Python ile H\u0131zl\u0131 T\u0131bbi Rapor Analiz\u00f6r\u00fc Geli\u015ftirme: Dedicated Inference<\/p>\n
T\u0131bbi raporlar\u0131 Python ve NLP ile otomatik analiz edin. Dedicated inference teknikleriyle performans\u0131 art\u0131rarak klinik karar destek sistemlerini g\u00fc\u00e7lendirin. Ad\u0131m ad\u0131m rehber.<\/p>\n
Sa\u011fl\u0131k sekt\u00f6r\u00fc, her ge\u00e7en g\u00fcn artan bir h\u0131zla devasa miktarda veri \u00fcretmektedir. Bu verilerin \u00f6nemli bir k\u0131sm\u0131, doktor notlar\u0131, laboratuvar sonu\u00e7lar\u0131, radyoloji raporlar\u0131 ve epikrizler gibi serbest metin format\u0131ndaki t\u0131bbi raporlardan olu\u015fur. Geleneksel y\u00f6ntemlerle bu raporlar\u0131 manuel olarak incelemek, hem zaman al\u0131c\u0131 hem de insan hatas\u0131na a\u00e7\u0131k bir s\u00fcre\u00e7tir. Bir hekimin g\u00fcnde onlarca, hatta y\u00fczlerce raporu g\u00f6zden ge\u00e7irmesi gerekti\u011finde, kritik bilgilerin g\u00f6zden ka\u00e7mas\u0131 veya verilerin yeterince h\u0131zl\u0131 i\u015flenememesi gibi riskler ortaya \u00e7\u0131kar. Bu durum, te\u015fhis ve tedavi s\u00fcre\u00e7lerinde gecikmelere yol a\u00e7abilir, hasta bak\u0131m kalitesini d\u00fc\u015f\u00fcrebilir ve sa\u011fl\u0131k hizmetlerinin genel verimlili\u011fini olumsuz etkileyebilir.<\/p>\n
\u0130\u015fte tam da bu noktada, yapay zeka ve \u00f6zellikle Do\u011fal Dil \u0130\u015fleme (NLP) teknolojileri devreye girer. T\u0131bbi rapor analiz\u00f6r\u00fc, serbest metin halindeki t\u0131bbi belgeleri otomatik olarak okuyabilen, i\u00e7indeki \u00f6nemli bilgileri (hastal\u0131klar, semptomlar, ila\u00e7lar, tedavi prosed\u00fcrleri, laboratuvar de\u011ferleri vb.) \u00e7\u0131karabilen ve bu verileri yap\u0131land\u0131r\u0131lm\u0131\u015f bir formata d\u00f6n\u00fc\u015ft\u00fcrebilen bir sistemdir. Bu sistemler, hekimlerin i\u015f y\u00fck\u00fcn\u00fc hafifletmekle kalmaz, ayn\u0131 zamanda daha tutarl\u0131, h\u0131zl\u0131 ve kapsaml\u0131 analizler yaparak klinik karar destek sistemlerine de\u011ferli katk\u0131lar sunar. \u00d6rne\u011fin, bir hastan\u0131n ge\u00e7mi\u015f t\u0131bbi raporlar\u0131ndan belirli bir ilaca kar\u015f\u0131 alerjisi olup olmad\u0131\u011f\u0131n\u0131 an\u0131nda tespit etmek veya benzer semptomlara sahip hastalar\u0131n tedavi yan\u0131tlar\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak, otomatik analiz sayesinde m\u00fcmk\u00fcn hale gelir. Bu da hem bireysel hasta y\u00f6netimini hem de pop\u00fclasyon bazl\u0131 sa\u011fl\u0131k ara\u015ft\u0131rmalar\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde geli\u015ftirir. Ayr\u0131ca, t\u0131bbi raporlar\u0131n otomatik analizi, sa\u011fl\u0131k kurumlar\u0131n\u0131n operasyonel verimlili\u011fini art\u0131rarak maliyet tasarrufu sa\u011flamalar\u0131na ve kaynaklar\u0131 daha etkin kullanmalar\u0131na yard\u0131mc\u0131 olur. Python, zengin k\u00fct\u00fcphane ekosistemi (NLTK, spaCy, Transformers) ve makine \u00f6\u011frenimi yetenekleri sayesinde bu t\u00fcr bir analiz\u00f6r\u00fcn geli\u015ftirilmesi i\u00e7in ideal bir platform sunar. Bu makalede, Python kullanarak t\u0131bbi rapor analiz\u00f6r\u00fc nas\u0131l olu\u015fturulur ve bu sistemlerin performans\u0131n\u0131 art\u0131rmak i\u00e7in dedicated inference teknikleri nas\u0131l uygulan\u0131r, ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
T\u0131bbi rapor analiz\u00f6r\u00fc in\u015fa ederken kar\u015f\u0131la\u015faca\u011f\u0131m\u0131z \u00fc\u00e7 temel kavram\u0131 derinlemesine anlamak, projenin ba\u015far\u0131l\u0131 olmas\u0131 i\u00e7in kritik \u00f6neme sahiptir. Bu kavramlar: Do\u011fal Dil \u0130\u015fleme (NLP), Makine \u00d6\u011frenimi (ML) ve \u00c7\u0131kar\u0131m (Inference) veya di\u011fer ad\u0131yla \u00e7\u0131kar\u0131m s\u00fcreci.<\/p>\n
Do\u011fal Dil \u0130\u015fleme (NLP), bilgisayarlar\u0131n insan dilini anlamas\u0131n\u0131, yorumlamas\u0131n\u0131 ve \u00fcretmesini sa\u011flayan bir yapay zeka dal\u0131d\u0131r. T\u0131bbi raporlar, doktorlar\u0131n kendi aralar\u0131nda veya hastalarla ileti\u015fim kurarken kulland\u0131klar\u0131 do\u011fal dilin bir yans\u0131mas\u0131d\u0131r. Bu metinler genellikle karma\u015f\u0131k terminoloji, k\u0131saltmalar ve serbest formda ifadeler i\u00e7erir. NLP teknikleri sayesinde, bilgisayarlar bu metinleri anlamland\u0131rabilir, i\u00e7indeki \u00f6nemli varl\u0131klar\u0131 (\u00f6rne\u011fin, “diyabet”, “anjin”, “parasetamol”) tan\u0131yabilir ve c\u00fcmlelerin genel anlam\u0131n\u0131 kavrayabilir. NLP’nin temel ad\u0131mlar\u0131 aras\u0131nda \u015funlar bulunur:<\/p>\n
T\u0131bbi rapor analiz\u00f6rleri i\u00e7in NLP, ham metin verisini yap\u0131land\u0131r\u0131lm\u0131\u015f ve makine taraf\u0131ndan i\u015flenebilir bilgiye d\u00f6n\u00fc\u015ft\u00fcrmenin temel ta\u015f\u0131d\u0131r. Bu sayede, “hasta 3 g\u00fcn \u00f6nce kar\u0131n a\u011fr\u0131s\u0131 \u015fikayetiyle ba\u015fvurdu” gibi bir c\u00fcmleden “semptom: kar\u0131n a\u011fr\u0131s\u0131”, “ba\u015flang\u0131\u00e7 zaman\u0131: 3 g\u00fcn \u00f6nce” gibi bilgileri otomatik olarak \u00e7\u0131karabiliriz.<\/p>\n
