MühendİSLİK
MühendİSLİK VE tIP
ve TIP
Medikal Mühendislik (MM), mühendislik ilke ve tasarım kavramlarını tıp ve biyolojiye/sağlık hizmetleri için uygulamasıdır. Son yıllarda bu alan büyümekte ve bilgisayar bilimi/mühendislik ile tıbbi simülasyon arasında köprü oluşturmakta.
Bir literatür taraması; son derece sofistike simülasyon ekipmanını çalıştırmak için gereken teknoloji uzmanlığı açısından sağlık hizmetleri simülasyonunda bir bilgi boşluğunu ortaya koydu. Buradan yola çıkarak mühendislik ve hemşirelik öğrencileri bir araya getirildi. Mühendislik öğrencilerinin simülasyonu anlamaları ve tıbbi bir simülasyonda yer almak istediklerini ortaya koydu. Birkaç örneği ele alalım;
Bilindiği üzere; Mart 2020’de DSÖ, Covid-19 salgınını küresel bir salgın olarak ilan etti. COVID-19’a neden olan SARS-CoV-2 virüsünün oldukça bulaşıcı doğası, kişiden kişiye bulaşmanın önlenmesini, hastalığın yayılmasını durdurmak için kritik bir mekanizma haline getirmiştir. Kişisel koruyucu ekipmanın (KKD) kullanımı bu nedenle hayati önem taşımaktadır. COVID-19’un hızlı yayılması ve buna bağlı olarak KKD’ye olan talebin artması, tıbbi önlükler de dahil olmak üzere dünya çapında önemli KKD kıtlığına neden oldu. Tıbbi önlükler, enfeksiyonlu bir hastanın vücut sıvılarından kullanıcıya patojenlerin bulaşmasını önlemek için tasarlanmıştır. Bunların, sıçramalardan kaynaklanan kontaminasyonun azaltılmasında apron tarzı kaplamalardan daha üstün olduğu gösterilmiştir. Küresel salgın, talebin artması ve viral bulaşma korumasına uygun geleneksel KKD malzemelerinin kıtlığı, biyopolimer araştırmacılarını (kimya mühendisliği), virologları ve biyomedikal uzmanlarını tıbbi önlükler ve diğer KKD’ler için düşük maliyetli alternatif malzemelerle iş birliği yapmaya ve keşfetmeye yöneltmiştir. Bunun sonucunda ortaya çıkan ekipman; temel malzeme olarak kâğıt, mekanik mukavemeti sağlar ve ince lamine bir polietilen kaplaması, önlüklerin viral koruma seviyesini artırmak için bir bariyer görevi görmektedir. Temel ağırlık, laminant kalınlığı ve bunların kombinasyonlarının kompozit performansı üzerindeki etkileri belirlendi. Kompozitlerin mekanik ve bariyer özellikleri, viral koruması ve sıvı direnci ölçüldü ve sonucun olumlu olduğu bildirildi.
Medikal Mühendislik, kronik yaralar ve gelecekteki beklentiler hakkındaki anlayışımızı nasıl değiştirdi? İyileşmeye doğru ilerleyemeyen kronik yaralar, obezite ile ilgili tüm problemler bir arada ele alındığında, şu anda en önemli, çözülmemiş ve pahalı tıbbi yükler arasında kabul edilmektedir. Basınç ülserleri (PU) ve diyabetik ayak ülserleri (DFU) bu iyileşmesi zor yaraların en önemli kısmını oluşturmaktadır Göreceli olarak yeni bir medikal mühendisliği disiplini olarak mekanobiyolojinin rolü, temel ve uygulamalı kronik yara araştırmaları bağlamında tasvir edilmektedir. Bu tür biyobelirteçlerin klinik kullanıma yönelik fizibilitesini keşfetmek veya test etmek için mekanobiyolojik yaklaşımların ve metodolojilerin mevcudiyeti göz önüne alındığında, erken tespit ve hedeflemeyi önlemeye yönelik fiziksel ve biyokimyasal biyobelirteçler de tartışılmaktadır.
