Graf Sinir Ağlarına Dayalı Tıbbi Yapay Zekada Yasal Bilgi Grafikleri Oluşturma ve Yanlılığı İzleme

Jun Yu

doi:10.3791/72648

Araştırma makalesi

Graf Sinir Ağlarına Dayalı Tıbbi Yapay Zekada Yasal Bilgi Grafikleri Oluşturma ve Yanlılığı İzleme

28 görüntülenme

⸱

DOI:

10.3791/72648

⸱

15 Eylül 2026

Jun Yu¹

¹College of Aviation Security, Civil Aviation Flight University of China

Bu makalede

Özet

Hukuki metin parçalanması ve tıbbi yapay zeka (AI) yanlılık izleme sorunlarını ele alan bu çalışma, bir hukuki bilgi grafiği oluşturmakta ve semantik hizalama için ilişki farkındalıklı graf konvolüsyonu kullanmaktadır. Gradyan tabanlı geri yayılım aracılığıyla yanlı kaynakları tespit eden çalışma, uyumlu bir tıbbi yapay zeka uygulamasını destekleyen olumlu deneysel metrikler sunmaktadır.

Özet

Tıbbi yapay zeka (YZ) yasal uyum analizinde bu makale, çok kaynaklı heterojen yasal metinlerin anlamsal parçalanmışlığı ve algoritmik yanlılıkların izlenmesindeki zorlukların neden olduğu sorumluluk belirleme belirsizliğini ele almaktadır. Çalışmada, çizge sinir ağlarına dayalı bir bilgi grafiği oluşturma ve yanlılık yayılım yolu tespit yöntemi kurgulanmıştır. Dört tip heterojen düğüm —yasal maddeler, tıbbi davranışlar, algoritma modülleri ve sorumlu taraflar— yapılandırılıp kodlanmış ve dört tip yasal anlamsal ilişkiye dayalı bir yönlü çizge oluşturulmuştur: "ihlal", "temel", "tetikleyici"ve "atıf"Ardından, çapraz modal hukuk semantiği için çok katmanlı özellik hizalaması sağlamak amacıyla, kenar tipiye özel ağırlıklar ve bir dikkat mekanizması ile birleştirilmiş, ilişki farkındalıklı bir grafik evrişimli ağ kullanılır. Daha sonra, yanlılığa önemli ölçüde katkıda bulunan kenarları belirlemek, bir yanlılık yayılım alt grafiği oluşturmak ve kök düğüm kümelerini konumlandırmak için topluluk keşfi kullanmak amacıyla gradyan tabanlı geri yayılım uygulanır. Son olarak, gerçek zamanlı karar akışları geçici düğümlere eşlenir, uyumluluk gömme benzerliği ile doğrulanır ve sistemik yanlılık birikimine karşı uyarmak için temel kenar ağırlıklarının dinamikleri izlenir. Deneyler, semantik hizalama doğruluğu açısından, önerilen yöntemin farklı bilgi grafiği yoğunluk gradyanlarında en az 0,92 ortalama varlık hizalama doğruluğu ve en az 0,8 ortalama ilişki koruma tamlığı sağladığını göstermektedir. Yanlılık yerelleştirme kapasitesi bakımından ise kök düğüm geri çağırma oranı 0,95'e ulaşmaktadır.±±0,02'dir ve yayılım yolu hassasiyeti 0,93'e ulaşır±±0.03. Bu araştırma, belirli bir ölçüde, hukuki mantık ile algoritmik davranış arasında derin bir etkileşim sağlayarak tıbbi yapay zekanın güvenilir bir şekilde konuşlandırılması için açıklanabilir ve doğrulanabilir bir uyumluluk destek sistemi sunmaktadır.

Giriş

Tıbbi yapay zekanın tanı ve tedavi desteği, kaynak tahsisi ve risk değerlendirmesine derinlemesine katılımı, karar verme süreçlerini yasal sorumluluk varsayımına bağlamıştır¹^,². Yasal normlar oldukça yapılandırılmış ancak anlamsal olarak dağıtık durumdadır ve yapay zeka sistemlerinin davranışları, ikisi arasında anlamsal olarak hizalanabilir ve izlenebilir bir arayüz olmaksızın "kara kutu" şeklinde olabilir³. Bu bağlamda, algoritmik davranış dizileri içindeki yasal nedensel zincirleri yakalayan ortak bir temsil çerçevesi geliştirmek, sorumluluğun ayrıntılı bir şekilde atfedilmesi ve dinamik uyumluluğun gerçekleştirilmesi için gerekli bir kolaylaştırıcı olarak ortaya çıkmıştır⁴^,⁵. Bu çalışma sadece teknoloji sistemlerinin yasal olarak test edilmesiyle ilgili değil, aynı zamanda tıbbi hakkaniyetin, algoritmik adaletin ve kurumsal güvenin derinlemesine sürdürülmesini de kapsamakta olup, bu nedenle büyük teorik öneme ve pratik aciliyete sahiptir.

Günümüzde tıbbi yapay zekanın yasal uygunluk analizindeki temel sorun, yasal semantik ile algoritmik davranış arasında hesaplanabilir bir bağlantı yapısının bulunmamasıdır⁶^,⁷. Yasal belgeler düz metin olarak sunulmaktadır ve paragraflar arasındaki ilişkiler bağımlılıklar, çatışmalar ve istisnalarla içe geçmiştir; bu durum, belgelerin makineler tarafından yorumlanabilecek mantıksal birimlere ayrılmasında sorunlara yol açmaktadır⁸^,⁹. Yapay zeka sisteminin karar verme süreci veri odaklı bir kara kutu içinde kapsüllenmiş olduğundan, çıktı varyasyonlarının hiçbiri yasal görevlerdeki belirli ihlallere veya sorumluluk paylaşım düğümlerine izlenememektedir¹⁰^,¹. Bu tür kopukluklar (örneğin, eğitim verisi yanlılığı, model tasarım hataları veya yasal normların semantik yorumu), yanlılığın kaynağını belirlemek veya geliştiriciler, uygulayıcılar veya kullanıcılar için yasal görevleri netleştirmek amacıyla deneysel olarak izole edilememektedir¹²^,¹³. Daha da sorunlu olanı, mevcut uygunluk prosedürlerinin, "huk-teknoloji" etkileşim ağındaki yanlılığın yayılma yolunu veya güçlenmesini dikkate almadan, yalnızca nihai çıktının sabit bir spesifikasyonu karşılayıp karşılamadığını kontrol etmesidir¹⁴^,¹⁵. Tıbbi yapay zeka eş zamanlı olarak birden fazla yasal hükme tabi olduğunda ve sistem bir maddenin yanlış yorumlanması nedeniyle bir hata zinciri oluşturduğunda, geleneksel yaklaşımlar hatanın diğer ilgili hükümler aracılığıyla nasıl yayıldığını ve ardından sorumluluğa nasıl ulaştığını izleyememektedir¹⁶^,¹⁷. Ek olarak, gerçek zamanlı karar akışı ile mevcut hukuk bilgi grafiği arasında dinamik bir korelasyon mekanizmasının eksikliği, sistem çalışması sırasında uygunluk değerlendirmesinin gecikmesine neden olmakta ve böylece yanlılık birikim eğiliminin proaktif olarak izlenmesini engellemektedir¹⁸^,¹⁹. Tüm bu sorunlar birlikte; sorumluluk tespitinde belirsizliğe, kırılgan atıflara ve gecikmiş düzenleyici müdahalelere yol açarak, yüksek riskli sağlık hizmetleri yapay zeka sistemlerinin güvenilir şekilde konuşlandırılmasını ve yasal hesap verebilirliğin uygulanmasını önemli ölçüde engellemektedir.