Makine \u00d6\u011frenimi (ML), bilgisayarlar\u0131n a\u00e7\u0131k\u00e7a programlanmadan verilerden \u00f6\u011frenmesini sa\u011flayan algoritmalar ve istatistiksel modellerin geli\u015ftirilmesine odaklanan bir yapay zeka alan\u0131d\u0131r. T\u0131bbi rapor analiz\u00f6rlerinde ML, NLP’den gelen yap\u0131land\u0131r\u0131lm\u0131\u015f verileri kullanarak belirli g\u00f6revleri yerine getirmek i\u00e7in kullan\u0131l\u0131r. \u00d6rne\u011fin:<\/p>\n
ML modelleri, b\u00fcy\u00fck miktarda etiketlenmi\u015f t\u0131bbi veri \u00fczerinde e\u011fitilir. \u00d6rne\u011fin, binlerce kanser raporu ve kanser olmayan raporla e\u011fitilmi\u015f bir model, yeni bir raporun kanser riski ta\u015f\u0131y\u0131p ta\u015f\u0131mad\u0131\u011f\u0131n\u0131 tahmin edebilir. Son y\u0131llarda, derin \u00f6\u011frenme (deep learning) modelleri, \u00f6zellikle Transformer tabanl\u0131 modeller (BERT, ClinicalBERT), t\u0131bbi metin analizi alan\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7m\u0131\u015ft\u0131r. Bu modeller, ba\u011flam\u0131 daha iyi anlayarak daha do\u011fru varl\u0131k tan\u0131ma ve metin s\u0131n\u0131fland\u0131rma yetenekleri sunar.<\/p>\n
\u00c7\u0131kar\u0131m (Inference), e\u011fitilmi\u015f bir makine \u00f6\u011frenimi modelinin yeni, daha \u00f6nce g\u00f6rmedi\u011fi veriler \u00fczerinde tahminler veya kararlar \u00fcretme s\u00fcrecidir. Bir t\u0131bbi rapor analiz\u00f6r\u00fcnde, bu, yeni bir raporun sisteme girdi olarak verilmesi ve modelin bu raporu analiz ederek ilgili t\u0131bbi bilgileri \u00e7\u0131karmas\u0131 veya bir te\u015fhis \u00f6nermesi anlam\u0131na gelir. \u00c7\u0131kar\u0131m s\u00fcreci, modelin e\u011fitim s\u00fcrecinden farkl\u0131d\u0131r; e\u011fitimde modelin a\u011f\u0131rl\u0131klar\u0131 ayarlan\u0131rken, \u00e7\u0131kar\u0131mda bu a\u011f\u0131rl\u0131klar sabit kal\u0131r ve sadece tahmin yap\u0131l\u0131r.<\/p>\n
Dedicated Inference (\u00d6zel \u00c7\u0131kar\u0131m)<\/strong> ise, \u00e7\u0131kar\u0131m s\u00fcrecini belirli bir donan\u0131m veya yaz\u0131l\u0131m ortam\u0131nda optimize etmeye odaklan\u0131r. T\u0131bbi uygulamalarda h\u0131z, do\u011fruluk ve g\u00fcvenilirlik kritik oldu\u011fundan, modellerin d\u00fc\u015f\u00fck gecikme s\u00fcresiyle ve y\u00fcksek verimlilikle \u00e7al\u0131\u015fmas\u0131 beklenir. Dedicated inference, bu hedeflere ula\u015fmak i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu, genellikle \u015funlar\u0131 i\u00e7erir:<\/p>\n Dedicated inference sayesinde, bir t\u0131bbi rapor analiz\u00f6r\u00fc saniyeler i\u00e7inde binlerce raporu i\u015fleyebilir, bu da acil durumlarda veya b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken hayati \u00f6nem ta\u015f\u0131r. Bu, sadece performans\u0131 art\u0131rmakla kalmaz, ayn\u0131 zamanda enerji t\u00fcketimini ve operasyonel maliyetleri de d\u00fc\u015f\u00fcrebilir.<\/p>\n Etkili bir t\u0131bbi rapor analiz\u00f6r\u00fc geli\u015ftirmek i\u00e7in sa\u011flam bir mimari tasar\u0131ma sahip olmak esast\u0131r. Bu tasar\u0131m, sistemin farkl\u0131 bile\u015fenlerinin nas\u0131l etkile\u015fimde bulundu\u011funu ve verinin hangi a\u015famalardan ge\u00e7erek anlaml\u0131 bilgiye d\u00f6n\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc tan\u0131mlar. Genel olarak, bir t\u0131bbi rapor analiz\u00f6r\u00fc \u015fu ana a\u015famalardan olu\u015fur:<\/p>\n Bu mimari, mod\u00fcler bir yakla\u015f\u0131m sunar. Her bile\u015fen ba\u011f\u0131ms\u0131z olarak geli\u015ftirilebilir, test edilebilir ve \u00f6l\u00e7eklenebilir. \u00d6zellikle dedicated inference katman\u0131, y\u00fcksek performans gerektiren ortamlarda sistemin genel yan\u0131t s\u00fcresini ve i\u015fleme kapasitesini do\u011frudan etkiler. \u00d6rne\u011fin, bir hastanenin acil servisinde h\u0131zl\u0131 te\u015fhis deste\u011fi sa\u011flamak i\u00e7in bu katman\u0131n \u00e7ok iyi optimize edilmi\u015f olmas\u0131 gerekir. Python, bu mimarinin her katman\u0131n\u0131 desteklemek i\u00e7in zengin k\u00fct\u00fcphaneler ve \u00e7er\u00e7eveler sunar, bu da geli\u015ftirme s\u00fcrecini kolayla\u015ft\u0131r\u0131r ve h\u0131zland\u0131r\u0131r.<\/p>\n T\u0131bbi rapor analiz\u00f6r\u00fcn\u00fcn ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde girdi verisinin kalitesine ve do\u011fru \u015fekilde haz\u0131rlanmas\u0131na ba\u011fl\u0131d\u0131r. Ham t\u0131bbi metinler genellikle g\u00fcr\u00fclt\u00fcl\u00fc, yap\u0131land\u0131r\u0131lmam\u0131\u015f ve tutars\u0131z olabilir. Bu nedenle, veriyi anlaml\u0131 bilgilere d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in kapsaml\u0131 bir haz\u0131rl\u0131k ve \u00f6n i\u015fleme a\u015famas\u0131 gereklidir.<\/p>\n E\u011fer t\u0131bbi raporlar\u0131n\u0131z taranm\u0131\u015f g\u00f6r\u00fcnt\u00fcler veya PDF’ler \u015feklinde ise, ilk ad\u0131m Optik Karakter Tan\u0131ma (OCR) teknolojisi kullanarak bu belgelerden metin \u00e7\u0131karmakt\u0131r. Tesseract (Python i\u00e7in PyTesseract k\u00fct\u00fcphanesi) veya Google Cloud Vision API gibi ara\u00e7lar bu ama\u00e7la kullan\u0131labilir. OCR’\u0131n do\u011frulu\u011fu, raporun kalitesine (el yaz\u0131s\u0131 m\u0131, bas\u0131l\u0131 m\u0131, \u00e7\u00f6z\u00fcn\u00fcrl\u00fck) ba\u011fl\u0131 olarak de\u011fi\u015febilir. Kaliteli bir OCR \u00e7\u0131kt\u0131s\u0131, sonraki NLP ad\u0131mlar\u0131 i\u00e7in hayati \u00f6nem ta\u015f\u0131r.