Yapay Zeka Tıbbı Nasıl Dönüştürüyor? İlk Kod

Derse Başlamadan Önce

Derse gelmeden önce yapmanız gereken tek şey bir Google hesabınızın olduğundan emin olmak; Gmail adresiniz yeterli. Tarayıcınızda colab.research.google.com adresini bir kez açıp giriş yaparsanız derste zaman kazanırız. Bilgisayar getirebilirseniz iyi olur, ama tablet ya da telefonla da takip edebilirsiniz; hiçbir şey kurmayacağız.

Bir de şu soruyu düşünerek gelin: son bir yılda yapay zeka içeren bir sağlık haberi okudunuz mu? Neydi, size ne düşündürdü?

Ders Notları

Neden bir tıp öğrencisi kodla uğraşsın?

Bu soruyu ben size sormadan sizin bana sormanız daha doğal olurdu, o yüzden ilk dersi buna ayırıyorum. Bir hekim günde onlarca karar verir ve bu kararların çoğu veriye dayanır: laboratuvar sonuçlarına, görüntülere, vital bulgulara, öyküye. Bu veri artık kâğıt dosyalarda değil, dijital sistemlerde duruyor ve o sistemlerin içine giderek daha fazla algoritma yerleşiyor. Göğüs röntgeninde pnömoni bulgusunu işaretleyen, sepsis riskini saatler önce haber veren, taburcu özetini hastanın anlayacağı dile çeviren yazılımlar artık birer deneme değil, birçok hastanede günlük pratiğin parçası.

Bu ders sizi yazılımcı yapmayı hedeflemiyor. Hedefim, bu araçların ne yaptığını, nerede yanılabileceğini ve çıktısını nasıl sorgulayacağınızı bilen hekimler olmanız. Bunun en kestirme yolu da bir parça kodun içine girip makinenin nasıl “düşündüğünü” içeriden görmek. Bir kez gördüğünüzde yapay zeka sihirli bir kutu olmaktan çıkıyor; sınırları olan, hataları olan, ama doğru kullanıldığında çok işe yarayan bir alete dönüşüyor.

Kodlayan hekim: yazan değil, okuyan ve yöneten

Baştan bir itirafla başlayalım: bu derste kodun büyük bölümünü yapay zeka yazacak. Bugün ChatGPT’ye, Claude’a ya da Gemini’ye “şu veri setini yükle, yaş gruplarına göre ortalama glukozu hesapla” dediğinizde çalışan bir kod alıyorsunuz. Peki o zaman hekimin işi ne kalıyor?

Aslında dört iş kalıyor ve dördü de kod yazmaktan daha zor, daha değerli. Birincisi doğru istemek: klinik bağlamı, hangi veriyi, hangi çıktıyı istediğinizi net söylemek. Bu size tanıdık gelecek, çünkü iyi anamnez almaya çok benziyor. İkincisi kodu okumak: def gördüğünüzde bunun bir fonksiyon tanımı olduğunu, import pandas gördüğünüzde bir kütüphanenin çağrıldığını anlamak. Bir satırın kabaca ne yaptığını söyleyebilmek, o satırı yazabilmekten çok daha kolay ve pratikte çok daha işe yarar. Üçüncüsü hatayı tanımak: NameError: name 'np' is not defined gibi bir mesaj korkutucu görünür, ama aslında son derece bilgilendiricidir; “np diye bir şey tanımıyorum” diyor, çünkü onu tanıtan satır çalıştırılmamış. Bunu okuyabilen kişi yapay zekaya doğru düzeltmeyi isteyebilir. Dördüncüsü de çıktıyı doğrulamak: kod çalıştı diye sonuç doğru değildir. Ortalama glukoz 12 mg/dL çıkarsa bunu kod değil, siz fark edersiniz.

Bugün defterdeki kodların tamamı hazır. Sizden beklediğim yazmak değil; çalıştırmak, okumak ve ne olduğunu söylemek.

Yapay zeka tıpta bugün nerede?

“Yapay zeka” tek bir şey değil. Klinik pratiğe girmiş, birbirinden epey farklı üç dalga var ve bunları ayırt etmek size çok şey kazandırır.