Hepsinden önemlisi, geleneksel araştırmalar yasal metinleri yapılandırılmış bir formda inceler ve uyumluluk soruları ile yanıtlarını veya risk bildirimlerini desteklemek amacıyla ontolojiler veya kurallar ile belirli alanların bilgi tabanlarını oluşturur²⁰^,²¹. Bu yaklaşımlar bazı yasal kavramların temsillerini yakalayabilse de, hukukun iç mantığını tutarlı ve statik varsayma eğilimindedirler; bu da yargı yetki alanları arasındaki tutarsızlıklar, istisnalar veya belirsiz ifadelerle başa çıkmayı zorlaştırır. Sonraki çalışmalar, yasal varlıkları ve ilişkileri çıkarmak için önceden eğitilmiş dil modellerini kullanan doğal dil işleme teknolojisini getirerek bilgi çıkarım kapsamının genişliğini artırmıştır²^,²³, ancak yine de yüzeysel bir semantik düzeyde kalmış ve yasal davranışlar ile teknik davranışlar arasında bir eşleme arayüzü kurmayı başaramamıştır. Algoritmik yanlılık yönetimi açısından araştırmalar çoğunlukla hakkaniyet kısıtlamalarının tasarımına odaklanmıştır²⁴^,²⁵ ve bunun değerlendirme göstergeleri genellikle demografik değişkenlere dayalıdır, bu da yasal atıf ilkeleriyle uyum eksikliğine yol açmaktadır. Hatta bazı çalışmalar yasal kuralları kısıtlamalar olarak kodlamayı ve bunları model eğitimine yerleştirmeyi denemiştir²⁶^,²⁷, ancak kural ifadesinin katılığı ve kaba granülaritesi nedeniyle, bu yaklaşımların karmaşık klinik durumlara uyarlanması zordur. Genel olarak, mevcut çalışmalar yasal uyumluluğu, sistem mimarisinin içsel ve hesaplanabilir bir özelliği yerine harici bir doğrulama görevi olarak ele almaktadır. Bu durum, yasal mantık ve algoritmik mantığın paralel çalışmasına neden olmakta, yanlılık yayılım yolları üzerinde ortak akıl yürütmeyi ve dinamik müdahaleyi desteklememektedir.

Son yıllarda, ilişkisel yapıları açıkça modelleme yetenekleri nedeniyle graf sinir ağları tıp alanına kademeli olarak dahil edilmiştir²⁸^,²⁹. Bazı çalışmalar; içtihatları, yasal hükümleri ve taraf bilgilerini entegre etmek için heterojen graflar kullanarak düğüm gömmeleri aracılığıyla dava önerilerini veya ceza öngörülerini desteklemekte³⁰^,³¹, böylece graf yapılarının hukuki bağlantıları yakalamadaki etkinliğini doğrulamaktadır. Diğer çalışmalar ise hata yayılımını izlemek için kenarları veri akışlarını veya çağrı ilişkilerini temsil edecek şekilde kullanarak algoritmik bileşenleri graf düğümleri olarak soyutlamaktadır³²^,³. Bu keşifler, graf yapılarının hukuki ve teknolojik unsurların ortak bir taşıyıcısı olarak hizmet edebileceğini göstermektedir. Ancak mevcut graf modelleri genellikle üç sınırlamadan muzdariptir: birincisi, tek bir kenar ilişkisi türüyle sınırlı olduklarından, hukuki semantikteki normatif, nedensel ve atıfsal farklılıkları ayırt edememektedirler; ikincisi, özellik toplama süreci kenar türlerinin semantik ağırlıklarını göz ardı etmekte ve bu durum farklı hukuki mantık yollarının eşit şekilde ele alınmasına yol açmaktadır; üçüncüsü ise yanlılık yayılımı için türevlenebilir bir izleme mekanizmasından yoksun olduklarından, yüksek katkılı kenarların konumlandırılması ve sorumluluk yollarının yeniden oluşturulması imkansız hale gelmektedir. Bu makale, her bir hukuki semantik kenar türüne özel bir dönüşüm matrisi atayarak ve türler arası bilgi akışını dinamik olarak ayarlamak için bir dikkat mekanizması getirerek semantik heterojenite füzyonu sorununu çözen ilişki duyarlı bir graf evrişimli ağ oluşturmaktadır. Ayrıca, gradyan geri yayılımı ve alt graf çıkarımını birleştirerek, yalnızca statik akıl yürütmeyi destekleyen geleneksel graf modellerinin darboğazını aşmakta ve makro düzeydeki uyumluluk yargısından mikro düzeydeki yanlılık izlemeye yorumlanabilir bir geçiş sağlamaktadır.

Tıbbi alanın ötesinde, graf tabanlı ve evrimsel yöntemlerdeki son gelişmeler, yapılandırılmış bilgi işlemeye yönelik geniş bir uygulanabilirlik göstermiştir. Örneğin, Xue ve ark., ontoloji eşleştirmede adaptif benzerlik öznitelik inşası için çok katmanlı hibrit bir genetik programlama yaklaşımı önermiş ve heterojen bilgi grafları arasında sağlam bir hizalama sağlamıştır³⁴. Cheng ve ark., görüntü restorasyonunda graf konvolüsyonel ağ uygulamalarına ilişkin kapsamlı bir inceleme sunarak gürültü giderme, süper çözünürlük ve bulanıklık giderme yöntemlerini sistematik olarak kategorize etmiştir³⁵. Li ve ark., otomatik makine öğrenimi perspektifinden evrimsel derin öğrenme üzerine; ilkeleri, algoritmaları, uygulamaları ve açık zorlukları kapsayan detaylı bir inceleme sunmuştur³⁶. Ma ve ark., belirsizlik altında hata tanıma için bulanık bir sinirsel mimari arama çerçevesi geliştirmiş ve evrimsel aramanın belirsiz verileri işlemedeki etkinliğini kanıtlamıştır³⁷. Bu çalışmalar, karmaşık karar verme görevleri için graf yapılandırmalı temsillerin ve evrimsel optimizasyonun entegrasyon potansiyelini vurgulamaktadır.

Bu makalenin temel amacı, üç düzeyde inovasyonla tıbbi yapay zekanın yasal uyumluluk analizi için uçtan uca yorumlanabilir bir çerçeve oluşturmaktır. Bilgi temsili düzeyinde; yasal maddeleri, tıbbi uygulamaları, algoritma modüllerini ve sorumlu tarafları dört tip heterojen düğüm olarak modelleyen ilk çalışmadır. Yasal uygulamalara dayanarak; "ihlal", "dayanak", "tetikleyici" ve "atıf" olmak üzere dört tip yönlendirilmiş ilişki çıkararak, yasal nedensel mantığa sahip yönlendirilmiş bir bilgi grafiği oluşturmakta ve uyumluluk analizi için yapılandırılmış bir semantik temel sağlamaktadır. Yanlılığın kaynak izleme aşamasında ise, gradyan hassasiyetine dayalı bir kenar katkısı nicelleştirme yöntemi önermektedir. Geri yayılım yoluyla çıktı yanlılığını maksimize eden kenar kümesini belirlemekte, ardından yüksek katkılı düğümleri kümelemek için bir topluluk keşif algoritması uygulayarak "kara kutu yanlılığını" "beyaz kutu sorumluluk kümelerine" dönüştürmekte ve böylece atıf işlemini işletilebilir bir kanıt zincirine dayandırmaktadır. Gerçek zamanlı dinamik izleme düzeyinde ise, gerçek zamanlı yapay zeka çıktılarını bilgi grafiği uzayına eşleyen geçici bir karar-düğüm gömme mekanizması geliştirmektedir. Gömme yakınlığı karşılaştırmasına dayanarak, norm sapma derecesini nicelleştirmekte ve sistematik yanlılığın birikimini işaret etmek amacıyla temel yasal-teknik kenarların ağırlık değişimini izlemektedir. Bu paradigma, hem semantik parçalanma hem de izlenebilirlik çıkmazlarını çözmekte ve yasal uyumluluğu ex post doğrulamadan ex ante yönetişime dönüştürerek, yüksek riskli yapay zeka sistemlerinde sorumluluğun şeffaflığı için ölçeklenebilir teknik bir yol sunmaktadır.

