Artificial Intelligence in Biological Fields: Innovations and Practical Applications

Öz

The use of artificial intelligence in the biomedical field is a field that has developed rapidly and has transformative potential in recent years. This study aims to reveal the potential of artificial intelligence to offer innovative solutions in healthcare by examining its role in biomedical research and applications. The use of artificial intelligence in the biomedical field is effective in a wide range of areas from early diagnosis of diseases to the creation of treatment plans. The opportunities offered by artificial intelligence in the analysis and interpretation of biomedical data enable faster and more accurate diagnoses. Machine learning algorithms, in particular, help us better understand the symptoms and pathological processes of diseases by analyzing large data sets. In this way, doctors and researchers can predict the progression of diseases and develop more effective treatment methods. Artificial intelligence also has a great impact on the field of medical imaging. Image processing algorithms reach high accuracy rates in detecting abnormalities in X-ray, MRI (Magnetic Resonance Imaging) and CT (Computed Tomography) scans, reducing the workload of radiologists and accelerating diagnostic processes. These technologies are also used in surgical planning and minimally invasive surgeries. In summary, this study aims to compile current technologies used in the biomedical field of artificial intelligence and to identify new and unique areas of use inspired by these technologies.

Anahtar Kelimeler

• Artificial intelligence
• Antibiotic design
• Healthcare automation

Biyolojik Alanlarda Yapay Zeka: İnovasyonlar ve Pratik Uygulamalar

Öz

Yapay zekanın biyomedikal alandaki kullanımı, son yıllarda büyük bir hızla gelişen ve dönüştürücü potansiyele sahip bir alandır. Bu çalışma, yapay zekanın biyomedikal araştırma ve uygulamalardaki rolünü inceleyerek, sağlık hizmetlerinde yenilikçi çözümler sunma potansiyelini ortaya koymayı amaçlamaktadır. Yapay zekanın biyomedikal alanda kullanımı, hastalıkların erken teşhisinden, tedavi planlarının oluşturulmasına kadar geniş bir yelpazede etkili olmaktadır. Biyomedikal verilerin analizi ve yorumlanmasında yapay zekanın sunduğu olanaklar, daha hızlı ve doğru teşhisler konulmasını sağlamaktadır. Özellikle makine öğrenimi algoritmaları, büyük veri setlerini analiz ederek, hastalıkların belirtilerini ve patolojik süreçlerini daha iyi anlamamıza yardımcı olmaktadır. Bu sayede, doktorlar ve araştırmacılar, hastalıkların ilerleyişini öngörebilir ve daha etkili tedavi yöntemleri geliştirebilirler. Tıp görüntüleme alanında da yapay zekanın etkisi büyüktür. Görüntü işleme algoritmaları, röntgen, MR (Manyetik Rezonans Görüntüleme) ve CT (Bilgisayarlı tomografi) taramalarındaki anormallikleri tespit etmede yüksek doğruluk oranlarına ulaşarak, radyologların iş yükünü azaltmakta ve teşhis süreçlerini hızlandırmaktadır. Bu teknolojiler, aynı zamanda, cerrahi planlama ve minimal invaziv cerrahilerin gerçekleştirilmesinde de kullanılmaktadır. Özetle bu çalışma yapay zekanın biyomedikal alanda kullanılan güncel teknolojilerini derlemeyi ve bu teknolojilerden ilham alarak yeni ve özgün kullanım alanlarını tespit etmeyi hedefler.

Anahtar Kelimeler

• Yapay zeka
• Antibiyotik tasarımı
• Sağlık hizmetleri otomasyonu.

Kaynakça

1. Nogales A, Garcia-Tejedor, A J, Monge, D, Vara J S, & Anton, C. A survey of deep learning models in medical therapeutic areas. Artif Intell Med 2021; 112, 102020.
2. Gupta, R, Srivastava, D, Sahu, M, Tiwari, S, Ambasta, R K, Kumar, P. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery, molecular diversity 2021; 25: 1315-1360.
3. Ossowska, A, Kusiak, A, Świetlik D. Artificial intelligence in dentistry-narrative review. Int J Environ Res Public Health 2022; 19(6), 3449.
4. Hamet P, Tremblay J. Artificial intelligence in medicine. Metab Clin Exp 2017; 69: 36-40.
5. Arf C, Makine Düşünebilir Mi ve Nasıl Düşünebilir? Atatürk Üniversitesi – Üniversite Çalışmalarını Muhite Yayma ve Halk Eğitimi Yayınları Konferanslar Serisi No: 1, 1959, Erzurum, s. 91-103.
6. Janiesch C, Zschech P, Heinrich K, Machine learning and deep learning. Electron Mark 2021; 31: 685-695.
7. Domingos PM. A few useful things to know about machine learning. Commun ACM 2012; 55(10): 78-87.
8. Keskinbora K H. Medical ethics considerations on artificial intelligence. J Clin Neurosci 2019; 64: 277-282.

