[20] yaptıkları çalışmada, 48116 adet renkli optik disk fotoğrafı tecrübeli hekimlerce glokomlu, glokom şüpheli ya da glokomlu değil şeklinde klasifi ye edilmiştir. Glokomlu kriteri olarak vertikal ç/d oranı 0,9 ve üzeri, rimde ve retinal sinir lifi tabakasında (RSLT) daralma ve lokalize çentiklenme belirlenmiştir. Önceden 8000 fotoğraf ile derin öğrenme sağlanmış cihaz ile %95,6 sensitivite ve %92 spesifi te ile klinik tanıyla korelasyon sağlanmıştır.[20] En önemli yalancı pozitif sonuç fizyolojik ç/d oranı yüksekliği iken, en önemli yalancı negatif sonuç nedenleri olarak da yüksek miyopi ve diyabetik retinopati gözlenmiştir.[20] Halemm ve ark.[21] ise renkli optik disk fotoğrafı ve tarayıcı lazer oftalmoskopik görüntülerle yaptıkları çalışmada, ?bölgesel imaj özellikleri modeli (RIFM, regional image features model)? adında yeni bir yapay zekâ yardımlı tanı ve klasifi kasyon yöntemi geliştirmişlerdir. Bu yöntem ile yaklaşık %94 oranında glokomlu ve glokom şüpheli optik diskleri ayırt edebilmişlerdir.[21] Ahn ve ark.[22] yaptıkları çalışmada, fundus fotoğrafi si ve derin öğrenme yöntemi ile erken ve geç evre glokomları ayırt etmeye çalışmışlardır. Normal, erken evre ve geç evre glokoma ait fundus fotoğrafl arını input olarak kullandıkları çalışmada, %90?ın üzerinde doğru teşhis yapılabilmiştir.[22]

Omodaka ve ark. [23] makine öğrenimi algoritmasıyla yaptıkları çalışmada, oküler parametreleri kullanarak glokomatöz optik disk şekillerini sınıfl amışlardır. Bu çalışmada, üç tecrübeli araştırmacı tarafından fokal iskemik, senil sklerotik, miyopik ve jeneralize genişleyen olarak optik diskler sınıfl anmıştır. Makine öğrenimi için kullanılan verilere ait optik disk topografi si ile elde edilen çukurluk alanı ve ç/d oranı gibi parametreler, OKT ile elde edilen peripapiller RSLT kalınlığı ve lazer fl owmetre ile elde edilen kan akım parametreleri cihazlara yüklenmiştir. Cihaz daha sonra gördüğü diskleri, bu parametreleri kullanarak büyük ölçüde doğru tanımlamıştır.[23]

Yapay zekâ ile glokom tanısı için optik diskin klinik bulguları ve fotoğrafi si kullanılsa da (Şekil 1 ve 2) parametrelerinin çok daha fazla ve objektif olması nedeniyle yerini OKT?ye bırakmaktadır.

Şekil 1:-. Makineye input olarak normal, hafi f evre, orta evre ve ileri evre fundus fotoğrafl arı yükleniyor. Derin öğrenme sağlanıyor.
Kaynaklar: Hagiwara et al. Computer Methods and Programs in Biomedicine 165 (2018) 1?12. Hogarty et al. Clin Exp Ophthalmol. 2019;47(1):128-39.

Şekil 2: Makine sonradan kendine gelen fotoğrafl arı glokomlu ya da sağlam olarak tanımlıyor.
Kaynaklar: Hagiwara et al. Computer Methods and Programs in Biomedicine 165 (2018) 1?12. Hogarty et al. Clin Exp Ophthalmol. 2019;47(1):128-39.

2. OKT bulguları: Özellikle spektral domain OKT (SDOKT) cihazlarının geliştirilmesiyle, yapay zekâ glokom tanısında çok daha fazla gündeme gelmektedir. Barella ve ark.[24] makine öğrenimi kullanarak, erken ve orta evre glokomlu olgular üzerinde yaptıkları çalışmada, OKT ile elde ettikleri optik disk ve RSLT parametrelerini kullanmışlar ve en iyi parametrenin ortalama c/d oranı olduğu sonucuna gitmişlerdir.[24] Devalla ve ark.[25] ise OKT parametreleri ve derin öğrenme algoritmasını kullandıkları çalışmalarında, glokomlu ve normal bireylerde RSLT, retina pigment epiteli (RPE), diğer retinal katmanlar, koroid, peripapiller sklera ve lamina kribrosayı dijital olarak boyayabilmişler ve glokomda yapısal farklılıklar gösteren bu dokuların dijital boyanması ile hastalığın teşhis ve takibinde önemli adımlar atılabileceği sonucuna gitmişlerdir.[25] Asaoka ve ark.[26] glokom erken teşhisinde, OKT maküler parametreleri ve derin öğrenme algoritmasını kullanmışlardır. Primer açık açılı glokomlu (PAAG) hastalara ait 4316 adet OKT imajını input olarak verdikleri çalışmada, erken evre glokom ve normal bireylerin ayırt edilmesini araştırmışlardır. Maküler ganglion hücre kompleksi kalınlığı (GHKK) ve derin öğrenme algoritması ile yüksek sensitivite ve spesifi te ile erken glokom tanısı konulduğunu gözlemlemişlerdir.[26] Park ve ark.27 OKT ve OKT anjiyo (OKT-A) ile yaptıkları çalışmada, sağlıklı bireyler, erken ve ileri evre glokom hastalarında maküler ganglion hücre iç fl eksiform tabaka (GHİPT) kalınlığı ve maküler damar yoğunluğuna araştırmışlardır. Her iki parametrenin birbiri ile korelasyonu için, makine öğrenimi algoritmasını kullanmışlardır. Yapay zekâ kullanılmaksızın yapılan incelemelerde GHİPT tabakası kalınlık analizi glokom teşhisinde daha önemli bulunurken, makine öğrenimi ile maküler damar yoğunluğu azalmasının da glokom teşhisinde önemli olduğu ve GHİPT kalınlığı ile korele sonucuna gitmişlerdir.[27]