Protokol

Tıbbi yapay zeka hukuk bilgi grafiği için graf sinir ağının kurulumu

Şekil 1'de gösterildiği gibi, önerilen çerçeve üç ana modülden oluşmaktadır. Giriş katmanı, çok modlu varlık kodlama ve yönlendirilmiş kenar modellemesi aracılığıyla çok kaynaklı verileri heterojen bir grafta bütünleştirir. İlişki farkındalıklı GCN katmanı daha sonra türe özgü ağırlıklar ve dikkat mekanizması ile modlar arası semantik hizalama gerçekleştirerek birleştirilmiş düğüm gömmeleri üretir. Son olarak, bu gömmeler ön yargı izleme (gradyan geri yayılımı ve topluluk tespiti aracılığıyla) ve dinamik uyumluluk izleme (gerçek zamanlı düğüm eşleme ve kenar ağırlığı takibi aracılığıyla) süreçlerini destekleyerek düzenleyiciler için yorumlanabilir atıf kanıtları ve risk uyarıları sunan çıktıları sağlar.

GNN modeli ile bilgi grafiği oluşturma diyagramı; girdiden düzenleyici arayüze veri akışını gösterir.
Şekil 1: Tıbbi yapay zeka için yasal bilgi grafiği ve yanlılık izleme mimarisi. Bu diyagram, önerilen çerçevenin genel iş akışını göstermektedir. Giriş katmanı, çok kaynaklı heterojen verileri (yasal metinler, klinik kılavuzlar, algoritma denetim raporları) birleştirir; bu veriler dört varlık türüne (yasal maddeler, tıbbi davranışlar, algoritma modülleri, sorumlu taraflar) kodlanır ve dört yönlü yasal-semantik ilişkiyle (ihlal, dayanak, tetikleyici, atıf) birbirine bağlanır. İlişki duyarlı GCN katmanı, türe özgü ağırlıklar ve dikkat mekanizması aracılığıyla çapraz modal semantik hizalama gerçekleştirir. Yanlılık izleme modülü, yüksek katkılı kenarları belirlemek için gradyan geriye yayılımını kullanır ve ardından kök düğüm kümelerini konumlandırmak için topluluk tespiti uygular. Dinamik uyumluluk izleyicisi, gerçek zamanlı kararları geçici düğümlere eşler, yasal maddelere karşı gömme benzerliğini değerlendirir ve erken uyarı için kenar ağırlığı gelişimini takip eder. Çıktılar, yorumlanabilir atıf kanıtlarını ve risk uyarılarını içerir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Yasal varlıkların ve ilişkilerin heterojen grafik yapılı kodlaması

Tıbbi yapay zeka düzenleme yasalarından, klinik uygulama kılavuzlarından ve algoritma denetim raporlarından tutarlı bir şekilde dört temel varlık türetilmiştir: yasal maddeler, tıbbi prosedürler, algoritma modülleri ve sorumlu varlıklar. Her bir varlık türünün anlamsal olarak ayırt edilebilmesi için ayrı bir özellik temsil öğrenme modeli önerilmiştir. Yasal madde düğümleri, yasal maddenin numarasını içerecek şekilde düzenlenmiş olup bu numara, yasal madde için benzersiz bir kimlik (ID) olarak kullanılmıştır. Aynı zamanda, maddeyle ilişkili yasal sorumluluk düzeyini belirtmek için bir ceza şiddeti nicelleştirme indeksi tanımlanmış ve sonuç olarak bir özellik vektörü oluşturulmuştur.

Sinir ağı gömme denklemi; diyagram; vektör işlemlerinin kısa gösterimi. （1）

c_i giriş numarasını, Emb(·) düşük boyutlu gömme eşleşmesini ve [·;·] vektör birleştirme işlemini temsil eder. Bu temsil, yasal metnin hem biçimsel yapısını hem de cezanın ağırlığını koruyarak ifadeler arası akıl yürütmeyi destekler.

Tıbbi davranış düğümleri, klinik operasyon sınıflandırma sistemine göre standartlaştırılmış ve kodlanmıştır; bu sayede risk seviyeleri r_j ∈ {1,2,3} ve uygulanabilir senaryo etiketleri kümesi s_j ⊂ S (burada S önceden tanımlanmış senaryo kategorilerinin tam kümesidir) çıkarılmaktadır. Etiket kümesini işlemek için multi-hot kodlama kullanılmış ve bu, başlangıç temsilini oluşturmak üzere risk seviyesi gömülmesi (embedding) ile birleştirilmiştir:

Graf sinir ağı denklemi, düğüm gömme ve çoklu kafalı dikkat formülü. （2）

Bu strateji, farklı tıbbi davranış türlerinin vektör uzayında ölçülebilir mesafe ilişkilerine sahip olmasını sağlayarak senaryolar arası karşılaştırmaları destekler. Metin gömme fonksiyonu Emb(·), çıktı boyutu 768 olarak sabitlenmiş, önceden eğitilmiş Çince hukuk dili modeli Lawformer (geniş ölçekli bir Çince hukuk derlemi üzerinde ön eğitilmiş) kullanılarak uygulanmıştır.

Varlıklar arasındaki mantıksal bağımlılıklara ve yasal kısıtlamalara dayanarak, her biri farklı yasal nedensellik modellerine karşılık gelen "ihlal", "dayanak", "tetikleyici" ve "atıf" olmak üzere dört tip yönlendirilmiş semantik ilişki tanımlanmıştır. İlişki farkındalığı için gerçekleştirilecek sonraki mesaj iletimi amacıyla, her e_ij ⊂ E kenarına t_ij ⊂ T = {violate, base, trigger, attribute} kümesinden bir etiket türü atanır. Kenar oluşturma süreci kesin olarak alan kuralı eşleştirme mekanizmasını takip eder: Tıbbi bir davranış normatif gerekliliklerden saptığında, davranış düğümünden ilgili yasal maddeye doğru bir "ihlal" kenarı oluşturulur; yasal madde bir operasyon için teknik uyum dayanağı olduğunda bir "dayanak" kenarı oluşturulur; algoritma modülünün çıktısı belirli bir tıbbi davranışın yürütülmesini doğrudan tetikliyorsa bir "tetikleyici" kenarı bağlanır; sorumluluğun atfedilmesi ilişkisi ise kurumun sorumluluk belgelerine ve denetim sonuçlarına dayalı olarak, sorumlu taraf ile ihlal veya algoritma kusuru arasında bir "atıf" kenarı oluşturularak kurulur.

