Artıfıcıal Intellıgence Methods in Oncology
2022, Gevher Nesibe Journal IESDR
https://doi.org/10.46648/GNJ.387Abstract
Bu çalışmada, onkoloji alanında yapay zekâ yöntemleri üzerine yapılan güncel 23 makale çalışması irdelenmiştir ve çalışmalarda kullanılan yapay zekâ yöntemleri ve doğruluk payları literatür özet tablosunda yer verilerek yapılacak diğer çalışmalara teorik bir zemin hazırlanması amaçlanmıştır. Yapay zekâ, son on yılda kanser de dâhil olmak üzere çeşitli tıbbi sorunların çözümüne önemli ölçüde katkıda bulunmuştur. Yapay zekâ kanser araştırmalarının çeşitli alanlarında giderek daha fazla uygulanmaktadır. Günümüzde yapay zekâ metotları hekimlere karar verme, yöneticilere daha etkili hizmet sunmak ve maliyetleri en aza indirme, sağlık çalışanlarının iş yükünü azaltma ve hasta açısından doğruluğu yüksek hata oranı en az olan tedaviyi alma noktasında önemli ayrıcalıklar kazandırmaktadır. Bu derleme, iki kategoride değerlendirilebilir. Birincisi onkoloji alanında sık görülen hastalıklar ve günümüzde yapay zekânın onkoloji alanında kullanımı örneklerle desteklenmiştir. İkinci kategoride ise literatür özet tablosu içerisinde onkoloji alanında yapılan güncel 23 çalışma; yapay zekâ yöntemleri açısından kategorilere ayrılmış ve doğruluk oranları sunulmuştur. Hızla gelişen yapay zekâ teknolojisinin yakın gelecekte kanser alanında büyük bir etkiye sahip olmaya devam edeceği düşünülmektedir. Sonuç olarak, hekimlerin ve araştırmacıların sağlık hizmetlerindeki dijitalleşen yeniçağa ayak uydurmasının multidisipliner çalışma ve eğitim müfredatlarına yapay zekâ eğitim kurslarını dâhil etmeleri, yapay zekâ tabanlı klinik karar destek sistemlerinin kullanımının yaygınlaşması ile kişiselleştirilmiş tıp, tanı ve tedavi aşamasında zaman kazanılması, hata oranının azaltılması, hasta ve çalışan memnuniyet ile hem maliyet etkin hem de kaliteli hizmet sunumu açısından önemli bir avantaj sağlayacağı düşünülmektedir.
References (59)
- Açıkgöz, A., & Yıldız, E. A. (2017). Meme kanseri etiyolojisi ve risk faktörleri. Ergoterapi ve Rehabilitasyon Dergisi, 5(1), 45-56.
- Akalın, B., (2020) Sağlık Hizmetleri ve Yönetiminde Yapay Zeka, Hiper Yayın,135-147.
- Alhazmi, A., Alhazmi, Y., Makrami, A., Masmali, A., Salawi, N., Masmali, K., & Patil, S. (2021). Application of artificial intelligence and machine learning for prediction of oral cancer risk. Journal of Oral Pathology & Medicine, 50(5), 444-450.
- Atasoy, N. A., & Demiröz A. (2021). Makine Öğrenmesi Algoritmaları Kullanılarak Prostat Kanseri Tümör Oluşumunun İncelenmesi. Avrupa Bilim ve Teknoloji Dergisi, (29), 87-92.
- Aytaç, Z., Iseri, İ., & Dandıl, B. (2021). Derin Öğrenme Kullanarak Tiroid Kanseri Teşhisi. Avrupa Bilim ve Teknoloji Dergisi, (29), 292-298.
- Beyhan, B. A. G. (2012). Psiko-Onkoloji, Psikososyal Sorunlar ve Ölçüm Yöntemleri. Psikiyatride Güncel Yaklaşımlar, 4(4), 449-464.
- Bharati, S., Podder, P., & Mondal, M. (2020). Artificial neural network based breast cancer screening: a comprehensive review. arXiv preprint arXiv:2006.01767.
- Bi, W. L., Hosny, A., Schabath, M. B., Giger, M. L., Birkbak, N. J., Mehrtash, A., & Aerts, H. J. (2019). Artificial intelligence in cancer imaging: clinical challenges and applications. CA: a cancer journal for clinicians, 69(2), 127-157.
- Bodalal, Z., Trebeschi, S., & Beets-Tan, R. G. H. (2021). Radiomics in immuno-oncology. In Immuno-Oncology and Technology.
- Chinnery, T., Arifin, A., Tay, K. Y., Leung, A., Nichols, A. C., Palma, D. A., & Lang, P. (2021). Utilizing Artificial Intelligence for Head and Neck Cancer Outcomes Prediction From Imaging. Canadian Association of Radiologists Journal, 72(1), 73-85.