Bu üç dalganın ortak bir noktası var: hepsi veriden öğreniyor. Kimse bunlara bir kural kitabı yazmıyor; sisteme binlerce örnek gösteriliyor ve örüntüyü kendisi buluyor. Gücü de zayıflığı da buradan geliyor, çünkü öğrendiği veride olmayan bir hasta tipi karşısına çıktığında ne yapacağı belirsiz.

Elinizin altındaki araçlar

Dersin ikinci yarısını üretken yapay zeka araçlarına ayırdım; ama daha bugünden, ders çalışırken, defterdeki bir hatayı anlamaya çalışırken ya da bir kavramı sadeleştirirken bunlardan yararlanacaksınız. ChatGPT’yi biliyorsunuz; alternatiflerini de tanımanızı istiyorum, çünkü birinin günlük kotası bittiğinde diğeriyle devam edebilirsiniz ve hepsinin ücretsiz katmanı var.

Çalışma ortamımız: Google Colab

Bu derste bilgisayarınıza hiçbir şey kurmayacağız. Google Colab, tarayıcıda çalışan bir Jupyter not defteri ortamı; kodu, çıktısını ve açıklama metnini aynı sayfada tutar ve siz hücre hücre çalıştırırsınız. Birkaç kavramı bilmeniz yeter. Hücre, tek başına çalıştırılabilen kod ya da metin bloğudur; solundaki ▶ düğmesi ya da Shift + Enter ile çalışır. Çalışma zamanı, kodunuzu çalıştıran uzaktaki bilgisayardır; sağ üstteki Bağlan ile başlar, bir süre boş kalınca kapanır ve değişkenleriniz silinir, ama yeniden çalıştırmak yeterlidir. Kaydetmek için Dosya menüsünden “Drive’a kopya kaydet” seçersiniz; ders defterlerini kendi Drive’ınıza kopyalayıp üzerinde gönül rahatlığıyla oynayın.

İlk saatte ne yapacağız?

Aşağıdaki defteri birlikte, satır satır çalıştıracağız. Plan yaklaşık elli dakika ve her adım, ileride bir haftaya dönüşecek bir konunun küçük bir ön izlemesi.

Bugün öğrenmeniz beklenmeyen şeyler

Defterde pandas, matplotlib, LogisticRegression gibi isimler göreceksiniz. Bunları bugün anlamanız gerekmiyor; sırasıyla 6., 8. ve 12. haftaların konusu. Bugünün tek amacı neyin mümkün olduğunu görmek ve ilk kodunuzu hatasız çalıştırmanın verdiği o küçük sevinci yaşamak.

Kendi bilgisayarınızda çalışmak isterseniz

Colab bu ders için fazlasıyla yeterli. Ama ileride yapay zeka ajanlarının, örneğin Claude Code’un, bilgisayarınızdaki bir klasörde sizin adınıza kod çalıştırmasını isteyecekseniz yerel bir Python kurulumuna ihtiyacınız olacak. Adım adım anlatımı Kendi Bilgisayarında Python rehberinde bulabilirsiniz. Bugün gerekmez; meraklısı için.

Temel Kavramlar

• Yapay zeka — Normalde insan zekâsı gerektiren görevleri yerine getiren bilgisayar sistemleri. Tıpta çoğunlukla veriden öğrenen modeller biçiminde karşımıza çıkar.
• Makine öğrenmesi — Kuralları elle yazmak yerine örneklerden örüntü çıkaran yaklaşım. Bugünkü diyabet modeli bunun en basit örneği.
• Büyük dil modeli (LLM) — Devasa metin verisinden dil örüntülerini öğrenen ve metin üreten model. ChatGPT, Claude ve Gemini’nin arkasındaki teknoloji.
• Not defteri (notebook) — Kod, çıktı ve açıklama metnini aynı belgede tutan etkileşimli çalışma ortamı. Jupyter standardı, Colab bulut sürümü.
• Hücre — Not defterinde tek başına çalıştırılabilen kod veya metin bloğu.
• Değişken — Bir değeri isimle saklayan kutu; kilo = 82 gibi.
• Fonksiyon (def) — İsimlendirilmiş, tekrar çağrılabilen kod bloğu. Kodda def görürseniz bir tanım başlıyor demektir.
• Kütüphane (import) — Başkalarının yazdığı hazır araç kutusu. import pandas as pd satırı çalışmadan pd diye bir şey yoktur; en sık görülen hata budur.
• Hata mesajı (traceback) — Python’un “burada şu sorun var” raporu. Son satırını okuyun; hatanın türü ve nedeni oradadır.
• Veri seti — Satırları hasta, sütunları ölçüm olan tablo. Pima diyabet veri setinde 768 satır ve 9 sütun var.