Tüm düğümler başlatıldıktan sonra, V düğüm kümesi, E tip etiketli yönlendirilmiş kenarlar kümesi ve H⁰ başlangıç özellik matrisi olmak üzere heterojen bir grafik (V, E, H⁰) oluşturulur. Grafik yapısının semantik ayırt etme yeteneğini artırmak için düğüm özellikleri normalize edilir:

Veri normalizasyonu için denklem; veri ön işlemede kullanılan formül: h̃ₖ⁽⁰⁾=hₖ⁽⁰⁾-μₖ/σₖ+ε. （3）

μ_k ve σ_k ...'nın ortalaması ve standart sapmasıdır ksırasıyla eğitim setindeki n. düğüm özelliği olup, ∈ sıfıra bölünmeyi önlemek için kullanılan küçük bir sabittir. Normalizasyon, çok kaynaklı heterojen özelliklerin grafik konvolüsyon işlemlerine tek tip bir ölçekte katılmasını sağlayarak, sayısal baskınlık etkilerinin semantik öğrenmeyi engellemesini önler. Ortaya çıkan yapılandırılmış grafik modeli, tıbbi yapay zeka sistemindeki hukuk, davranış, teknoloji ve sorumluluk şeklindeki dört boyutlu öğelerin ilişkisel topolojisini tam olarak taşıyarak, sonraki yanlılık yayılım analizi için hesaplanabilir bir grafik temeli sağlar.

Çapraz modal yasal semantikler için grafik konvolüsyon hizalama iyileştirmesi

Relational Graph Convolutional Network (R-GCN) çerçevesini genişleten, ilişki duyarlı bir grafik evrişimli ağ³⁸^,³⁹, başlangıçtaki heterojen grafiğin birden fazla katmanı boyunca özellikleri yaymak için kullanılır. R-GCN, genel ilişkisel veriler için ilişki başına dönüşüm matrisleri sunarken; bizim yaklaşımımız, komşu katkılarını dinamik olarak ağırlıklandırmak için öğrenilebilir bir dikkat mekanizmasını entegre eder ve tıbbi yapay zeka uyumluluk analizine uygun dört özel yasal-semantik ilişki türü (ihlal, temel, tetikleyici, atıf) tanımlar. Her katmanın işlemi, kenarların semantik türüne bağlı olarak dönüşüm sürecini bağımsız olarak parametreleştirir. Herhangi bir hedef düğüm için, komşuluk bilgileri bağlayan kenarların türlerine göre gruplandırılır ve toplanır. Farklı yasal semantik yollar boyunca iletilen özellikleri ayırt etmek için her ilişki türü, özel bir doğrusal dönüşüm matrisi ile donatılmıştır⁴⁰^,⁴¹. Eğer yasal madde düğümü ile tıbbi davranış düğümü arasındaki kenar "temel" türündeyse, yasal madde düğümü bir tıbbi davranış düğümünden mesaj aldığında, komşunun özelliklerini uzamsal olarak eşlemek için ilgili ağırlık matrisini uygular. Aynı şekilde, bir tıbbi davranış düğümü, kenar entegrasyon şeması modül düğümü "tetikleyici" aracılığıyla bir algoritma modülüne çıktı gönderdiğinde, bu ilişkiyle ilişkili olan parametre matrisi tetiklenir ve özellik dönüşümünü gerçekleştirir. Bu durum, farklı yasal mantık türlerinin akışkanlığını taklit ederek, bilgi akışı sırasında çapraz modal gürültü olmadan semantik bağımsızlığı korumak için farklı mantık katmanlarını gerçekleştirir/bilgilendirir. Toplama işlemi şu şekilde tanımlanmıştır:

Graf sinir ağı denklemi; düğüm gömme güncellemesi; formül temsili; matematiksel semboller. （4）

m_i^(l), l katmanındaki i düğümü tarafından toplanan kapsamlı bilgiyi, N_i^l, r ilişkisi altındaki komşu setini, W_r, doğrusal dönüşüm matrisini ve h_j^(l−1) ise önceki katmandaki komşu düğümün gömme temsilini ifade eder.

Mesaj agregasyonu sırasında, farklı komşu düğümlerin hedef düğüm temsil güncellemesi üzerindeki etki yoğunluğunu dinamik olarak ayarlamak için öğrenilebilir bir dikkat mekanizması tanıtılmıştır⁴²^,⁴³. Dikkat katsayısı, sabit ön ağırlıklara dayanmaksızın, düğüm öznitelik benzerliği ve yasal önem şeklindeki çift faktöre göre oluşturulur. Yasal madde düğümleri için, komşu tıbbi davranış özellikleri alındığında, dikkat puanı söz konusu davranışla ilişkili ceza yoğunluğunun nicelleştirilmiş değerine göre hesaplanır; algoritma modülü düğümü tıbbi davranış bilgilerini birleştirdiğinde, daha yüksek operasyonel risk seviyelerine sahip komşulara odaklanır. Dikkat ağırlığı şu şekilde hesaplanır:

Leaky ReLU kullanan dikkat mekanizması formülü; hesaplamayı gösteren sinir ağı denklemi. （5）

α_ij, düğüm j'nin düğüm i'ye olan dikkat katsayısıdır ve a öğrenilebilir dikkat vektörüdür. Bu model, uçtan uca eğitim sırasında yüksek riskli veya yüksek kısıtlamalı bağlantılı yolların otomatik olarak tanımlanmasına ve bunlara daha yüksek dikkat atanmasına olanak tanır. Nihai güncellenmiş düğüm gömmelemesi, ağırlıklı mesajlar ve artık bağlantılar tarafından belirlenir.

Graf sinir ağı denklemi; sembol gösterimi; σ fonksiyonu; komşuluk ağırlığı; eğitim amaçlı kullanım. （6）

σ aktivasyon fonksiyonudur ve rezidüel tasarım, derin yayılımdaki gradyan kaybolması problemini hafifleterek çoklu semantik çatışmalar durumunda stabilite sağlar. L = 3 graf konvolüsyonel katmanı (her biri 256 gizli boyuta ve ReLU aktivasyonuna sahiptir) sonrasında, tüm düğümlerin gömme vektörleri çapraz modlu bağlamsal bilgileri sorunsuz bir şekilde bünyesine katar ve yasal semantik ayırt etme yeteneklerine sahip birleştirilmiş temsillere dönüşür.

Sağlık hizmetleri yapay zekası için iki alternatif yasal uyumluluk analiz diyagramı, yasal ilişki türlerinin ve yanlılığın yayılma yollarının görselleştirilmesi amacıyla Şekil 2'de gösterilmekte olup, bu karar verme sürecinin potansiyel yanlılık kaynaklarını belirtmektedir. Şekil 2A, dört ilişki türünün renklerle kodlandığı ve her tür için kenarların farklı bir renkle ayırt edildiği çeşitli yasal semantik ilişkilerin etkisini göstermektedir. Kenarın kalınlığı, söz konusu ilişkinin dikkat ağırlığına, yani bu ilişkinin yapay zeka kararına ne kadar katkı sağladığına karşılık gelir. Kalın bir kenar, esasen karardaki baskın bir yasal ilişkiyi belirtir ve bu durumda davanın sonucunu yeterince gerekçelendirmiştir. Düğüm boyutu, ihlallere olan katkısıyla ölçülür: daha büyük düğümler, davranış ile belirli yasal maddeler arasında daha güçlü bir ilişkiyi ve dolayısıyla daha yüksek potansiyel riski ifade eder. Yukarıdaki görselleştirme, yapay zeka karar verme sürecindeki en güçlü ve en riskli yasal yolları belirlememizi sağlayan net bir yasal semantik katman sunar. Şekil 2B ayrıca, karar verme sürecinde kalınlaştırılmış ve kesikli çizgilerle (örneğin B1-B3) desteklenen yüksek katkılı kenarlara vurgu yaparak, (yanlılık yayılımına) yüksek katkı sağlayan yolları belirtmektedir. Bu kenarların genişliğinin iki katına çıkması, sistemik yanlılığın yayılmasındaki önemlerini temsil eder. Hangi yasal kural ve teknik davranış kombinasyonlarının yanlılık için bu amplifikasyon etkisine yol açtığı Şekil 2'de gösterilmektedir. Bu analiz, sadece yanlılık yayılım yolunu ortaya çıkarmakla kalmaz, aynı zamanda yanlılığın kaynağının belirlenmesini kolaylaştırarak, buna bağlı olarak uyumluluk denetiminin ve yapay zeka aracının sorumluluğunun tespit edilmesini sağlar.

