Hakkımızda

Biyomedikal Bilgi İşleme Laboratuvarı (BIPLAB), İYTE Elektrik-Elektronik Mühendisliği bünyesinde Prof. Dr. Bilge Karaçalı’ya verilen bir Marie Curie desteği ile 2009 yılında kuruldu. Laboratuvarda sürdürülen çalışmalar temel olarak çeşitli kaynaklardan gelen biyomedikal verilerin ilgili biyolojik veya tıbbi hipotezler çerçevesinde anlamlandırılmasına yönelik olarak yürütülmekte. Bunlara örnek olarak histoloji kesit görüntülerinde kanserli bölgelerin otomatik olarak işaretlenmesi, proteinlerin yapısını oluşturan amino asit dizilerindeki fonksiyonel veya yapısal açıdan anlamlı bölgelerin bulunması, gerçek zamanlı akan elektroensefalografi verisinde görsel veya düşünsel uyaranlara özel beyin aktivite profillerin çıkarılması, akış sitometrisi verisinde bulunan hücre alt gruplarının saptanması ve kanser ilaçlarının değişen kanser tiplerindeki etkinliğinin modellenmesi sayılabilir.

Birbirinden bu denli ayrı görünen konuların aynı çerçevede çalışılmasına olanak veren şey ise sayısal verilerde gizli olan bilginin yanıt bekleyen konularla ilintili olarak ortaya çıkarılmasını sağlayan istatistiksel öğrenme yöntemleri. Bu yöntemler, elle veya gözle değerlendirilmesi mümkün olmayacak kadar karmaşık ve yüksek miktardaki veriyi etkili bir biçimde değerlendirerek bu veriye kaynak teşkil eden hususlarda istatistiksel anlamlılık taşıyan çıkarımlar yapmaya olanak sağlıyorlar. Örneğin bu yöntemler kullanılarak kanserli oluşumların, incelenmekte olan hücre kesitinin neresinde olduğunu, bu bölgelerin kanserli oluşumlar içermeyen bölgelerden hangi açılardan farklılık içerdiğini belirlemek mümkün.

Ancak bu ve benzer çerçevede kullanılan klasik istatistiksel öğrenme yöntemleri, büyük oranda, alanın uzmanı kişiler tarafından önceden işaretlenmiş verilere uygulanacak şekilde tasarlanmış oldukları için, herhangi bir ön işaretlemenin mümkün olmadığı uygulama alanlarında kullanım zorlukları ortaya çıkmakta. Yukarıdaki örneğe dönülecek olursa genel kullanımda tercih edilen sınıflandırma yöntemleriyle kanserli bölgelerin histoloji kesitlerinde işaretlenebilmesi için, uzman bir patoloğun yeterli miktarda kesit üzerinde önceden elle işaretleme yaparak bir eğitim kümesi oluşturması gerekli. Bu ise hem yüksek miktardaki veriyi elle işaretlemenin zorluğu, hem de konunun uzmanları arasında farklılık gösterebilen işaretleme tercihleri nedeniyle sorunlu bir durum.

BIPLAB dahilinde yürütülen çalışmaların temel hedefi, uzmanlar tarafından elle işaretleme gerektirmeden eldeki veriyi ilgili konular çerçevesinde anlamlandıracak istatistiksel yöntemler geliştirmeye dayanmakta. Bunu mümkün kılan yaklaşım da yarı-güdümlü öğrenme olarak isimlendirilen, veriyle ilgili herhangi bir model varsayımı içermeyen, yani çıkarımlarını doğrudan doğruya eldeki veriye dayandıran hesaplamalı bir yöntem. Bu yöntemle farklı veri kümeleri birbirleriyle kıyaslanarak her iki veri kümesinde ortak varlık gösteren örnekler, ilgili veri kümesine özgün olanlardan otomatik olarak ayrıştırılabilmekte ve böylelikle uzmanlar tarafından detaylı bir elle işaretleme gerekmeden farklı durumlara ait veriler saptanabilmekte. Bu da ilgilenilen biyolojik veya klinik hipotezlere dair eldeki veri kümelerinde gizlenmiş olan bilgiyi açığa çıkarmakta yardımcı olmakta.

Yukarıda anlatılan çerçevede yürütülen çalışmalar, BIPLAB dahilinde mevcut olan toplamda 88 çekirdek ve 464GB RAM’e sahip bir bilgisayar sistemi kullanılarak gerçekleştirilmekte. Bu çalışmalara dahil olmak isteyen lisansüstü öğrencilerin Elektrik-Elektronik Mühendisliği lisansüstü ders programlarında mevcut olan Görüntü İşleme, Olasılık ve Rastgele Süreçler, Örüntü Tanıma ve Bilgisayar Programlama gibi derslere ilgili olmaları gerekli.

Histoloji kesitlerinde yarı-güdümlü öğrenme kullanılarak otomatik olarak belirlenmiş kanser bölgeleri