<\/p>\n OCR’dan veya do\u011frudan metin dosyalar\u0131ndan elde edilen veriler genellikle \u00f6zel karakterler, anlams\u0131z semboller, say\u0131sal g\u00fcr\u00fclt\u00fcler veya hatal\u0131 bi\u00e7imlendirmeler i\u00e7erebilir. Bu g\u00fcr\u00fclt\u00fcy\u00fc gidermek i\u00e7in \u015fu ad\u0131mlar uygulan\u0131r:<\/p>\n \u00d6rnek bir metin temizleme fonksiyonu:<\/p>\n Temizlenmi\u015f metin, kelimelere veya alt kelimelere (token’lara) ayr\u0131l\u0131r. Bu i\u015flem, metni daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir birimlere b\u00f6ler. Ard\u0131ndan, “ve”, “bir”, “ile” gibi yayg\u0131n ve genellikle anlams\u0131z olan “durma kelimeleri” (stop words) filtrelenir. Ancak t\u0131bbi metinlerde, baz\u0131 durma kelimeleri (\u00f6rne\u011fin, “yok”, “de\u011fil”) olumsuzlamay\u0131 ifade etti\u011fi i\u00e7in dikkatli bir \u015fekilde ele al\u0131nmal\u0131d\u0131r.<\/p>\n Bu teknikler, kelimelerin farkl\u0131 \u00e7ekimlerini veya t\u00fcrevlerini tek bir temel forma indirgemeyi ama\u00e7lar. Lemmatizasyon, kelimenin s\u00f6zl\u00fckteki temel halini (lemma) bulurken, k\u00f6k bulma daha basit, kural tabanl\u0131 bir yakla\u015f\u0131mla kelimenin k\u00f6k\u00fcn\u00fc \u00e7\u0131kar\u0131r. Lemmatizasyon genellikle daha do\u011fru sonu\u00e7lar verir ve t\u0131bbi terminolojide tutarl\u0131l\u0131k sa\u011flamak i\u00e7in tercih edilir.<\/p>\n Modern NLP’de, \u00f6zellikle derin \u00f6\u011frenme modelleriyle \u00e7al\u0131\u015f\u0131rken, kelime embedding’leri (Word2Vec, GloVe, FastText) veya ba\u011flamsal embedding’ler (BERT, ClinicalBERT) kullan\u0131l\u0131r. Bu embedding’ler, kelimelerin anlamsal ve sentaktik ili\u015fkilerini say\u0131sal vekt\u00f6rler olarak temsil eder. Bu vekt\u00f6rler, modelin kelimeler aras\u0131ndaki ili\u015fkileri daha iyi anlamas\u0131na yard\u0131mc\u0131 olur ve NER gibi g\u00f6revlerde y\u00fcksek do\u011fruluk sa\u011flar.<\/p>\n Veri haz\u0131rl\u0131\u011f\u0131 ve \u00f6n i\u015fleme, t\u0131bbi rapor analiz\u00f6r\u00fcn\u00fcn temelini olu\u015fturur. Bu ad\u0131mlar ne kadar titizlikle yap\u0131l\u0131rsa, sonraki makine \u00f6\u011frenimi modelleri de o kadar do\u011fru ve g\u00fcvenilir sonu\u00e7lar \u00fcretecektir. T\u0131bbi metinlerin karma\u015f\u0131kl\u0131\u011f\u0131 g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, bu a\u015famalarda alan bilgisi ve dikkatli m\u00fchendislik uygulamalar\u0131 hayati \u00f6neme sahiptir.<\/p>\n T\u0131bbi rapor analiz\u00f6r\u00fc i\u00e7in do\u011fru modeli se\u00e7mek ve e\u011fitmek, sistemin ba\u015far\u0131s\u0131n\u0131 do\u011frudan etkileyen kritik bir ad\u0131md\u0131r. T\u0131bbi metinlerin kendine \u00f6zg\u00fc yap\u0131s\u0131, terminolojisi ve hassasiyeti nedeniyle genel NLP modelleri yerine, t\u0131bbi alana \u00f6zel olarak tasarlanm\u0131\u015f veya uyarlanm\u0131\u015f modellere ihtiya\u00e7 duyulur.<\/p>\n T\u0131bbi metin analizi i\u00e7in \u00e7e\u015fitli model t\u00fcrleri kullan\u0131labilir:<\/p>\n G\u00fcn\u00fcm\u00fczde, t\u0131bbi rapor analiz\u00f6rleri i\u00e7in genellikle Transformer tabanl\u0131 modeller tercih edilmektedir \u00e7\u00fcnk\u00fc bu modeller, karma\u015f\u0131k t\u0131bbi terminolojiyi ve ba\u011flam\u0131 anlama konusunda \u00fcst\u00fcn yeteneklere sahiptir. \u00d6zellikle Hugging Face’in Transformers k\u00fct\u00fcphanesi, \u00f6nceden e\u011fitilmi\u015f bir\u00e7ok t\u0131bbi modeli kolayca kullanmam\u0131z\u0131 sa\u011flar.<\/p>\n Model e\u011fitimi i\u00e7in en kritik fakt\u00f6rlerden biri, y\u00fcksek kaliteli ve yeterli miktarda etiketlenmi\u015f e\u011fitim verisidir. T\u0131bbi alanda bu, \u00f6zellikle zorlu bir s\u00fcre\u00e7tir \u00e7\u00fcnk\u00fc:<\/p>\n E\u011fitim verisi, modelin \u00f6\u011frenece\u011fi kal\u0131plar\u0131 ve ili\u015fkileri i\u00e7erir. \u00d6rne\u011fin, bir NER modeli e\u011fitmek i\u00e7in, t\u0131bbi raporlardaki her bir kelimenin “hastal\u0131k”, “ila\u00e7”, “semptom” gibi etiketlerle i\u015faretlenmesi gerekir. Bu, “Biyolojik Varl\u0131k Etiketleme” (BIO tagging) format\u0131nda yap\u0131labilir.<\/p>\n E\u011fitim s\u00fcreci genellikle \u015fu ad\u0131mlar\u0131 i\u00e7erir:<\/p>\n T\u0131bbi alanda do\u011fruluk hayati \u00f6nem ta\u015f\u0131d\u0131\u011f\u0131ndan, modelin performans\u0131 y\u00fcksek olmal\u0131 ve klinik olarak anlaml\u0131 hatalar yapmamal\u0131d\u0131r. Bu nedenle, modelin yaln\u0131zca istatistiksel metriklerle de\u011fil, ayn\u0131 zamanda klinik uzmanlar taraf\u0131ndan da de\u011ferlendirilmesi \u00f6nemlidir. Do\u011fru model se\u00e7imi ve titiz bir e\u011fitim s\u00fcreci, t\u0131bbi rapor analiz\u00f6r\u00fcn\u00fcn g\u00fcvenilir ve etkili olmas\u0131n\u0131 sa\u011flar.<\/p>\n \u015eimdiye kadar teorik altyap\u0131y\u0131 ve mimariyi ele ald\u0131k. Art\u0131k Python ile t\u0131bbi rapor analiz\u00f6r\u00fcn\u00fc nas\u0131l hayata ge\u00e7irebilece\u011fimize odaklanal\u0131m. Bu b\u00f6l\u00fcmde, gerekli k\u00fct\u00fcphanelerin kurulumundan ba\u015flayarak, metin \u00f6n i\u015fleme, t\u0131bbi varl\u0131k tan\u0131ma ve model \u00e7\u0131kar\u0131m\u0131na kadar ad\u0131m ad\u0131m bir uygulama \u00f6rne\u011fi sunaca\u011f\u0131z.