9. Grech V, Cuschieri S & Eldawlatly A. Artificial intelligence in medicine and research - the good, the bad, and the ugly. Suudi J Anaesth 2023; 17(3): 401-406.
10. Anastasia A, Robert C. Artificial intelligence, machine learning and deep learning: Potential resources for the infection clinician. J Infect, 2023; 87 (4): 287-294.
11. Ramesh A N, Kambhampati C, Monson, J R, & Drew, P J. Artificial intelligence in medicine. Ann R Coll Surg Engl 2004; 86(5): 334-338.
12. Domingos PM. A few useful things to know about machine learning. Commun ACM 2012; 55(10): 78-87.
13. Yıldırım O, Pławiak P, Tan R S, Acharya U R. Arrhythmia detection using deep convolutional neural network with long duration ecg signals, Comput Biol Med 2018; 102: 411-420.
14. Zhuge Y, Ning H, Mathen P, Cheng J Y, Krauze A V, Camphausen K, Miller R W. Automated glioma grading on conventional mrı ımages using deep convolutional neural networks. Med Phys 2020; 47 (7): 3044-3053.
15. Swanson K, Liu G, Catacutan D B, Arnold A, Zou J & Stokes J M. Generative aı for designing and validating easily synthesizable and structurally novel antibiotics, Nat Mach Intell 2024; 6(3): 338-353.
16. Camille B, Wengong J, Tommi J, Regina B and Klavs F J. Generative models for molecular discovery: Recent advances and challenges. WIREs Comput Mol Sci 2022; 12(5), e1608.
17. Denecke K and Baudoin C R. A review of Artificial intelligence and robotics in transformed health ecosystems. Front Med 2022; 9, 795957.
18. Ashique S, Mishra N, Mohanto S, Garg A, Taghizadeh-Hesary F, Gowda B H J, Chellappan D K. Application of artificial intelligence (AI) to control COVID-19 pandemic: Current status and future prospects, Heliyon 2024; 10(4), e25754.
19. Gulamali F, Alphafold algorithm predicts COVID-19 protein structures, InfoQ 2020, 2 (4).
20. Arora I, Kummer A, Zhou H, Gadjeva M, Ma E, Chuang Y, Ong E. mtx-COBRA: Subcellular localization prediction for bacterial proteins. Comput Biol Med 2024; 171,108114.
21. Kassania S H, Kassanib P H, Wesolowskic M J, Schneidera K A, Detersa R. Automatic detection of coronavirus disease (COVID-19) in X-ray and CT images: A machine learning based approach. Biocybern Biomed Eng 2021; 41(3): 867-879.
22. Barstugan M, Ozkaya U, Ozturk S. Makine öğrenimi yöntemleriyle BT görüntüleri kullanılarak koronavirüs (COVID-19) sınıflandırması. arXiv ön baskısı 2020; 2003.09424 .
23. Goodman K, Zandi D, Reis A, Vayena E. Balancing risks and benefits of artificial intelligence in the health sector, Bull World Health Organ 2020; 98 (4).
24. Ruffolo J A, Nayfach S, Gallagher J, Bhatnagar A, Beazer J, Hussain R, Russ J, Yip J, Hill E, Pacesa M, Meeske A J, Cameron P, Madani A. Design of highly functional genome editors by modeling the universe of Crıspr-CAS sequences, bioRxiv 2024; (04): 1-35.
25. Wei G X, Zhou Y W, Li Z P, Qiu M. Application of artificial intelligence in the diagnosis, treatment, and recurrence prediction of peritoneal carcinomatosis. Heliyon 2024; 10(7), e29249.
26. Gasiunas G, Young J K, Karvelis T, Kazlauskas D, Urbaitis T, Jasnauskaite M, Grusyte M M, Paulraj S, Wang P H, Hou Z, Siksnys V. A catalogue of biochemically diverse CRISPR-Cas9 orthologs. Nat Commun 2020; 11(1), 5512.
27. Türkiye Yapay Zeka İnisiyatifi.2017.Türkiye.AI-Türkiye Yapay Zeka İnisiyatifi. https://turkiye.ai/portfolio/bilge1074/ (Erişim Tarihi 10.10.2024)