Beyaz kan hücreleri, insan vücudunda kemik iliği tarafından üretilen kanda ve lenf dokusunda bulunmaktadır. Beyaz kan hücreleri, bağışıklık sisteminin önemli bir parçasıdır. Bu hücrelerin en önemli görevi, insan vücudunu yabancı istilacılara ve bulaşıcı hastalıklara karşı korumaktır. Kandaki beyaz kan hücrelerinin sayısı insan vücudu için yeterli olmadığında lökopeniye neden olabilir. Bu durumun bir sonucu olarak insan vücudunun hastalıklara ve hastalıklara karşı direnci azalır. Bu bakımdan insan vücudundaki bu hücrelerin sayısını belirlemek uzmanlık gerektiren bir görevdir. Bu semptomun tespiti ve tedavisi, uzman doktorlar ve radyologlar tarafından yürütülen emek yoğun bir süreçtir. Görüntü işleme teknikleri son zamanlarda biyomedikal sistemlerde çeşitli hastalıkların teşhisi için yaygın olarak kullanılmaktadır. Bu çalışmada, derin öğrenme modellerinin beyaz kan hücreleri sınıflandırmasında sınıflandırma performansının iyileştirilmesi için görüntü işleme tekniklerinin kullanılması amaçlanmıştır. Sınıflandırma sürecini daha verimli bir şekilde gerçekleştirmek için, Konvolüsyonel Sinir Ağı modelleri ile birlikte Maksimal Bilgi Katsayısı ve Ridge özellik seçme yöntemleri kullanılmıştır. Maksimum Bilgi Katsayısı ve Ridge özellik seçim yöntemleri, en alakalı özellikleri çıkarmıştır. Daha sonra bu özellik seti kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Bu çalışmada, özellik çıkarıcı olarak AlexNet, GoogLeNet ve ResNet-50 kullanılmış ve sınıflandırıcı olarak ikinci dereceden diskriminant analizi kullanılmıştır. Sonuç olarak beyaz kan hücrelerinin sınıflandırılmasında genel başarı oranı %97,95 olarak elde edildi. Deneysel sonuçlar, evrişimli sinir ağı modellerinin özellik seçme yöntemleriyle birlikte kullanılmasının, beyaz kan hücresi türlerinin sınıflandırma başarısının artmasına katkıda bulunduğunu göstermiştir.
Yukarıda verilen son örnekte bilgisayar biliminden öğrenme kullanılmış olup, bunun tersi insan vücudundan öğrenme olarak verilebilir (özellikle bağışıklık sistemi). Çoğu sınıflandırma yöntemi, sürekli öğrenme yeteneğinden yoksun olduğu için test aşamasında test verilerini öğrenerek sınıflandırma performansını daha da iyileştiremez. Yeni bir sınıflandırma yöntemi, yapay bağışıklık sistemine (C-CLCM) dayalı sabit boyutlu bellek hücreleri ile sürekli öğrenme sınıflandırma yöntemi önerilmektedir. Biyolojik bağışıklık sisteminin sürekli öğrenme mekanizmasından esinlenmiştir. C-CLCM, test aşamasında özellikle yeni etiketlenmiş veri türleri ve yeni etiketlenmemiş veri türleri olmak üzere test verilerini sürekli olarak öğrenerek sınıflandırma performansını kademeli olarak geliştirir. Aynı anda, mevcut hafıza hücrelerini günceller ve yeni tip hafıza hücrelerini kültür. C-CLCM, belirli koşullar altında ortak bir denetimli öğrenme sınıflandırma yöntemine dönüşür. Performansını ve olası avantajlarını değerlendirmek için, UCI havuzundan iyi bilinen veri kümeleri üzerinde deneyler yapılmıştır. Sonuçlar, C-CLCM’nin ortak bir denetimli öğrenme sınıflandırma yöntemine dönüştüğünde daha iyi sınıflandırma performansına sahip olduğunu göstermektedir.

Örneklerde görüldüğü gibi bu iki alan (tıp ve mühendislik) bir araya geldiklerinde insanlar için çok daha faydalı işler üretirler. Bundan sonraki çalışmalarda bu iki alanı daha iç içe göreceğimiz kesin gözükmektedir.

Medical engineering (ME) is the application of engineering principles and design concepts to medicine and biology for healthcare purposes (Enderle and Bronzino, 2011). In recent years, this field is growing and bridging medical simulation with computer science and engineering.