Dikkat ve vurgulanmış yanlılık yollarını içeren kenar ilişkisi türleri diyagramı; graf teorisi, ağ analizi.
Şekil 2: Sağlık hizmetleri yapay zekasında yasal uyum ve yanlılık yayılımının analizi (Örnekleme). (A) Renklerle kodlanmış yasal semantik ilişkiler: ihlal (kırmızı), temel (mavi), tetikleyici (yeşil), atıf (turuncu). Kenar kalınlığı dikkat ağırlığı ile orantılıdır ve her bir ilişkinin yapay zeka kararı üzerindeki etkisini gösterir. Düğüm boyutu, ihlal katkısı ile orantılıdır ve riskli varlıkları vurgular. (B) Yanlılık yayılım alt grafiği: yüksek katkılı kenarlar kalın ve kesikli çizgilerle gösterilmiştir (örneğin, B1‑B3); çift genişlikteki kenarlar sistemik yanlılığın güçlenmesini belirtir. Bu görselleştirme, baskın yasal yolların, yanlılık kaynaklarının ve uyum denetiminin belirlenmesini destekler. Bu bir şematik çizim olduğu için herhangi bir ölçüm ölçeği veya hata çubuğu uygulanmamıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Yanlılık yayılım yolu için alt graf geri izleme mekanizması

Bu çalışmada "yanlılık" (bias), bir yapay zeka sisteminin çıktısının klinik ve yasal olarak beklenen karardan sistematik olarak sapması şeklinde tanımlanmış olup, modelin öngördüğü risk puanı ile temel gerçek uyumluluk etiketi arasındaki farkla ölçülmektedir. Yanlılık sinyali, algoritmanın nihai çıktısı ile uyumluluğun ikili göstergesi (uyumlu için 1, uyumsuz için 0) arasındaki çapraz entropi kaybı olarak hesaplanmakta ve bir gruptaki tüm karar örnekleri üzerinden toplanmaktadır.

Graf sinir ağı eğitildikten sonra, çıkış katmanındaki yanlılık sinyali üzerinde geri yayılım analizi gerçekleştirmek için ağın türevlenebilirliği kullanılır. Anomalileri tespit eden algoritma karar düğümünden başlayarak, her bir bağlantılı kenarın yanlılık oluşumuna olan katkısını nicelleştirmek için kayıp fonksiyonunun her bir kenara göre gradyan büyüklüğü hesaplanır. Bu işlem, nihai çıktı değişimindeki her bir kenar parametre dönüşümünün etki gücünü elde etmek için graf yapısındaki yönlendirilmiş kenarlar boyunca katman katman geriye gidilerek bir otomatik türevleme çerçevesi aracılığıyla uygulanır. Gradyanın mutlak değeri ne kadar yüksekse, o kenarın taşıdığı hukuksal-teknik ilişki yanlılık yayılımında o kadar baskındır. Bir kenarın katkısı şu şekilde tanımlanır:

Optimizasyon analizinde ilgili olan matematiksel gradyan denklemi, gij=∂Lbias/∂wi. （7）

L_bias, yanlı davranış için tanımlanmış türetilebilir kayıp ve w_i, kenar tipine karşılık gelen giriş ağırlık vektörüdür. Bu gradyan değeri, belirli bir semantik ilişkinin mevcut ilişkilendirme yanlılığına katılım derecesini yansıtır. Tüm kenarlar bu şekilde puanlandıktan sonra, katkısı g_ij > τ değerini aşan yüksek katkılı kenarlar kümesini E_high filtrelemek için dinamik bir eşik τ belirlenir ve başlangıç yanlılık yayılım alt grafiği G_bias = (V_bias, E_high) oluşturulur. Özellikle τ, her eğitim dönemindeki tüm kenarlar genelindeki mutlak gradyan değerlerinin 85. yüzdeliği olarak belirlenerek, alt grafik oluşturma için yalnızca en etkili olan ilk %15'lik kenarların tutulması sağlanır. Bu alt grafik, sistematik yanlılığı yönlendirme olasılığı en yüksek olan temel bağlantı yollarına odaklanarak arama alanını daraltır ve kaynak izleme verimliliğini artırır.

Oluşturulan yanlılık yayılım alt grafı içerisinde, yüksek derecede aynı hizada olan düğüm küme yapılarını belirlemek için spektral kümeleme odaklı bir topluluk tespit algoritması yürütülür. Bu işlem, alt grafın normalize edilmiş Laplace matrisi faktörizasyonuna dayanarak düğüm gömmelerini düşük boyutlu bir spektral uzaya eşler ve fonksiyonel olarak yakından ilişkili olduklarında çapraz türdeki düğümlerin (yasal maddeler ve algoritma modülleri gibi) aynı kümede gruplandırılmasını sağlamak için bu uzayda yoğunluk duyarlı bir kümeleme stratejisi uygular. Tanımlanan her topluluk, potansiyel bir fonksiyonel döngüyü veya sorumluluk toplama birimini temsil eder. Topluluk bölümlendirme sonuçları, aşağıdaki optimizasyon hedefleri tarafından yönlendirilir:

Optimizasyon denklemi ΣckLck/ckDck, matematiksel formül analizi. （8）

L=D−A alt grafın Laplacian matrisidir, A bitişikli matrisidir, D derece matrisidir, C_k şunun gösterge vektörüdür k-topluluğu ve K önceden belirlenmiş topluluk sayısıdır. Bu kriter, topluluklar arasındaki minimum kesim farkını maksimize ederek sıkı iç bağlantılar sağlar.

Şimdi, her topluluk üzerinde katmanlar arası kompozit tabanlı analiz gerçekleştirilir. Eğer bir topluluk yasal madde düğümleri ve algoritma modülü düğümleri içeriyorsa, potansiyel bir yanlılık kaynağı olarak etiketlenir. Nedenselliği test etmek için bir müdahale testi yürütülür: bu bölgedeki tüm kenarlar geçici olarak grafikten kaldırılır, aynı karar verme süreci yeniden yürütülür ve yanlılık ölçümlerindeki farklılıklar gözlemlenir. Nedensel geçerlilik ölçütü şu şekilde tanımlanır:

Δ hesaplama formülü, Δ=(B_orig-B_mask)/B_orig, istatistiksel yöntemde analiz için denklem. (9)

B_orig ve B_mask sırasıyla orijinal modelin yanlılık gücünü ve maskeleme sonrası yanlılığı temsil eder. Eğer nedensel geçerlilik ölçümü önceden belirlenmiş eşik değerinin önemli ölçüde üzerindeyse, bu durum düğüm kümesinin açıklanabilir bir yanlılık kaynağı olarak tanımlandığı anlamına gelir; bu da daha sonraki uyumluluk düzeltme ve hata atama işlemlerine yön verecektir.