<\/p>\n \u0130lk olarak, projemiz i\u00e7in gerekli Python k\u00fct\u00fcphanelerini kurmal\u0131y\u0131z. Bu k\u00fct\u00fcphaneler aras\u0131nda metin i\u015fleme i\u00e7in \u00d6nceki b\u00f6l\u00fcmde bahsetti\u011fimiz metin temizleme, tokenizasyon ve lemmatizasyon ad\u0131mlar\u0131n\u0131 uygulayacak fonksiyonlar\u0131 olu\u015ftural\u0131m. Bu fonksiyonlar, ham t\u0131bbi metni NLP modelleri i\u00e7in uygun bir formata getirecektir.<\/p>\n T\u0131bbi raporlardaki kritik bilgileri (hastal\u0131klar, semptomlar, ila\u00e7lar vb.) \u00e7\u0131karmak i\u00e7in Named Entity Recognition (NER) modelini kullanaca\u011f\u0131z. Hugging Face’in Dedicated inference k\u0131sm\u0131na gelince, modelin h\u0131zl\u0131 ve verimli \u00e7al\u0131\u015fmas\u0131 i\u00e7in optimizasyonlar devreye girer. Transformers k\u00fct\u00fcphanesi, modelleri do\u011frudan y\u00fckleyip \u00e7\u0131kar\u0131m yapman\u0131za olanak tan\u0131r. Ancak, daha y\u00fcksek performans i\u00e7in ONNX Runtime veya TorchScript gibi ara\u00e7larla model optimizasyonu yapabiliriz.<\/p>\n Bu \u00f6rnekte, do\u011frudan PyTorch ile y\u00fcklenen bir modelin \u00e7\u0131kar\u0131m\u0131n\u0131 g\u00f6sterece\u011fiz. Ger\u00e7ek bir dedicated inference ortam\u0131nda, modelin ONNX format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi ve ONNX Runtime ile \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131 daha yayg\u0131n bir yakla\u015f\u0131md\u0131r.<\/p>\n Modelden gelen sonu\u00e7lar genellikle ham bir formatta olur. Bu sonu\u00e7lar\u0131 anlaml\u0131 ve yap\u0131land\u0131r\u0131lm\u0131\u015f bir \u00e7\u0131kt\u0131ya d\u00f6n\u00fc\u015ft\u00fcrmek, analiz\u00f6r\u00fcn kullan\u0131labilirli\u011fi a\u00e7\u0131s\u0131ndan kritiktir. \u00c7\u0131kt\u0131, JSON, XML veya bir veritaban\u0131 kayd\u0131 \u015feklinde olabilir.<\/p>\n Bu ad\u0131mlar, Python ile bir t\u0131bbi rapor analiz\u00f6r\u00fcn\u00fcn temelini olu\u015fturur. Ger\u00e7ek bir \u00fcretim ortam\u0131nda, bu ad\u0131mlar daha karma\u015f\u0131k hale gelecek ve hata y\u00f6netimi, \u00f6l\u00e7eklenebilirlik ve g\u00fcvenlik gibi ek konular\u0131 da i\u00e7erecektir.<\/p>\n T\u0131bbi rapor analiz\u00f6rlerinin canl\u0131 sistemlerde (\u00fcretim ortamlar\u0131nda) y\u00fcksek performansla \u00e7al\u0131\u015fmas\u0131, \u00f6zellikle de ger\u00e7ek zamanl\u0131 veya y\u00fcksek hacimli veri i\u015fleme gerektiren durumlarda hayati \u00f6nem ta\u015f\u0131r. \u0130\u015fte bu noktada “Dedicated Inference” kavram\u0131 devreye girer. Dedicated inference, e\u011fitilmi\u015f ML modellerinin tahminler \u00fcretme (\u00e7\u0131kar\u0131m) s\u00fcrecini optimize etmek i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015f ortamlar ve teknikler kullan\u0131lmas\u0131 anlam\u0131na gelir.<\/p>\n Dedicated inference’\u0131n temel ama\u00e7lar\u0131 \u015funlard\u0131r:<\/p>\n Modelleri daha verimli hale getirmek i\u00e7in \u00e7e\u015fitli optimizasyon teknikleri kullan\u0131l\u0131r:<\/p>\n Optimize edilmi\u015f modellerin \u00e7al\u0131\u015ft\u0131r\u0131laca\u011f\u0131 ortamlar da performans a\u00e7\u0131s\u0131ndan \u00f6nemlidir:<\/p>\n Python, bu optimizasyon ve da\u011f\u0131t\u0131m ara\u00e7lar\u0131n\u0131n \u00e7o\u011fuyla entegrasyon i\u00e7in zengin API’ler sunar. \u00d6rne\u011fin, PyTorch modellerini ONNX’e d\u00f6n\u00fc\u015ft\u00fcrmek veya Docker konteynerleri olu\u015fturmak Python betikleriyle kolayca yap\u0131labilir. Dedicated inference, t\u0131bbi rapor analiz\u00f6rlerinin sadece bir ara\u015ft\u0131rma projesi olmaktan \u00e7\u0131k\u0131p, ger\u00e7ek d\u00fcnya klinik uygulamalar\u0131nda g\u00fcvenilir ve etkili ara\u00e7lar haline gelmesini sa\u011flar.<\/p>\n \u015eimdiye kadar \u00f6\u011frendiklerimizi somutla\u015ft\u0131rmak i\u00e7in ger\u00e7ek bir d\u00fcnya senaryosunu ele alal\u0131m: Kardiyoloji b\u00f6l\u00fcm\u00fcnde \u00fcretilen ekokardiyografi (eko) raporlar\u0131nda kritik anomalileri ve bulgular\u0131 otomatik olarak tespit etmek. Bu t\u00fcr raporlar, kalp fonksiyonu, kapak\u00e7\u0131k durumu, ejeksiyon fraksiyonu gibi hayati bilgileri i\u00e7erir ve manuel olarak incelenmeleri hem zaman al\u0131c\u0131 hem de uzmanl\u0131k gerektiren bir i\u015ftir.<\/p>\n Bir hastanenin kardiyoloji b\u00f6l\u00fcm\u00fc, g\u00fcnde y\u00fczlerce ekokardiyografi raporu \u00fcretmektedir. Bu raporlar, genellikle serbest metin format\u0131nda yaz\u0131l\u0131r ve a\u015fa\u011f\u0131daki gibi bilgiler i\u00e7erebilir:<\/p>\n Hekimler, bu raporlar\u0131 h\u0131zl\u0131ca g\u00f6zden ge\u00e7irerek kritik bulgular\u0131 (\u00f6rne\u011fin, d\u00fc\u015f\u00fck ejeksiyon fraksiyonu, orta\/\u015fiddetli kapak yetmezlikleri) tespit etmeli ve uygun tedavi kararlar\u0131n\u0131 vermelidir. Manuel s\u00fcre\u00e7te, \u00f6nemli bir bulgunun g\u00f6zden ka\u00e7mas\u0131 veya ge\u00e7 fark edilmesi, hastan\u0131n durumu i\u00e7in ciddi sonu\u00e7lar do\u011furabilir.<\/p>\n Geli\u015ftirdi\u011fimiz Python tabanl\u0131 t\u0131bbi rapor analiz\u00f6r\u00fc, bu ekokardiyografi raporlar\u0131n\u0131 otomatik olarak i\u015fleyerek a\u015fa\u011f\u0131daki g\u00f6revleri yerine getirir:<\/p>\n \u00d6rne\u011fin, “Sol ventrik\u00fcl ejeksiyon fraksiyonu (LVEF) %35 olarak \u00f6l\u00e7\u00fcld\u00fc.” c\u00fcmlesinden model, “Sol ventrik\u00fcl” (Anatomik Yap\u0131), “ejeksiyon fraksiyonu” (Parametre), “%35” (De\u011fer) varl\u0131klar\u0131n\u0131 \u00e7\u0131kar\u0131r.