Genetik Şifremiz Yüzümüzden Okunur mu?
Fatmanur Babalı
Yapay sinir ağları ve derin öğrenme algoritmaları ile nadir genetik hastalıklara tanı koymak tek bir fotoğraf çekilmek kadar kolay olabilir mi?
Yapay zekâ teknolojileri, sağlık alanındaki gelişmelerine her gün bir yenisini ekleyerek sunulan hizmetin hastalara hızlı ve hatasız şekilde ulaşmasını sağlamaktadır. Bunun son örneklerinden biri de yapay sinir ağlarını eğiterek ve derin öğrenme algoritmalarını kullanarak, hastaların yüzüne ait tek bir fotoğraf ile binlerce genetik hastalık arasından başarılı tahmin listeleri oluşturan DeepGestalt uygulamasıdır. 2019 Ocak ayında, Nature Medicine‘da yayımlanan [Nat Med. 2019 Jan;25(1):60-64.] makalede, yüz tanıma uygulaması ile fenotipteki (dış görünüşteki) klinik göstergeleri analiz ederek genetik hastalık tanısı konabileceği gösterilmiş ve bu yöntemin hekimler için devrim niteliğinde olduğu öne sürülmüştür.
Genetik hastalıkların sıklıkla hastaların fenotipinde değişime neden olduğu bilinmektedir. Her birinin genlerimizde bir karşılığı olan ve çok sayıda farklı fenotipik karakteristiğe sahip bu sendromların çoğunluğu nadir hastalık kategorisine girer. Her ne kadar yeni nesil dizileme ile kalıtsal hastalıkların teşhisinde büyük başarılar elde edilse de her hasta için genetik sorgulama yapmak mümkün değildir. Bu nedenle klinik ve fenotipik bulguları analiz ederek ön teşhisler sunacak veya ayırıcı tanı koymaya yardımcı olacak programlara ihtiyaç duyulmuştur. Çünkü tüm fenotipik klinik göstergeleri tanımak en deneyimli klinisyen için bile oldukça zordur. Hastalıklara ait klinik göstergeleri tanımak ve genetik mutasyonlar ile eşleştirmek üzere eğitilen yapay sinir ağlarının, yakın bir gelecekte doktorların daha hızlı ve güvenilir tanı koymasına yardımcı olacağı öngörülmektedir.
Yüz tanıma sistemleri aslında hayatımızın içinde yer alan ve telefon şifrelerinde, sosyal medya hesaplarında ve akıllı şehirlerde kullanılan bir teknolojidir. Tıp alanında kullanımı ise hızlı, kesin ve düşük maliyetli tanı koymada ve bu sayede hastaların yaşayacağı sorunları hafifletmede umut vadetmektedir. Bu amaçla fenotipteki klinik göstergeler ile genetik mutasyonları eşleştirmede derin öğrenme algoritmaları ve yapay sinir ağlarını kullanan programlarından biri de DeepGestalt isimli yüz görüntüsü analiz sistemidir. Araştırmacılar parçaların oluşturduğu bütünün, tek tek parçaların toplamından daha önemli olduğunu savunan Gestalt kuramını temel alarak bir uygulama geliştirmiştir.
Derin öğrenme, makinelerin kendi kendini eğitmesidir. Daha fazla eğitim verisi ile beslenen sinir ağları daha gelişmiş bir yapay zekâ ortaya koyar. Büyük miktarda veri ile beslenen konvolüsyonel yapay sinir ağları görüntüleri başarılı şekilde analiz eder ve bir süre sonra desenleri kendi başına ayırt etmeye başlar. Bu durumda bilgisayar destekli yüz tanıma sistemleri başarılı tahminlerde bulunmak için genetik hastalık tanısı konmuş kişilere ait çok sayıda fotoğrafa yani derin ileri beslenmeye ihtiyaç duyar.