Yasal kısıtlamaların dinamik uyumluluk doğrulaması

Tıbbi bir yapay zeka sisteminin çalışması sırasında ortaya çıkan gerçek zamanlı karar örnekleri, geçici düğümler olarak tanıtılır ve öğrenilmiş bir bilgi grafiği alanına gömülür. Her düğüm, girdi bağlamını, çıktı davranışını ve algoritmanın durumunu okuyarak başlangıç bir öznitelik vektörü üretir. Ardından, bu vektör, tek katmanlı ileri yayılım gerçekleştirmek üzere dondurulmuş parametrelere sahip bir graf sinir ağına beslenir ve orijinal graf yapısını değiştirmeden bilgi grafiği ile uyumlu bir gömme (embedding) üretilir. Böylece, geçici düğümlerin ve yasal madde düğümlerinin ortak bir anlamsal alanda karşılaştırılmasına olanak tanır.

Ardından, geçici düğüm ile her bir yasal madde düğümü arasındaki kosinüs benzerliğini hesaplayın:

Bilimsel analiz için Sij=hTemp^T hjlow/||hTemp||*||hjlow|| statik denge denklemi formülü. （10）

h_temp geçici düğümün gömülmesidir ve h_j^law ise j. yasal madde düğümünün gömülmesidir. Benzerlik değeri, mevcut karar ile her bir yasal kısıtlama arasındaki anlamsal eşleşme derecesini fiilen yansıtır. Farklı uygulama senaryoları altında karar sınırını uyarlamak için, tarihsel uyumluluk örneklerinin benzerlik dağılımına dayalı dinamik bir uyumluluk eşiği θ belirlenir. Spesifik olarak, θ = µ - 2σ olup burada µ ve σ, 500 bilinen uyumlu karar örneğinden oluşan bir doğrulama setinden hesaplanan kosinüs benzerliği dağılımının ortalaması ve standart sapmasıdır.

Bir kosinüs benzerlik puanı dinamik uyumluluk eşiğinin altına düşerse, ilgili hukuk kuralının ihlal edildiği kabul edilir ve bu durum uyumluluk uyarı mekanizmasını tetikler. Bildirim ayrıca, düzenleyicilerin derhal harekete geçmesi için yeterli olması gereken minimum eşleşen yasal madde numarasını, benzerlik değerini ve sapma analizinin yönünü de içerir. Bu yaklaşım, opak karar verme sürecinden yasal semantik alanına yorumlanabilir bir eşleme sağlar ve anlık uyumluluk kontrolünü kolaylaştırır.

Sürekli çalışma sırasında, yanlılık yayılım alt grafiğindeki temel yasal-teknolojik bağlantı kenarlarının ağırlık değişim eğilimi takip edilir. Algoritma modülü düğümlerini ve yasal madde düğümlerini birbirine bağlayan kenarlara, teknik davranışın belirli düzenlemelere verdiği yanıt gücünü doğrudan temsil ettikleri için ağırlık verilir. Çıkarım sırasında her bir hedef kenar için dönüşüm matrisi parametreleri kaydedilir ve normları, ikisi arasındaki korelasyon gücünün evrimine dair dinamik bir gösterge olarak çıkarılır. Kenar gücü dizisi şu şekilde tanımlanır:

Statik denge analizi için matris norm denklemi diyagramı; mühendislikte lineer cebir yöntemi. （11）

w_t, t zaman damgasındaki e_ij kenarı arasındaki ilişkiye karşılık gelen ağırlık matrisinin Frobenius normunu temsil eder ve W_kl^(t), o sırada modelde gerçekte kullanılan parametre matrisidir. Bu gösterge, modelin öğrenme derinliğini veya yasal kısıtlamaya olan bağımlılığını yansıtır.

Sıralama üzerinde kayan pencere monotonluk testi uygulanır ve anlamlı bir yükseliş trendinin gözlemlenip gözlemlenmediğini belirlemek için geliştirilmiş bir işaret testi kullanılır. Eğer N ardışık zaman adımı boyunca gerçekleşen artışlar pozitif baskınlık koşulunu sağlıyorsa, kenarın anormal bir güçlendirme fenomeni sergilediği kabul edilir. Geçmiş gradyan katkı verileriyle daha fazla birleştirildiğinde, eğer kenar önceki kaynak izleme analizi turunda yüksek etkili bir yol olarak tanımlanmışsa, sistematik sapma birikimi erken uyarı süreci başlatılır.

Son olarak, hedef kenarın her iki ucundaki düğümler hakkındaki bilgileri, ağırlık değişim eğrilerini, ilgili kararların sıklığına ilişkin istatistikleri ve potansiyel atıf önerilerini içeren bir kaynak izleme raporu oluşturulur. Bu mekanizma, statik uyumluluk değerlendirmesinden dinamik risk tahminine geçiş sağlayarak, potansiyel kurumsal sapmalarda proaktif müdahaleyi destekler.

Deneysel veriler ve tasarım

Önerilen çerçevenin etkinliğini doğrulamak için, bu çalışma gerçek düzenlemeler ile simülasyon verilerini entegre eden çok kaynaklı heterojen bir veri seti oluşturmuş ve titiz kontrol deneyleri tasarlamıştır. Veri kaynakları arasında ulusal tıbbi yapay zeka düzenleyici mevzuatları, klinik tedavi kılavuzları, açık kaynaklı algoritma denetim raporları ve simülasyon karar günlükleri yer almaktadır. Ön işlemenin ardından, Şekil 3'te gösterildiği gibi 285 düğüm (85 yasal madde, 120 tıbbi davranış, 42 algoritma modülü ve 38 sorumlu kuruluş) ve 1247 yönlendirilmiş kenar içeren kıyaslama heterojen bilgi grafiği oluşturulmuştur.

Varlık türüne göre düğüm sayısı, ceza yoğunluğu histogramı, risk düzeyi pasta grafiği analizi.
Şekil 3: Heterojen varlık türlerinin dağılımı ve özellikleri. (A) Her bir varlık türü için düğüm sayısını gösteren sütun grafiği: yasal maddeler (85), tıbbi davranışlar (120), algoritma modülleri (42), sorumlu taraflar (38). (B) Yasal madde düğümleri için ceza yoğunluğu histogramı; düşük (0‑0.33), orta (0.34‑0.66) ve yüksek (0.67‑1.0) kategorilere ayrılmıştır; dikey eksen sayıyı temsil etmektedir. (C) Tıbbi davranış düğümleri arasındaki risk düzeyi dağılımının pasta grafiği: düşük (%19), orta (%43), yüksek (%38). Tüm değerler mutlak sayılar veya yüzdelerdir; bunlar veri setinin tanımlayıcı istatistikleri olduğu için hata çubukları sunulmamıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3, heterojen bilgi grafiğindeki varlık düğümlerinin dağılımını ve özelliklerini göstermektedir. Şekil 3A, dört tip varlık düğümünün sayısal dağılımını göstermekte olup, en yüksek sayıya "tıbbi davranış" düğümleri (120), ardından "yasal maddeler" (85) sahipken, "algoritma modülleri" (42) ve "sorumlu varlıklar" (38) nispeten daha az sayıdadır. Bunun nedeni, grafiğin yapısal olarak davranışlar ve kurallar temelinde tasarlanmış olmasıdır. Şekil 3B, tek bir yasal maddeyi temsil eden düğümler için ceza yoğunluklarının dağılımını sunmaktadır; burada yoğunluk, yasal sorumluluğun ciddiyetini ölçer. Veriler, yüksek ceza yoğunluğuna sahip hükümlerin nispeten az olduğunu ve çoğunluğunun orta-düşük yoğunluk aralığında yer aldığını göstermektedir; bu durum, gerçek dünyadaki hukuk sistemlerinde yalnızca birkaç ağır ihlal maddesinin bulunması gerçeğiyle tutarlıdır. Şekil 3C, tıbbi davranış düğümlerindeki risk seviyesi dağılımını göstermektedir; burada orta riskli davranışlar %43 ile en büyük oranı oluştururken, düşük riskli davranışlar %19 ile en düşük oranı oluşturmaktadır; bu durum, tıbbi senaryoların normal şekilde yürütüldüğünü ve yüksek riskli operasyonların grafikte daha sıkı ilişkilendirme kısıtlamalarına tabi tutulduğunu ortaya koymaktadır. Bu istatistikler toplu olarak, sonraki grafik evrişimli hizalama için özellik desteği sağlamak amacıyla bilgi grafiği oluşturulurken benimsenen varlık çözümleme kodlama şemasını gerekçelendirmektedir.