- Cirillo, D., Núñez-Carpintero, I., & Valencia, A. (2021). Artificial intelligence in cancer research: learning at different levels of data granularity. Molecular Oncology, 15(4), 817-829.
- Coşkun, F., & Gülleroğlu, H. D. (2021). Yapay Zekanın Tarih İçindeki Gelişimi ve Eğitimde Kullanılması. Ankara University Journal of Faculty of Educational Sciences (JFES), 1-20.
- Çilhoroz, Y., & Işık, O. (2021). Yapay Zeka: Sağlık Hizmetlerinden Uygulamalar. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(2), 573-588.
- Demir, F. (2021). Derin Öğrenme Tabanlı Yaklaşımla Kötü Huylu Deri Kanserinin Dermatoskopik Görüntülerden Saptanması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 617-624.
- Demircan, Z. (2014). Kemoterapi Hazırlamada Robotik Teknolojiler ve Hemşirenin Rolü. Yıldırım Beyazıt Üniversitesi Hemşirelik E-Dergisi, 2(1).
- Dimiduk, D. M., Holm, E. A., & Niezgoda, S. R. (2018). Perspectives on the impact of machine learning, deep learning, and artificial intelligence on materials, processes, and structures engineering. Integrating Materials and Manufacturing Innovation, 7(3), 157-172.
- Ekelik, H., & Altaş, D. (2019). Dijital Reklam Verilerinden Yararlanarak Potansiyel Konut Alıcılarının Rastgele Orman Yöntemiyle Sınıflandırılması. Journal Of Research İn Economics, 3(1), 28-45.
- El Naqa, I. (2021). Prospective clinical deployment of machine learning in radiation oncology. Nature Reviews Clinical Oncology, 18(10), 605-606.
- Erkekoğlu, P. Alkilanilinlerin Toksik Etkileri. Hacettepe University Journal Of The Faculty Of Pharmacy, (1), 31- 46.
- Ersoy, E., & Karal, Ö. (2012). Yapay Sinir Ağları ve İnsan Beyni. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 1(2), 188-205.
- Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. nature, 542(7639), 115-118.
- Eyüpoğlu, C. (2020). Korelasyon Temelli Özellik Seçimi, Genetik Arama ve Rastgele Ormanlar Tekniklerine Dayanan Yeni Bir Rahim Ağzı Kanseri Teşhis Yöntemi. Avrupa Bilim ve Teknoloji Dergisi, (19), 263- 271.
- Fidan, U., Sarı, İ., & Kumrular, R. K. (2016, October). Classification of skin lesions using ANN. In 2016 Medical Technologies National Congress (TIPTEKNO) (pp. 1-4). IEEE.
- Forghani, R. (2020). Precision digital oncology: emerging role of radiomics-based biomarkers and artificial intelligence for advanced imaging and characterization of brain tumors. Radiology: Imaging Cancer, 2(4), e190047.
- Friedland, J. L., Freeman, D. E., Masterson-McGary, M. E., & Spellberg, D. M. (2009). Stereotactic body radiotherapy: an emerging treatment approach for localized prostate cancer. Technology in cancer research & treatment, 8(5), 387-392.
- Göreke, V. (2021). Cilt Kanseri Lezyonlarının Sınıflandırılmasında Derin Öğrenme Sınıflandırıcıya Dayalı Bir Yöntem. Türk Doğa ve Fen Dergisi, 10(1), 30-36.
- Güngördük, K., Kocaer, M., & Gülseren, V. (2017). Jinekolojik Kanserlerde Vajinal Mikrobiyomun Rolü. Türk Jinekolojik Onkoloji Dergisi, 20(1), 1-8.
- Hamamoto, R., Suvarna, K., Yamada, M., Kobayashi, K., Shinkai, N., Miyake, M., & Kaneko, S. (2020). Application of artificial intelligence technology in oncology: Towards the establishment of precision medicine. Cancers, 12(12), 3532.
- Huynh, E., Hosny, A., Guthier, C., Bitterman, D. S., Petit, S. F., Haas-Kogan, D. A., & Mak, R. H. (2020). Artificial intelligence in radiation oncology. Nature Reviews Clinical Oncology, 17(12), 771-781.
- İşeri İ. (2014). Mamogram Görüntülerinden Makine Öğrenmesi Yöntemleri ile Meme Kanseri Teşhisi. Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi.
- Kann, B. H., Hosny, A., & Aerts, H. J. (2021). Artificial intelligence for clinical oncology. Cancer Cell.
- Karaçavuş, S. (2021). Onkolojik Hastalarda Tedavi Yanıtının Değerlendirilmesinde PET: Teknik Standartlar ve Tuzaklar.
- Karataş, S. (2021). Yapay zeka ve açık inovasyon etkileşiminin işletmeler üzerine etkileri (Master's thesis, Aydın Adnan Menderes Üniversitesi Sosyal Bilimler Enstitüsü).