DeepGestalt programı ilk olarak fotoğraflarda yer alan yüz bölgelerini belirleyip belli bir oranda büyütür. Daha sonra her bölge için grilik skalası hesaplayarak ayırt edici yüz özelliklerini sınıflandırır. Bu amaçla klinik olgulardan ve bilimsel yayınlardan elde edilen hasta fotoğraflarının bulunduğu Face2Gene platformu kullanılmış ve yapay sinir ağı kendisini 216 genetik hastalık için 17.000’den fazla hastanın yüz fotoğrafı ile eğitmiştir. Böylece daha önce geliştirilen yüz analiz programlarının en büyük eksikliği olan yetersiz veri probleminin de üstesinden gelindiğini söylemek mümkündür. Klinikten alınan veriler ile %91, yayınlardan alınanlar ile %89 doğrulukta olası hastalıkları listelemeyi başaran uygulama, alanında uzman hekimlerden çok daha yüksek bir performans göstermiştir.
Bu tip yazılımlarda sıklıkla benzer fenotipteki hastalıkları birbirinden ayırma ve hasta birey ile hasta fenotipine sahip sağlıklı bireyleri ayırt etme konusunda sorunlar yaşanmaktadır. Programın kapasitesini geliştirmek ve klinik kullanımını arttırmak için araştırmacılar bu problemlere çözüm aramışlardır. Bu amaçla birbirinden farklı yüz özelliklerine sahip iki genetik hastalık için (Cornelia de Lange sendromu (CdLS) ve Angelman sendromu) yapay sinir ağları çok sayıda pozitif ve negatif kohort ile eğitilmiştir. Sonuçta DeepGestalt, CdLS için %96,88 ve Angelman sendromu için %92 doğrulukta tahmin yapabilmiştir. Rutin genetik testlerin maliyeti düşünüldüğünde arama alanının daraltılmasının özellikle ultra nadir hastalıkların teşhisindeki önemi oldukça fazladır.
Özelleşmiş Gestalt modeli ise fotoğraflardan aldığı örüntüleri kullanarak olası hastalık seçeneklerinin bir listesini sunmakla kalmıyor, ayrıca hastalığın farklı genetik formları arasında da bir sınıflandırma yapabiliyor. Noonan sendromundan (anormal yüz özellikleri ve bazı gelişimsel kusurlara neden olan bir hastalık) muzdarip kişilerin, beş farklı olası genetik mutasyondan hangisine sahip olduğunun belirlenmesi için 278 hasta fotoğrafı ile eğitilen modelden %64 doğrulukta sonuçlar elde edilmiştir. Üstelik mevcut verileri kullanarak düşük maliyetli, hedefli bir DNA testi ile tanının doğrulanması da mümkündür.
Bu tür teknolojiler arama alanını daralttığı ve hastalara tanı koyma süresini kısalttığı için oldukça değerlidir. Ayrıca ileride bu uygulamanın fenotipik analiz yeteneği arttıkça, benzer bir dış görünüme sahip tanı konmamış hastaları eşleştirerek yeni genetik sendromları da tanımlayabilmesi beklenmektedir. Fenotip analiziyle genom sekanslarına ait verilerin birleştirilmesi, genetik varyasyonların yorumlanmasında ve kişiselleştirilmiş tıbbın geliştirilmesinde önemli bir unsur haline gelecektir. Ne yazık ki bireye ait genetik bilgilerin bu denli ulaşılabilir olması, kişisel sağlık verilerin güvenliği konusunda akıllarda bir soru işareti oluşturmaktadır.
Deneyimli ve alanında uzman klinisyenler, insan zihninin bilgisayarlı sistemlere kıyasla son derece sınırlı bir hafızaya sahip olmasından dolayı dar bir veri depolama ve işleme kapasitesine sahiptir. Bu nedenle DeepGestalt ve benzeri programların yardımı gelecekte klinik hekimleri için vazgeçilmez olacaktır. Gün be gün veri işleme hızı ve kapasitesinin artması ile yalnızca bir fotoğraf kullanılarak genetik hastalıklara tanı koyabildiğimiz günlerin gelmesi yalnızca zaman ve büyük veri meselesidir.