ÖZET

Amaç:

Günümüzde veri bankalarını tahmin edilmeyecek büyüklükte veriler içermektedir. Veri bilimindeki gelişmelerle birlikte büyük veriler hastalıklarının oluşum sebeplerini daha iyi anlama potansiyeli sunmaktadır. Bu potansiyel verilerin işlenmesi, analiz edilmesi veya makine öğrenmesi algoritmaları ile modellenmesi sonucunda ortaya çıkmaktadır. Farklı kurumlarda depolanan çeşitli veri kümeleri gizlilik ve yasal kaygılar nedeniyle her zaman doğrudan paylaşılmamaktadır. Bu sorunda sağlık araştırmalarında büyük verilerin tam olarak kullanılmasını sınırlamaktadır. Federe öğrenme hem yüksek doğruluk hem de veri mahremiyetine göre yapay zekâ sistemlerinin geliştirilmesi amaçlanmaktadır.

Materyal ve Metot:

Bu çalışmada veri mahremiyeti kapsamında kişisel bilgiler paylaşılmadan, herhangi bir veriye erişmek ve makine öğrenmesi uygulamaları geliştirebilmek için federe öğrenme yöntemi önerilmiştir. Öncelikle federe öğrenmeni yapısı incelenmiştir. Daha sonra federe öğrenmesin farklı sağlık uygulamalarındaki makine öğrenmesi modellerine nasıl kullanılması gerektiği belirlenmiştir.

Bulgular:

Federe öğrenmede model, yerel bilgisayarlarda eğitilerek merkezi bir sunucuya güncellemeleri aktarılmaktadır. Yerelden gelen güncellemeler merkezi modeli günceller. Daha sonra güncellenmiş model yerel modellere aktarılır. Bu sayede merkezi model veriyi görmeden eğitilmektedir.

Sonuç:

Sağlıktan elde edilen veriler ile gizliliğin uygulandığı makine öğrenme modellerinin geliştirilmesi gerekir. Bunun için geleneksel makine öğrenme uygulamalarına federe öğrenmenin entegre edilmesi gereklidir. Böylece veri gizliliğin benimsendiği büyük veriler ile yüksek performans elde edilmesi öngörülmektedir.