<\/p>\n<\/li>\n Bu s\u0131n\u0131fland\u0131rma, raporun genel aciliyetini veya dikkat gerektiren bir durum olup olmad\u0131\u011f\u0131n\u0131 belirleyebilir.<\/p>\n<\/li>\n Bu senaryoda dedicated inference’\u0131n \u00f6nemi b\u00fcy\u00fckt\u00fcr. Y\u00fczlerce raporun h\u0131zl\u0131ca i\u015flenmesi gerekti\u011finde:<\/p>\n Bu vaka analizi, Python ve dedicated inference teknikleriyle geli\u015ftirilen bir t\u0131bbi rapor analiz\u00f6r\u00fcn\u00fcn, sa\u011fl\u0131k sekt\u00f6r\u00fcnde nas\u0131l somut ve de\u011ferli katk\u0131lar sa\u011flayabilece\u011fini a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Bu t\u00fcr sistemler, sadece hekimlerin i\u015f y\u00fck\u00fcn\u00fc azaltmakla kalmaz, ayn\u0131 zamanda hasta bak\u0131m\u0131n\u0131 daha g\u00fcvenli ve etkili hale getirir.<\/p>\n Bu makalede, Python kullanarak nas\u0131l bir t\u0131bbi rapor analiz\u00f6r\u00fc olu\u015fturulabilece\u011fini ve dedicated inference teknikleriyle bu sistemlerin performans\u0131n\u0131n nas\u0131l optimize edilece\u011fini ayr\u0131nt\u0131l\u0131 bir \u015fekilde inceledik. G\u00f6rd\u00fc\u011f\u00fcm\u00fcz gibi, Do\u011fal Dil \u0130\u015fleme (NLP) ve Makine \u00d6\u011frenimi (ML) teknolojileri, sa\u011fl\u0131k sekt\u00f6r\u00fcndeki devasa ve yap\u0131land\u0131r\u0131lmam\u0131\u015f metin verilerini anlaml\u0131, kullan\u0131labilir bilgilere d\u00f6n\u00fc\u015ft\u00fcrme potansiyeline sahiptir. T\u0131bbi raporlar\u0131n otomatik analizi, manuel s\u00fcre\u00e7lerin getirdi\u011fi zaman kayb\u0131n\u0131, insan hatas\u0131 riskini ve operasyonel verimsizlikleri ortadan kald\u0131rarak, klinik karar destek sistemlerini g\u00fc\u00e7lendirir ve hasta bak\u0131m kalitesini y\u00fckseltir.<\/p>\n Python’\u0131n zengin k\u00fct\u00fcphane ekosistemi (spaCy, Transformers, PyTorch), metin \u00f6n i\u015fleme, varl\u0131k tan\u0131ma, metin s\u0131n\u0131fland\u0131rma ve model \u00e7\u0131kar\u0131m\u0131 gibi her a\u015famada g\u00fc\u00e7l\u00fc ara\u00e7lar sunar. \u00d6zellikle ClinicalBERT gibi t\u0131bbi alana \u00f6zel olarak e\u011fitilmi\u015f Transformer tabanl\u0131 modeller, karma\u015f\u0131k t\u0131bbi terminolojiyi anlama ve do\u011fru \u00e7\u0131kar\u0131mlar yapma konusunda ola\u011fan\u00fcst\u00fc yetenekler sergiler. Dedicated inference teknikleri (kuantizasyon, model format\u0131 d\u00f6n\u00fc\u015ft\u00fcrme, GPU h\u0131zland\u0131rma, konteynerle\u015ftirme), bu modellerin ger\u00e7ek d\u00fcnya klinik ortamlar\u0131nda ihtiya\u00e7 duyulan d\u00fc\u015f\u00fck gecikme s\u00fcresi ve y\u00fcksek verimle \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Kardiyoloji raporlar\u0131nda anomali tespiti gibi vaka analizleri, bu teknolojilerin somut faydalar\u0131n\u0131 net bir \u015fekilde ortaya koymaktad\u0131r.<\/p>\n Gelece\u011fe bakt\u0131\u011f\u0131m\u0131zda, t\u0131bbi rapor analiz\u00f6rlerinin yetenekleri daha da geli\u015fecektir. Multimodal yapay zeka yakla\u015f\u0131mlar\u0131, metin raporlar\u0131n\u0131 radyoloji g\u00f6r\u00fcnt\u00fcleri veya laboratuvar sonu\u00e7lar\u0131 gibi di\u011fer veri t\u00fcrleriyle birle\u015ftirerek daha kapsaml\u0131 te\u015fhis ve tedavi \u00f6nerileri sunabilir. A\u00e7\u0131klanabilir Yapay Zeka (XAI) teknikleri, modellerin neden belirli bir sonuca ula\u015ft\u0131\u011f\u0131n\u0131 hekimlere a\u00e7\u0131klayarak g\u00fcveni ve kabul\u00fc art\u0131racakt\u0131r. Etik konular, veri gizlili\u011fi ve algoritmik \u00f6nyarg\u0131lar\u0131n y\u00f6netimi, bu sistemlerin yayg\u0131nla\u015fmas\u0131nda kritik rol oynayacakt\u0131r. T\u0131bbi rapor analiz\u00f6rleri, yapay zekan\u0131n sa\u011fl\u0131kta devrim yaratma potansiyelinin parlak bir \u00f6rne\u011fidir ve gelecekteki sa\u011fl\u0131k hizmetlerinin ayr\u0131lmaz bir par\u00e7as\u0131 olmaya adayd\u0131r.<\/p>\n\n
Mimari Tasar\u0131m: T\u0131bbi Rapor Analiz\u00f6r\u00fc Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n
\n
\n
Veri Haz\u0131rl\u0131\u011f\u0131 ve \u00d6n \u0130\u015fleme: Ham Veriden Anlaml\u0131 Bilgiye Nas\u0131l Ula\u015f\u0131l\u0131r?<\/h3>\n
OCR ile Metin \u00c7\u0131karma (Gerekliyse)<\/h4>\n
Metin Temizleme ve Normalizasyon<\/h4>\n
\n
\nimport re\n\ndef metin_temizle(metin):\n metin = metin.lower() # K\u00fc\u00e7\u00fck harfe d\u00f6n\u00fc\u015ft\u00fcr\n metin = re.sub(r'[^a-z0-9\u011f\u00fc\u015f\u00f6\u00e7\u0130\u0131\\s]', '', metin) # \u00d6zel karakterleri kald\u0131r (T\u00fcrk\u00e7e karakterler dahil)\n metin = re.sub(r'\\s+', ' ', metin).strip() # Fazla bo\u015fluklar\u0131 kald\u0131r\n return metin\n\nrapor_metni = \"Hasta, 3 g\u00fcn \u00f6nce #y\u00fcksek ate\u015f ve \u00f6ks\u00fcr\u00fck \u015fikayetiyle ba\u015fvurdu. Kan tahlili: CRP 12 mg\/L.\"\ntemiz_metin = metin_temizle(rapor_metni)\nprint(temiz_metin) # \u00c7\u0131kt\u0131: hasta 3 g\u00fcn \u00f6nce y\u00fcksek ate\u015f ve \u00f6ks\u00fcr\u00fck \u015fikayetiyle ba\u015fvurdu kan tahlili crp 12 mgl\n<\/code><\/pre>\nTokenizasyon ve Durma Kelimeleri<\/h4>\n