Glokomda OKT ve görme alanı hasarlarının birbiri ile korele oldukları bilinmektedir. Muhammad ve ark.[28] derin öğrenme algoritması ve swept source OKT (SSOKT) kullanarak yaptıkları çalışmalarında, glokom şüphesi ve erken evre glokom ayırımında bu sistem ile konvansiyonel OKT ve görme alanı tetkiklerini kıyaslamışlardır. Derin öğrenme algoritması ile bu ayırımın çok daha iyi yapılabildiği ve özellikle RSLT olasılık haritasının önemli olduğu sonucuna varmışlardır.[28]

OKT teknolojisindeki gelişmeler, yapay zekânın glokom tanı ve takibindeki yerini daha da arttırmaktadır. OKT parametreleri kullanan yapay zekâ algoritmaları sadece glokom tanısında değil, progresyon takibinde de değerli bilgiler verebilmektedir. Chrisetopher ve ark.[29] yaptıkları çalışmada, OKT de elde etikleri RSLT kalınlık haritaları ve makine öğrenimi algoritmasıyla progresyon takibi yapmışlardır. Makine öğrenimi ve OKT bulgularıyla saptanan progresyon, görme alanı progresyonu ile büyük oranda benzer çıkmıştır.[29]

3. Görme alanı bulguları: Glokom tanı ve takibinde yapay zekâ, görme alanı bulgularıyla da gündeme gelmektedir. Kim ve ark.[30] çalışmalarında OKT ile RSLT kalınlığı ve ortalama deviasyon (MD), patern standart deviasyon (PSD) ve glokom yarı alan testi (GHT) gibi görme alanı parametrelerini kullanarak makine öğrenimi algoritmasını kullanmışlardır.[30] Bu şekilde glokomlu gözleri normal gözlerden, yüksek sensitivite ve spesifi te de ayırt edebilmişlerdir.[30] Benzer şekilde Silva ve ark.[31] da çalışmalarında, OCT ve görme alanı parametrelerini birlikte kullanarak makine öğrenimi algoritması oluşturmuşlar ve glokom tanısının, tek başına OKT?ye oranla daha doğru konulabileceği sonucuna gitmişlerdir.31

Yapay zekâ, görme alanı progresyon takibinde de kullanılabilmektedir. Görme alanı progresyon prototipleri kullanılarak oluşturulan prototip metodu makine öğrenimi algoritması ile sistem, görme alanındaki progresyonu büyük oranda doğru olarak analiz edebilmiştir.[32] Cai ve ark. [33] makine öğrenimi algoritmasını kullanarak yaptıkları çalışmalarında, glokomda görme alanı hasarlarının komputerize prototipleri ile klinik olarak saptanan görme alanı hasarları kıyaslanmış ve görme alanı hasarlarının yapay zekâ ile daha iyi karakterize edilebileceği sonucuna ulaşmışlardır. (Şekil 3).

Şekil 3: Makineye 49 yaşındaki bir ileri evre glokom olgusuna ait fundus resmi ve görme alanı yükleniyor. Makine hastaya ait görme alanını %93,8 oranında, daha önce derin öğrenme ile öğrendiği AT6 görme alanı prototipine benzetiyor.
Kaynak: Cai S et al. Curr Eye Res. 2017;42(4):568-574.

Perimetrik parametreler ile yapay zekâ, görme alanı progresyonu teşhisinde de kullanılabilmektedir. Wang ve ark. [34] yaptıkları çalışmada, görme alanı progresyon prototipleri oluşturmuş ve bu prototiplerle makine öğrenimi algoritmaları oluşturmuşlardır. Bu prototiplerin glokom progresyon tayininde önemli bilgiler verebileceği sonucuna gitmişlerdir.34

Sonuç: Yapay zekâ son yıllarda tıbbın tüm dallarında olduğu gibi oftalmoloji alanında da sıkça gündeme gelmeye başlamıştır. Zeki bilgisayar sistemleri sayesinde hastalıkların teşhisi ve takibi yapılabilmektedir. Sistem, karmaşık verilerin input olarak verilerek bilgilendirmesi sonrası, kendine verilen hasta verilerini analiz ederek hastalık hakkında kararlar verebilmektedir. Yapay zekâ glokom hastalığının teşhis ve takibinde de kullanılmaktadır. Özellikle optik diske ait OKT parametreleri ve klinik veriler, görme alanı parametreleri yapay zekâda kullanılmaktadır. Her geçen gün daha da artan teknolojik gelişmeler, ileride yapay zekâyı glokom alanında çok daha fazla ön plana çıkaracaktır. KAYNAKLAR / REFERENCES