Tüm veri seti; her bir bölünmede genel grafik yapısını korumak amacıyla düğüm türü ve ilişki dağılımına göre tabakalı olarak eğitim (%70), doğrulama (%10) ve test (%20) setlerine rastgele ayrılmıştır. Adil bir karşılaştırma sağlamak için tüm temel yöntemlerde aynı bölünme tutarlı bir şekilde kullanılmıştır. Bu temel bölünmeye ek olarak, yukarıda açıklanan üç bilgi grafiği yoğunluk gradyanı (seyrek, orta, yoğun) ve üç yargı alanı ötesi karmaşıklık ayarı (tekli, ikili, çoklu), yöntemin farklı veri tamlık ve düzenleyici örtüşme koşulları altındaki dayanıklılığını topluca değerlendiren bağımsız pratik test ortamları olarak hizmet etmektedir. Yanlılık lokalizasyon değerlendirmesi için temel gerçek (ground-truth) etiketleri oluşturmak amacıyla iki aşamalı bir strateji benimsenmiştir: (1) Uzman anotasyonu — üç hukuk ve tıp uzmanı, karar günlüklerini bağımsız olarak inceleyerek kaydedilen her bir uyumluluk ihlali için kök neden düğümlerini ve yayılım yollarını belirlemiş, görüş ayrılıkları çoğunluk oyuyla çözülmüştür; (2) Simüle edilmiş enjeksiyon — kontrollü testler için, bilgi grafiğindeki kenar ağırlıkları bozulup rastgele seçilen 20 karar yoluna yapay olarak yanlılık sinyalleri enjekte edilmiş ve böylece gerçek kaynak düğümlerinin ve etkilenen kenarların önceden bilinmesi sağlanmıştır.

Tüm temel yöntemler (TransE, ComplEx, Graph Neural Networks (GNN) Explainer, KG-BERT ve Node2Vec) için, adil bir karşılaştırma sağlamak amacıyla kendi yöntemimizle aynı eğitim konfigürasyonunu (Adam optimize edici, 1 × 10⁻³ öğrenme oranı, 64 grup boyutu, 100 epok) ve aynı veri bölümlerini kullandık. TransE ve ComplEx için gömme boyutu 1,0 kenar payı ile 256 olarak ayarlandı; KG-BERT için 16 grup boyutu ve 128 maksimum dizi uzunluğu ile önceden eğitilmiş BERT-base modelini kullandık; GNNExplainer için 256 aynı gizli boyutuna sahip 3 katmanlı bir GCN kullandık; Node2Vec için ise yürüyüş uzunluğunu 80, düğüm başına yürüyüş sayısını 10 ve gömme boyutunu 256 olarak belirledik.

Adil bir karşılaştırma sağlamak için, tüm temel yöntemleri aynı yanlılık yerelleştirme görevlerine, yani kök-düğüm belirleme ve yayılım-yolu yeniden yapılandırma görevlerine uyarladık. Doğası gereği açıklanabilir olmayan TransE, ComplEx ve Node2Vec için, yanlılık kaybının her bir düğüm gömmesine göre gradyanını hesapladık ve gradyan büyüklüğünü düğüm önem puanı olarak kullandık; kök düğümler bu puanlara eşik değer uygulama yoluyla seçildi ve yayılım yolları, en yüksek gradyan katkısına sahip kenarlar korunarak yeniden yapılandırıldı. GNNExplainer için, hem kök düğümleri hem de alt grafikleri elde etmek amacıyla modelin yerleşik kenar-önemi ve düğüm-maskeleme mekanizmalarını doğrudan kullandık. Üçlüler üzerinden çalışan KG‑BERT için ise, her bir graf kenarını metinsel bir üçlüye dönüştürdük ve düğüm önemini türetmek için modelin varlıklar üzerindeki dikkat ağırlıklarını kullandık, ardından yol yeniden yapılandırması için aynı eşikleme stratejisini uyguladık. Bu uyarlamalar sayesinde, her temel yöntem hem kök-düğüm tahminleri hem de yayılım-yolu tahminleri üretmiş olup, tüm yöntemler arasında tek tip bir değerlendirme yapılmasına olanak sağlamıştır.

Değerlendirme dört temel yetenek etrafında odaklanmaktadır: semantik hizalama doğruluğu, yanlılığı yerelleştirme yeteneği, hesap verebilirlik verimliliği ve alanlar arası genelleme. Ayrıca, gerçek dünya karmaşıklığını taklit eden üç önemli kontrol değişkeni sunmaktadır.

1) Bilgi grafiği yoğunluk gradyanı: Yöntemin farklı bilgi tamamlanma seviyelerinde nasıl performans gösterdiğini değerlendirmek için, temel tam grafikten (yoğunluk D = 1.0) rastgele kenar çıkarma stratejisine dayalı olarak aşağıdaki şekilde iki alt küme oluşturulur:

Seyrek grafik (D ~ 0,3): Kenarların %30'u rastgele korunarak, birçok bilginin eksik olduğu erken bilgi oluşturma aşaması simüle edilmiştir.

Orta yoğunluklu grafik (D ~ 0.6): Kenarların %60'ı rastgele tutulur; bu durum, kısmen bilinen bir bilgi yapısının tipik bir senaryosunu simüle eder.

Yoğun grafik (D = 1.0): Nispeten eksiksiz bilgiye sahip olunan en iyi durum senaryosuna karşılık gelen tüm 1247 kenarın kullanımı.

2) Tıbbi yapay zeka karar sıklığı durumu: Dinamik uyumluluk izlemenin gerçek zamanlı performansını test etmek için üç yapay karar akış yükü ayarlanmıştır:

Düşük frekans 10 Hz: Küçük ölçekli veya tek saha sistemlerinin izlenmesini simüle ederek, saniyede ortalama 10 karar olayı oluşturulur.

Orta frekans 50 Hz: bölgesel veya orta ölçekli tıbbi kurumların yapay zeka sistem yükünü simüle eden saniyede 50 karar olayı.

Yüksek frekans 100 Hz: Saniyedeki 100 karar olayı, büyük bir hastaneye veya bulut platformuna konuşlandırılan yapay zeka hizmetleri için yüksek eşzamanlılık baskısı senaryolarını simüle eder.

3) Yargı alanı ötesi karmaşıklık gradyanı: Yasal kısıtlama modellemesinin aktarılabilirliğini test etmek için karmaşıklık tabanlı üç test seti oluşturulmuştur:

Tek yargı yetkisi: Yalnızca tıbbi yapay zekayı düzenleyen mevcut Çin yasaları ve yönetmeliklerinden oluşur.