- Levin, T. R., Corley, D. A., Jensen, C. D., Schottinger, J. E., Quinn, V. P., Zauber, A. G., & Doubeni, C. A. (2018). Effects of organized colorectal cancer screening on cancer incidence and mortality in a large community- based population. Gastroenterology, 155(5), 1383-1391.
- Lomas, A. L. B. J., Leonardi-Bee, J., & Bath-Hextall, F. (2012). A systematic review of worldwide incidence of nonmelanoma skin cancer. British Journal of Dermatology, 166(5), 1069-1080.
- Londhe, V. Y., & Bhasin, B. (2019). Artificial intelligence and its potential in oncology. Drug discovery today, 24(1), 228-232.
- Malherbe, K. (2021). Tumor microenvironment and the role of artificial intelligence in breast cancer detection and prognosis. The American journal of pathology.
- Oktar, N. (2011). Meningiomların Biyolojisi. Türk Nöroşirirji Dergisi, 21(2), 79-83.
- Parlar, S., Kaydul, N., & Ovayolu, N. (2005). Meme Kanseri ve Kendi Kendine Meme Muayenesinin Önemi. Anadolu Hemşirelik ve Sağlık Bilimleri Dergisi, 8(1), 72-83.
- Pirim, A. G. H. (2006). Yapay zekâ. Journal of Yaşar University, 1(1), 81-93.
- Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.
- Rzayeva, A. (2019). Küçük hücreli dışı akciğer kanserlerinde mikrodamar dansitesine anjiogenik faktörlerden endoglin, CD31 ve VEGF'nin etkisi (Master's thesis, Pamukkale Üniversitesi Sağlık Bilimleri Enstitüsü).
- Sağıroğlu, Ş., & Demirezen, M. (2020). Yapay Zekâ ve Büyük Veri: Teknolojiler, Yaklaşımlar Ve Uygulamalar.
- Sevli, O. (2019). Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185.
- Sevli, Ö. Ü. O., & Pazar, M. E. (2020). Akciğer Kanseri Verilerinin Farklı Makine Öğrenmesi Teknikleri İle Sınıflandırılması. Classification Of Lung Cancer Data With Different Machine Learning Techniques.
- Shimizu, H., & Nakayama, K. I. (2020). Artificial intelligence in oncology. Cancer science, 111(5), 1452.
- Stokes, S. M., Wakeam, E., Swords, D. S., Stringham, J. R., & Varghese Jr, T. K. (2018). Impact of insurance status on receipt of definitive surgical therapy and posttreatment outcomes in early stage lung cancer. Surgery, 164(6), 1287-1293.
- Sun, X. J., Shi, J. F., Guo, L. W., Huang, H. Y., Yao, N. L., Gong, J. Y., ... & Dai, M. (2018). Medical expenses of urban Chinese patients with stomach cancer during 2002-2011: a hospital-based multicenter retrospective study. BMC cancer, 18(1), 1-13.
- Şeker, A., Diri, B., & Balık, H. H. (2017). Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi (GMBD), 3(3), 47-64.
- Gevher Nesibe Journal of Medical & Health Sciences 2022; 7(18): 81-92
- Şener, A. İkinci Basamak Bir Hastanenin Acil Servisinde Dosya Kontrol Yöntemi İle Eksik Kayıt Kaynaklı Hataların Düzeltilmesi. Sağlıkta Kalite ve Akreditasyon Dergisi, 3(2), 24-32.
- Tünel, M., Vural, A., Evlice, Y. E., & Tamam, L. (2012). Meme Kanserli Hastalarda Psikiyatrik Sorunlar. Arşiv Kaynak Tarama Dergisi, 21(3), 189-219.
- Ueyama, H., Kato, Y., Akazawa, Y., Yatagai, N., Komori, H., Takeda, T., & Tada, T. (2021). Application of artificial intelligence using a convolutional neural network for diagnosis of early gastric cancer based on magnifying endoscopy with narrow-band imaging. Journal of gastroenterology and hepatology, 36(2), 482-489.
- Yakupoğlu, A. (2019). Radyoembolizasyon Tedavisinde Yanıt Değerlendirme: Tuzaklar ve Standardizasyon.
- Yıldırım, A., & Çevik, B. (2010). Diyabetik Ayak Vaka Örneğinde Hemşirelik Gereksinimlerinin Orem Özbakım Kuramına Göre Değerlendirilmesi. 5 Eylül, 205.
- Yıldız, S. (2015). Homeopati ve Kanser Tedavisi. Turk Journal IntegrMed, 3(2), 1-6.
- Yılmaz, E., Coşkun, E. İ., & Taşkıran, Ç. (2016). Gebelik Ve Jinekolojik Kanserler. Türk Jinekolojik Onkoloji Dergisi, 19(2), 19-28.
- Yılmaz, U. (2018). Akciğer kanserlerinde tedavi yaklaşımları. Nuclear Medicine Seminary, 4, 32-38.
- Yu, K. H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature biomedical engineering, 2(10), 719-731.