A literature review revealed a knowledge gap in healthcare simulation for the technical expertise required to operate highly sophisticated simulation equipment. A research was conducted with this motivation, to evaluate engineering students’ understanding of simulation and their interest to attend a program in medical simulation (Pappa et al., 2018). Let’s examine a few examples;
As known; In March 2020, the WHO declared the outbreak of COVID-19 to be a global pandemic. The highly infectious nature of the virus SARS-CoV-2, which causes COVID-19, has made the prevention of person-to-person transmission a critical mechanism to halt the spread of the disease. The use of personal protective equipment (PPE) is therefore vitally important. The rapid spread of COVID-19 and the consequential increase in demand for PPE has resulted in significant worldwide PPE shortages, including medical gowns. Medical gowns are designed to prevent the transmission of pathogens to the wearer from an infected patient’s body fluids. These are superior to apron-style coverings in the reduction of contamination from splashes. The global pandemic, the spike in demand, and the shortage of traditional PPE materials suitable for viral transmission protection have driven biopolymer researchers (chemical engineering), virologists, and biomedical experts to collaborate and explore low-cost alternative materials for medical gowns and other PPE.
Paper as the base material provides the mechanical strength, and a thin laminated coating of polyethylene acts as a barrier to increase the level of viral protection of the gowns. The effects of basis weight, laminate thickness, and combinations on the composite performance were determined. The mechanical and barrier properties, viral protection, and liquid resistance of the composites were quantified (Hossain et al., 2021).
How medical engineering has changed our understanding of chronic wounds and future perspectives. Chronic wounds which fail to progress to healing are currently considered among the most important, unsolved, and expensive medical burdens on the same scale of healthcare cost as all obesity-related problems taken together. Pressure ulcers (PUs) and diabetic foot ulcers (DFUs) make the most significant portion of these hard-to-heal wounds. The role of mechanobiology, as a relatively new medical engineering discipline, is being depicted, in the context of basic and applied chronic wound research. Physical and biochemical biomarkers for early detection and for targeting prevention are also discussed, given the availability of mechanobiological approaches and methodologies to discover or test the feasibility of such biomarkers for clinical use (Gefen, 2019).
White blood cells are in the blood and lymph tissue produced by the bone marrow in the human body. White blood cells are an important part of the immune system. The most important task of these cells is to protect the human body against foreign invaders and infectious diseases. When the number of white blood cells in the blood is not enough for the human body, it can cause leukopenia.
As a result of this situation, the resistance of the human body against infections and diseases decreases. In this respect, determining the number of these cells in the human body is a specialist task. Detection and treatment of this symptom is a labor-intensive process carried out by specialist doctors and radiologists. Image processing techniques have recently been widely used in biomedical systems for the diagnosis of various diseases. This study aimed to use image processing techniques to improve the classification performance of deep learning models in white blood cell classification. To perform the classification process more efficiently, the Maximal Information Coefficient and Ridge feature selection methods were used in conjunction with the Convolutional Neural Network models. The Maximal Information Coefficient and Ridge feature selection methods extracted the most relevant features. Afterward, the classification process was realized by using this feature set. In this study, AlexNet, GoogLeNet, and ResNet-50 were used as feature extractors and quadratic discriminant analysis was used as a classifier. As a result, the overall success rate was obtained as 97.95% in the classification of white blood cells. The experimental results showed that the use of the convolutional neural network models with feature selection methods contributed to improving the classification success of white blood cell types (Toğaçar et al., 2020).
In the last example given above, learning from computer science is used and the opposite can be given as learning from the human body (especially the immune system). Most classification methods cannot further improve their classification performance by learning the testing data during the testing stage, for lacking continual learning ability. A new classification method, a continual learning classification method with constant-sized memory cells based on the artificial immune system (C-CLCM), is proposed. It is inspired by the continual learning mechanism of the biological immune system. C-CLCM gradually enhances its classification performance by continually learning the testing data especially the new types of labeled data and new types of unlabeled data during the testing stage. At the same moment, it updates the existing memory cells and culture new types of memory cells. C-CLCM degenerates into a common supervised learning classification method under certain conditions. To assess its performance and possible advantages, experiments on well-known datasets from the UCI repository were performed. Results show that C-CLCM has better classification performance when it degenerates into a common supervised learning classification method (Li et al., 2021).
As seen in the examples, when these two fields (medicine and engineering) come together, they produce much more beneficial works for people. It is certain that in future studies we will see these two areas more intertwined.