\nimport spacy\n\n# T\u00fcrk\u00e7e i\u00e7in spaCy modeli y\u00fckleme\n# python -m spacy download tr_core_news_sm\nnlp = spacy.load(\"tr_core_news_sm\")\n\ndef tokenizasyon_ve_stop_word_filtreleme(metin):\n doc = nlp(metin)\n tokens = [token.text for token in doc if not token.is_stop and not token.is_punct]\n return tokens\n\ntemiz_metin = \"hasta 3 g\u00fcn \u00f6nce y\u00fcksek ate\u015f ve \u00f6ks\u00fcr\u00fck \u015fikayetiyle ba\u015fvurdu kan tahlili crp 12 mgl\"\ntokens = tokenizasyon_ve_stop_word_filtreleme(temiz_metin)\nprint(tokens) # \u00c7\u0131kt\u0131: ['hasta', '3', 'g\u00fcn', '\u00f6nce', 'y\u00fcksek', 'ate\u015f', '\u00f6ks\u00fcr\u00fck', '\u015fikayetiyle', 'ba\u015fvurdu', 'kan', 'tahlili', 'crp', '12', 'mgl']\n<\/code><\/pre>\nK\u00f6k Bulma (Stemming) ve Lemmatizasyon<\/h4>\n
\ndef lemmatizasyon(metin):\n doc = nlp(metin)\n lemmas = [token.lemma_ for token in doc if not token.is_stop and not token.is_punct]\n return lemmas\n\ntemiz_metin = \"hasta 3 g\u00fcn \u00f6nce y\u00fcksek ate\u015f ve \u00f6ks\u00fcr\u00fck \u015fikayetiyle ba\u015fvurdu kan tahlili crp 12 mgl\"\nlemmas = lemmatizasyon(temiz_metin)\nprint(lemmas) # \u00c7\u0131kt\u0131: ['hasta', '3', 'g\u00fcn', '\u00f6nce', 'y\u00fcksek', 'ate\u015f', '\u00f6ks\u00fcr\u00fck', '\u015fikayet', 'ba\u015fvur', 'kan', 'tahlil', 'crp', '12', 'mgl']\n<\/code><\/pre>\nVarl\u0131k Tan\u0131ma (Named Entity Recognition – NER) i\u00e7in \u00d6zellik \u00c7\u0131kar\u0131m\u0131<\/h4>\n
Model Se\u00e7imi ve E\u011fitimi: Do\u011fru Te\u015fhise Giden Yol<\/h3>\n
Model T\u00fcrleri: Gelenekselden Derin \u00d6\u011frenmeye<\/h4>\n
\n
\n
E\u011fitim Verisi: Kalite ve Miktar<\/h4>\n
\n
Model E\u011fitimi S\u00fcreci<\/h4>\n
\n
Python ile Uygulama Ad\u0131mlar\u0131: Kodu Hayata Ge\u00e7irmek<\/h2>\n
Ad\u0131m 1: Gerekli K\u00fct\u00fcphanelerin Kurulumu<\/h3>\n
spaCy<\/code>, derin \u00f6\u011frenme modelleri ve \u00f6zellikle Transformer tabanl\u0131 modeller i\u00e7in transformers<\/code> (Hugging Face), ve genel makine \u00f6\u011frenimi ara\u00e7lar\u0131 i\u00e7in scikit-learn<\/code> (e\u011fer geleneksel ML kullanacaksan\u0131z) yer alacakt\u0131r. Ayr\u0131ca, say\u0131sal i\u015flemler i\u00e7in numpy<\/code> ve veri manip\u00fclasyonu i\u00e7in pandas<\/code> da faydal\u0131 olacakt\u0131r.<\/p>\n\npip install spacy transformers torch numpy pandas\npython -m spacy download tr_core_news_sm # T\u00fcrk\u00e7e modeli indir\n<\/code><\/pre>\ntorch<\/code> k\u00fct\u00fcphanesi, Hugging Face Transformers’\u0131n derin \u00f6\u011frenme modellerini \u00e7al\u0131\u015ft\u0131rmak i\u00e7in gereklidir.<\/p>\nAd\u0131m 2: Metin \u00d6n \u0130\u015fleme Fonksiyonlar\u0131<\/h3>\n
\nimport re\nimport spacy\n\n# spaCy T\u00fcrk\u00e7e modelini y\u00fckle\nnlp = spacy.load(\"tr_core_news_sm\")\n\ndef metin_temizle(metin):\n \"\"\"Metni k\u00fc\u00e7\u00fck harfe d\u00f6n\u00fc\u015ft\u00fcr\u00fcr, \u00f6zel karakterleri ve fazla bo\u015fluklar\u0131 temizler.\"\"\"\n metin = metin.lower()\n # T\u0131bbi metinlerde say\u0131lar\u0131n ve baz\u0131 \u00f6zel karakterlerin (\u00f6rn. \/, -, %) korunmas\u0131 gerekebilir.\n # Bu \u00f6rnekte basitle\u015ftirilmi\u015f bir temizleme yap\u0131lm\u0131\u015ft\u0131r.\n metin = re.sub(r'[^a-z0-9\u011f\u00fc\u015f\u00f6\u00e7\u0130\u0131\\s\\.,-\/%]', '', metin) # Say\u0131lar\u0131 ve baz\u0131 sembolleri koru\n metin = re.sub(r'\\s+', ' ', metin).strip()\n return metin\n\ndef metin_tokenizasyon_ve_lemmatizasyon(metin):\n \"\"\"Metni token'lara ay\u0131r\u0131r ve lemmatizasyon uygular, durma kelimelerini ve noktalama i\u015faretlerini filtreler.\"\"\"\n doc = nlp(metin)\n # T\u0131bbi metinlerde baz\u0131 durma kelimeleri (\u00f6rn. 'yok', 'de\u011fil') \u00f6nemli olabilir, dikkatli filtreleyin.\n tokens = [token.lemma_ for token in doc if not token.is_stop and not token.is_punct]\n return tokens\n\n# \u00d6rnek kullan\u0131m\nrapor_metni = \"Hasta, 45 ya\u015f\u0131nda erkek. Son 3 g\u00fcnd\u00fcr y\u00fcksek ate\u015f, \u00f6ks\u00fcr\u00fck ve nefes darl\u0131\u011f\u0131 \u015fikayetleri ile acil servise ba\u015fvurdu. Akci\u011fer grafisi normal s\u0131n\u0131rlarda. COVID-19 testi negatif.\"\ntemiz_metin = metin_temizle(rapor_metni)\nprint(f\"Temiz Metin: {temiz_metin}\")\nlemmatize_tokens = metin_tokenizasyon_ve_lemmatizasyon(temiz_metin)\nprint(f\"Lemmatize Edilmi\u015f Tokenler: {lemmatize_tokens}\")\n<\/code><\/pre>\nAd\u0131m 3: T\u0131bbi Varl\u0131k Tan\u0131ma (NER) i\u00e7in Transformers Kullan\u0131m\u0131<\/h3>\n
transformers<\/code> k\u00fct\u00fcphanesi, bu t\u00fcr g\u00f6revler i\u00e7in \u00f6nceden e\u011fitilmi\u015f bir\u00e7ok modeli bar\u0131nd\u0131r\u0131r. \u00d6zellikle ClinicalBERT veya BioBERT gibi modeller t\u0131bbi metinler i\u00e7in \u00e7ok uygundur. Bu \u00f6rnekte, genel bir BERT tabanl\u0131 modelin NER pipeline’\u0131n\u0131 kullanarak nas\u0131l varl\u0131k tan\u0131yabilece\u011fimizi g\u00f6sterece\u011fiz. Ger\u00e7ek bir t\u0131bbi uygulama i\u00e7in, t\u0131bbi verilere \u00f6zel olarak ince ayar yap\u0131lm\u0131\u015f bir model kullanman\u0131z \u015fiddetle tavsiye edilir.<\/p>\n\nfrom transformers import pipeline\n\n# T\u00fcrk\u00e7e i\u00e7in uygun bir NER modeli bulmak zor olabilir.\n# Bu \u00f6rnekte genel bir \u0130ngilizce NER modeli kullan\u0131lm\u0131\u015ft\u0131r,\n# ancak T\u00fcrk\u00e7e t\u0131bbi NER i\u00e7in kendi modelinizi e\u011fitmeniz veya\n# T\u00fcrk\u00e7e'ye uyarlanm\u0131\u015f bir modeli bulman\u0131z gerekecektir.