Tıptan Örnekler

• Diyabetik retinopati taramasında hekim olmadan sevk kararı verebilen ilk FDA onaylı yapay zeka sistemi 2018’de onaylandı ve birinci basamakta retina fotoğrafından çalışıyor.
• Elektronik hasta kaydına gömülü sepsis erken uyarı skorlarından yaygın bir tanesinin, bağımsız değerlendirmede sepsis vakalarının büyük bölümünü kaçırdığı ve çok sayıda yanlış alarm ürettiği gösterildi. Model çıktısını sorgulamanın önemine iyi bir örnek.
• Hasta görüşmesini dinleyip taslak klinik not üreten dil modeli tabanlı sistemler zaman kazandırıyor; mahremiyet ve doğruluk sorularını 24. ve 25. haftalarda konuşacağız.
• Bugün kullandığımız Pima diyabet veri seti 1990’lardan kalma, küçük ve kusurlu ama öğretici bir veri. Eksik değerlerin sıfır olarak kaydedilmiş olması, 7. haftadaki veri temizleme dersimizin çıkış noktası olacak.

Uygulama / Etkinlik

1. Colab’i açın ve yukarıdaki Colab’de aç düğmesiyle haftanın defterini kendi hesabınıza kopyalayın.
2. İlk bölümdeki ad değişkenine adınızı yazıp çalıştırın. Sonra bilerek bir yazım hatası yapıp hata mesajını okuyun; korkutucu görünür ama satır numarasını ve sorunu söyler.
3. VKİ bölümünde kilo ve boy değerlerini değiştirip sınıflamanın nasıl değiştiğini gözleyin.
4. Hasta listesine kendi uydurduğunuz bir hasta ekleyin; gerçek bir kişinin verisini kullanmayın.
5. Zaman kalırsa model bölümünde yeni_hasta değerlerini değiştirip olasılığın nasıl güncellendiğine bakın.

Tartışma Soruları

1. Hangi klinik kararlarda bir yazılımın öneri vermesini kabul edilebilir bulursunuz, hangilerinde bulmazsınız? Aradaki çizgiyi ne belirliyor?
2. Diyabet modelimiz %72 doğruluk verdi. Bu iyi mi, kötü mü? “İyi” diyebilmek için başka ne bilmemiz gerekir?
3. Büyük dil modeli veri tablosunu yorumlarken yanlış bir şey söylediyse bunu nasıl fark ederdiniz? Sorumluluk kimde olurdu?
4. Kodu yapay zeka yazıyorsa hekimin kodu okumayı öğrenmesi neden hâlâ gerekli? Okumadan kullanmanın riski ne?
5. “Kodlayan hekim” ifadesi sizce ne anlama geliyor? Bu derste kazanmak istediğiniz tek bir beceri olsa ne olurdu?

Haftanın Özeti

Yapay zeka tıbba üç dalga hâlinde girdi: görüntü analizi, tahmin ve karar destek, üretken yapay zeka. Hepsinin ortak noktası veriden öğrenmesi ve bu, hem güçlerinin hem de zayıflıklarının kaynağı. Bu ders sizi bu araçları anlayan ve denetleyen hekimler olmanız için kodun içine sokuyor; ama yazdırmayı, okumayı ve doğrulamayı öğreterek, ezberletmeden. İlk saatte Colab ortamını kurduk, VKİ hesabından başlayıp 768 hastalık gerçek bir veri setini yükledik, grafiğini çizdik, ilk tahmin modelimizi eğittik ve bir büyük dil modeline Python içinden soru gönderdik. Bugün gördüğünüz her adım, önümüzdeki haftalarda birer derse dönüşecek.

Etiketler:yapay zekacolabjupyterpythongirişpimadiyabet