\n# \"dslim\/bert-base-NER\" gibi modeller genel varl\u0131klar i\u00e7in kullan\u0131labilir.\n# T\u00fcrk\u00e7e t\u0131bbi NER i\u00e7in \"dbmdz\/bert-base-turkish-cased\" modeli \u00fczerine fine-tuning yap\u0131labilir.\n\n# \u00d6rnek olarak \u0130ngilizce bir NER modeli kullanal\u0131m (T\u00fcrk\u00e7e i\u00e7in uyarlaman\u0131z gerekecektir)\n# E\u011fer T\u00fcrk\u00e7e bir modeliniz varsa, model_ad\u0131 de\u011fi\u015fkenini onunla de\u011fi\u015ftirin.\n# \u00d6rne\u011fin: \"savasy\/turkish-ner\" veya kendi fine-tuned modeliniz\ntry:\n ner_pipeline = pipeline(\"ner\", model=\"dslim\/bert-base-NER\", tokenizer=\"dslim\/bert-base-NER\")\nexcept Exception as e:\n print(f\"NER modelini y\u00fcklerken hata olu\u015ftu: {e}\")\n print(\"L\u00fctfen uygun bir NER modeli se\u00e7ti\u011finizden ve internet ba\u011flant\u0131n\u0131z oldu\u011fundan emin olun.\")\n ner_pipeline = None\n\nif ner_pipeline:\n rapor_metni_ner = \"Hasta, 45 ya\u015f\u0131nda erkek. Son 3 g\u00fcnd\u00fcr y\u00fcksek ate\u015f, \u00f6ks\u00fcr\u00fck ve nefes darl\u0131\u011f\u0131 \u015fikayetleri ile acil servise ba\u015fvurdu. Akci\u011fer grafisi normal s\u0131n\u0131rlarda. COVID-19 testi negatif.\"\n \n # T\u00fcrk\u00e7e metni \u0130ngilizce NER modeline vermeden \u00f6nce dikkatli olun.\n # Bu sadece bir g\u00f6sterimdir. Ger\u00e7ek uygulamada T\u00fcrk\u00e7e NER modeli kullan\u0131lmal\u0131d\u0131r.\n \n # Basit bir \u00f6rnek i\u00e7in, metni do\u011frudan pipeline'a verelim.\n # Ger\u00e7ek t\u0131bbi NER i\u00e7in, t\u0131bbi varl\u0131klar\u0131 (hastal\u0131k, semptom, ila\u00e7) tan\u0131yabilen bir model gereklidir.\n \n # \u00d6rnek olarak, metindeki baz\u0131 kelimeleri \u0130ngilizce kar\u015f\u0131l\u0131klar\u0131yla de\u011fi\u015ftirelim\n # veya T\u00fcrk\u00e7e metinle \u00e7al\u0131\u015fabilen bir model kulland\u0131\u011f\u0131m\u0131z\u0131 varsayal\u0131m.\n # \u015eu anki \"dslim\/bert-base-NER\" modeli T\u00fcrk\u00e7e'yi iyi anlamayacakt\u0131r.\n # Ancak yine de nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 g\u00f6stermek i\u00e7in \u00f6rnek yapal\u0131m.\n \n # E\u011fer T\u00fcrk\u00e7e bir NER modeliniz varsa, a\u015fa\u011f\u0131daki gibi kullanabilirsiniz:\n # ner_pipeline_tr = pipeline(\"ner\", model=\"your_turkish_ner_model\", tokenizer=\"your_turkish_ner_tokenizer\")\n # entities = ner_pipeline_tr(rapor_metni_ner)\n\n # Genel \u0130ngilizce model ile deneme (sadece yap\u0131sal g\u00f6sterim ama\u00e7l\u0131)\n entities = ner_pipeline(rapor_metni_ner)\n \n print(\"\\nTan\u0131nan Varl\u0131klar:\")\n for entity in entities:\n print(f\" Varl\u0131k: {entity['word']}, Etiket: {entity['entity']}, G\u00fcven: {entity['score']:.2f}\")\n\n # Daha iyi bir yakla\u015f\u0131m i\u00e7in, ClinicalBERT gibi bir modelin fine-tuning'i gerekir.\n # \u00d6rne\u011fin, bir ClinicalBERT modelini Hugging Face'den y\u00fckleyip, t\u0131bbi NER i\u00e7in ince ayar yapabilirsiniz:\n # from transformers import AutoTokenizer, AutoModelForTokenClassification\n # tokenizer = AutoTokenizer.from_pretrained(\"emilyalsentzer\/Bio_ClinicalBERT\")\n # model = AutoModelForTokenClassification.from_pretrained(\"emilyalsentzer\/Bio_ClinicalBERT\")\n # nlp_clinical = pipeline(\"ner\", model=model, tokenizer=tokenizer)\n # entities_clinical = nlp_clinical(\"Patient has severe headache and takes Paracetamol.\")\n # Ancak bu model de \u0130ngilizce'dir. T\u00fcrk\u00e7e i\u00e7in benzer bir \u00f6nceden e\u011fitilmi\u015f model bulmak veya e\u011fitmek gerekir.\n<\/code><\/pre>\nAd\u0131m 4: Model Y\u00fckleme ve \u00c7\u0131kar\u0131m (Inference)<\/h3>\n
\nfrom transformers import AutoTokenizer, AutoModelForSequenceClassification\nimport torch\n\n# \u00d6rnek olarak, bir metin s\u0131n\u0131fland\u0131rma modeli y\u00fckleyelim (\u00f6rn: raporun aciliyetini belirleme)\n# T\u00fcrk\u00e7e bir model bulmak zor olabilir, bu y\u00fczden yine genel bir \u0130ngilizce model \u00f6rne\u011fi kullanal\u0131m.\n# \"nlptown\/bert-base-multilingual-uncased-sentiment\" gibi \u00e7ok dilli modeller T\u00fcrk\u00e7e'yi bir nebze anlayabilir.\n# Ancak t\u0131bbi s\u0131n\u0131fland\u0131rma i\u00e7in \u00f6zel bir model gereklidir.\n\nmodel_name = \"nlptown\/bert-base-multilingual-uncased-sentiment\"\ntokenizer = AutoTokenizer.from_pretrained(model_name)\nmodel = AutoModelForSequenceClassification.from_pretrained(model_name)\n\n# Modeli de\u011ferlendirme moduna al\nmodel.eval()\n\n# Dedicated inference i\u00e7in GPU kullan\u0131m\u0131 (varsa)\ndevice = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\nmodel.to(device)\nprint(f\"Model \u00e7al\u0131\u015f\u0131yor: {device} \u00fczerinde.\")\n\ndef rapor_siniflandir(rapor_metni):\n \"\"\"Verilen t\u0131bbi raporu s\u0131n\u0131fland\u0131r\u0131r (\u00f6rne\u011fin aciliyet veya genel durum).\"\"\"\n inputs = tokenizer(rapor_metni, return_tensors=\"pt\", truncation=True, padding=True, max_length=512)\n inputs = {k: v.to(device) for k, v in inputs.items()} # Giri\u015fleri do\u011fru cihaza ta\u015f\u0131\n\n with torch.no_grad(): # \u00c7\u0131kar\u0131m s\u0131ras\u0131nda gradyan hesaplamalar\u0131n\u0131 devre d\u0131\u015f\u0131 b\u0131rak\n outputs = model(**inputs)\n \n predictions = torch.softmax(outputs.logits, dim=1)\n # Modelin \u00e7\u0131kt\u0131 etiketlerini anlamak i\u00e7in model.config.id2label'a bakmak gerekir.\n # Bu \u00f6rnek model 5 s\u0131n\u0131f d\u00f6nd\u00fcr\u00fcr (1 y\u0131ld\u0131zdan 5 y\u0131ld\u0131za duygu analizi).\n # T\u0131bbi s\u0131n\u0131fland\u0131rmada \"acil\", \"kritik\", \"stabil\" gibi etiketleriniz olur.\n \n # En y\u00fcksek olas\u0131l\u0131\u011fa sahip s\u0131n\u0131f\u0131 ve olas\u0131l\u0131\u011f\u0131n\u0131 bul\n predicted_class_id = predictions.argmax(dim=1).item()\n predicted_score = predictions.max(dim=1).item()\n \n # Etiketleri modelin config'inden al\n label = model.config.id2label[predicted_class_id]\n \n return label, predicted_score\n\n# \u00d6rnek t\u0131bbi raporlar\nrapor_1 = \"Hasta genel durumu iyi, vital bulgular\u0131 stabil. Rutin kontrol i\u00e7in geldi.\"\nrapor_2 = \"Akut miyokard enfarkt\u00fcs\u00fc \u015f\u00fcphesiyle acil olarak hastaneye kald\u0131r\u0131ld\u0131. Durumu kritik.\"\nrapor_3 = \"Diyabet kontrol alt\u0131nda, ila\u00e7lar\u0131 d\u00fczenli kullan\u0131yor.\"\n\nlabel_1, score_1 = rapor_siniflandir(rapor_1)\nlabel_2, score_2 = rapor_siniflandir(rapor_2)\nlabel_3, score_3 = rapor_siniflandir(rapor_3)\n\nprint(f\"\\nRapor 1 ('{rapor_1[:50]}...'): Etiket: {label_1}, G\u00fcven: {score_1:.2f}\")\nprint(f\"Rapor 2 ('{rapor_2[:50]}...'): Etiket: {label_2}, G\u00fcven: {score_2:.2f}\")\nprint(f\"Rapor 3 ('{rapor_3[:50]}...'): Etiket: {label_3}, G\u00fcven: {score_3:.2f}\")\n\n<\/code><\/pre>\nAd\u0131m 5: Sonu\u00e7lar\u0131n Yap\u0131land\u0131r\u0131lmas\u0131 ve Sunumu<\/h3>\n
\ndef sonuclari_yapilandir(rapor_metni, ner_entities, classification_label, classification_score):\n \"\"\"Analiz sonu\u00e7lar\u0131n\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f bir s\u00f6zl\u00fck (JSON benzeri) olarak d\u00f6nd\u00fcr\u00fcr.\"\"\"\n yapilandirilmis_sonuc = {\n \"orijinal_rapor\": rapor_metni,\n \"analiz_tarihi\": \"2023-10-27\", # Dinamik olarak belirlenebilir\n \"varliklar\": [],\n \"siniflandirma\": {\n \"etiket\": classification_label,\n \"guven_skoru\": classification_score\n }\n }\n\n for entity in ner_entities:\n yapilandirilmis_sonuc[\"varliklar\"].append({\n \"kelime\": entity['word'],\n \"tip\": entity['entity'],\n \"baslangic_indeksi\": entity['start'],\n \"bitis_indeksi\": entity['end'],\n \"guven\": entity['score']\n })\n \n return yapilandirilmis_sonuc\n\n# \u00d6rnek kullan\u0131m (\u00f6nceki ad\u0131mlardan gelen verilerle)\n# ner_entities, rapor_siniflandir fonksiyonundan gelen etiket ve skoru kullanarak\n# Bu k\u0131s\u0131mda, \u00f6nceki ad\u0131mlarda elde edilen verileri birle\u015ftirerek \u00f6rnek bir \u00e7\u0131kt\u0131 olu\u015fturulur.\n# Ger\u00e7ek bir uygulamada, ner_pipeline'dan gelen 'entities' listesi kullan\u0131lacakt\u0131r.\n\n# \u00d6rnek NER \u00e7\u0131kt\u0131s\u0131 (sadece g\u00f6sterim ama\u00e7l\u0131, ger\u00e7ek model \u00e7\u0131kt\u0131s\u0131 farkl\u0131 olabilir)\nsample_ner_entities = [\n {'word': 'Hasta', 'entity': 'B-PER', 'score': 0.99, 'start': 0, 'end': 5},\n {'word': '45', 'entity': 'B-AGE', 'score': 0.95, 'start': 7, 'end': 9},\n {'word': 'y\u00fcksek', 'entity': 'B-SYMPTOM', 'score': 0.98, 'start': 30, 'end': 36},\n {'word': 'ate\u015f', 'entity': 'I-SYMPTOM', 'score': 0.97, 'start': 37, 'end': 41},\n {'word': '\u00f6ks\u00fcr\u00fck', 'entity': 'B-SYMPTOM', 'score': 0.96, 'start': 43, 'end': 50},\n {'word': 'nefes', 'entity': 'B-SYMPTOM', 'score': 0.95, 'start': 53, 'end': 58},\n {'word': 'darl\u0131\u011f\u0131', 'entity': 'I-SYMPTOM', 'score': 0.94, 'start': 59, 'end': 66},\n {'word': 'COVID-19', 'entity': 'B-DISEASE', 'score': 0.99, 'start': 113, 'end': 121},\n {'word': 'negatif', 'entity': 'O', 'score': 0.99, 'start': 127, 'end': 134} # O: Other (di\u011fer)\n]\n\n# \u00d6rnek rapor_1 i\u00e7in\nyapilandirilmis_sonuc_1 = sonuclari_yapilandir(\n rapor_1,\n [], # Bu \u00f6rnekte NER \u00e7\u0131kt\u0131s\u0131 bo\u015f b\u0131rak\u0131ld\u0131, ger\u00e7ekte modelden gelen kullan\u0131lmal\u0131\n label_1,\n score_1\n)\nimport json\nprint(\"\\nYap\u0131land\u0131r\u0131lm\u0131\u015f Sonu\u00e7 (Rapor 1):\")\nprint(json.dumps(yapilandirilmis_sonuc_1, indent=2, ensure_ascii=False))\n\n# Ger\u00e7ek bir senaryoda, ner_pipeline'dan gelen 'entities' listesini kullanmal\u0131s\u0131n\u0131z:\n# if ner_pipeline:\n# actual_ner_entities = ner_pipeline(rapor_metni_ner)\n# yapilandirilmis_sonuc_gercek = sonuclari_yapilandir(\n# rapor_metni_ner,\n# actual_ner_entities,\n# label_x, # uygun s\u0131n\u0131fland\u0131rma etiketi\n# score_x # uygun s\u0131n\u0131fland\u0131rma skoru\n# )\n# print(json.dumps(yapilandirilmis_sonuc_gercek, indent=2, ensure_ascii=False))\n<\/code><\/pre>\nDedicated Inference Ortamlar\u0131 ve Optimizasyonlar\u0131<\/h3>\n
Neden Dedicated Inference?<\/h4>\n
\n
Dedicated Inference i\u00e7in Optimizasyon Teknikleri<\/h4>\n
\n
\n
Dedicated Inference Ortamlar\u0131 ve Da\u011f\u0131t\u0131m Stratejileri<\/h4>\n
\n
\n
Ger\u00e7ek D\u00fcnya Vaka Analizi: Kardiyoloji Raporlar\u0131nda Anomali Tespiti<\/h2>\n
Vaka Senaryosu:<\/h4>\n
\n
T\u0131bbi Rapor Analiz\u00f6r\u00fcn\u00fcn Rol\u00fc:<\/h4>\n
\n
\n
\n
Dedicated Inference ile Performans Art\u0131\u015f\u0131:<\/h4>\n
\n
Faydalar\u0131:<\/h4>\n
\n
Sonu\u00e7 ve Gelecek Perspektifleri<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n