İkili yargı yetkisi: Kuralların yaklaşık %15'inin çelişkili ve örtüşen olduğu Çin ve Avrupa Birliği'nin düzenleyici rejimlerini kapsar.

Çok taraflı yargı yetkisi: İlk ikisinin üzerine inşa edilen bu yapı, ABD HIPAA (Health Insurance Portability and Accountability Act) gizlilik ve güvenlik kurallarını da entegre ederek üç farklı hukuk rejiminin yasal sistemlerinin iç içe geçtiği bir test ortamı oluşturur ve kural çatışma oranını yaklaşık %25'e çıkarır.

Kantitatif değerlendirme için aşağıdaki temel göstergeler kullanılmıştır:

1) Semantik hizalama doğruluğu: Grafiğin, hukuki ve teknik varlıklar arasındaki ilişkileri modelleme yeteneğini ölçer.

Varlık hizalama doğruluğu:

Doğruluk denklemi Acceq=|Ppred∩Pgold|/|Pgold| formülü, istatistiksel ölçüm yöntemi. （12）

P_pred, model tarafından tahmin edilen hizalanmış varlık çiftleri kümesi ve P_gold, uzmanlar tarafından açıklanmış altın standart hizalamalar kümesidir.

İlişki koruma bütünlüğü:

Grafik ve metin analizindeki R değerlerinin karşılaştırmasını gösteren CompRel denklem diyagramı. （13）

R_graph grafikte yeniden oluşturulan ilişkiler kümesi ve R_text orijinal yasal metinden çıkarılan açık ilişkiler kümesidir.

2) Yanlılık Yerelleştirme Yeteneği: Yanlılığın kök nedenlerinin ve yayılım yollarının izlenmesindeki etkinliğin değerlendirilmesi.

Kök Düğüm Geri Çağırma Oranı:

Duyarlılık hesaplama formülü: Recall_root = |N_pred ∩ N_true|/|N_true|, matematiksel denklem. （14）

N_pred model tarafından tanımlanan yanlılık kaynak düğümleri kümesi ve N_true uzmanlar tarafından etiketlenen gerçek kaynak düğümleri kümesidir.

Yayılım yolu doğruluğu:

$Yol kesinlik formülü, $ \text{Precision}_{\text{Path}} = \frac{|E_{\text{pred} \cap E_{\text{true}}}|}{|E_{\text{pred}}|} $.$ （15）

E_pred, model tarafından çıkarılan yanlılık yayılım alt grafiğindeki kenar kümesi ve E_true gerçek yanlılık yayılım kenar kümesidir.

3) Hesap Verilebilirlik İzleme Verimliliği: Sistemin gerçek zamanlı izleme senaryolarındaki performansını test edin.

Ortalama İzleme Gecikmesi:

Gecikme ortalaması formülü, performans analizi için Σ denklemi, eğitim araştırması, matematik sembolü （16）

M toplam istek sayısını temsil eder; t_i^trigger ve t_i^report ise sırasıyla i. yanlılık tetikleyicisinin ve kaynak raporun oluşturulmasının zaman damgalarıdır.

Sistem verimliliği:

İşlem hacmi denklemi, N_processed/ΔT, sistem analizinde işlem verimliliği formülü. （17）

N_processed, ΔT zaman penceresi içinde başarıyla işlenen eşzamanlı izleme isteklerinin sayısını temsil eder.

4) Alanlar arası genelleme yeteneği: Yöntemin farklı hukuk sistemlerine uyarlanabilirliğinin doğrulanması.

Yargı yetkisi kapsamı:

Kapsam hesaplama formülü; kapsam_jur=|C_encoded|/|C_input|; veri analizi için denklem. （18）

C_encoded grafiğe başarıyla kodlanan farklı yetki maddelerinin sayısını, C_input ise toplam giriş maddelerinin sayısını temsil eder.

Kısıtlama çakışması tespit oranı:

Statik denge: Saptama_Çatışması = |D_pred−D_gold|/|D_gold|; tahmin analizi denklemi. （19）

D_pred, model tarafından tespit edilen yasal mantık çelişkileri kümesi ve D_gold ise uzmanlar tarafından etiketlenmiş tüm çelişki çiftleri kümesidir.

Tüm deneyler, çok çekirdekli bir işlemci ve grafik işlem birimi ile donatılmış bir iş istasyonu kullanılarak gerçekleştirilmiştir; donanım özelliklerinin tamamı Materyaller Tablosunda sunulmuştur.

Bu yaklaşımın temel hiperparametreleri ve değerleri, model yapısı ve eğitim konfigürasyonunun yanı sıra gömme boyutu, evrişimli katman sayısı, öğrenme oranı ve toplu işlem boyutu gibi kritik eşikleri kapsayacak şekilde Tablo 1'de listelenmiştir. Tüm parametreler, ızgara araması yoluyla doğrulama setine göre optimize edilmiş, eğitilen model kararlı bir şekilde yakınsamış ve en iyi performans elde edilmiştir. Bazı eşikler, tıbbi yapay zeka uyumluluk kontrolünün yüksek güvenilirlik gereksinimlerini karşılamak amacıyla alan kriterleriyle birlikte belirlenmiştir.

Parametre	Değer	Açıklama
Gömme Boyutu	128	Düğüm gömme işlemleri için öznitelik boyut büyüklüğü
Konvolüsyon Katmanı Sayısı	3	İlişki duyarlı graf konvolüsyon ağının derinliği
Öğrenme Oranı	0.001	Adam optimize edicisi için başlangıç öğrenme oranı
Grup Boyutu	32	Yığın başına işlenen alt grafik sayısı
Yıpranma Oranı	0.1	Eğitim sırasında düğüm özelliklerine uygulanan dropout olasılığı
Dikkat Başlıklarının Sayısı	8	Çok başlı dikkat mekanizmasındaki baş sayısı
L2 Düzenleme Katsayısı	5 × 10⁻⁴	Parametre düzenlemesi için ağırlık azalma katsayısı
Benzerlik Eşiği	0.75	Uyum doğrulama için minimum gömme benzerliği
Gradyan Katkı Eşiği	0.01	Yanlılık alt grafik oluşturulmasında yüksek etkili kenarların seçimi için eşik değeri
İzleme Penceresi Boyutu	10	Kenar ağırlığı dinamiklerini izlemek için kullanılan zaman adımları

Tablo 1: Ana parametre ayarları. Deneylerde kullanılan temel hiperparametrelerin listesi: gömme boyutu (256), GCN katman sayısı (3), gizli boyut (256), öğrenme oranı (1 × 10⁻³), grup boyutu (64), dikkat vektörü boyutu, kenar katkı eşiği (gradyan büyüklüklerinin 85. yüzdeliği), dinamik uyumluluk eşiği (µ‑2σ; burada µ ve σ, 500 uyumlu örneklikten oluşan doğrulama setinden alınmıştır), topluluk sayısı K (spektral kümeleme ile belirlenmiştir) ve optimize edici (Adam). Bu değerler, doğrulama seti üzerinde ızgara araması (grid search) yoluyla seçilmiştir.

Sonuçlar

Tıbbi yapay zeka hukuk bilgi grafiğinde yanlılık kaynağı izleme performans doğrulamasu

İlişki duyarlı grafik konvolüsyonunun performansı

İlişki farkındalıklı bir grafik evrişimli ağ eğitilerek, farklı evrişimli katmanlar genelinde yasal maddeler ve tıbbi davranış düğümleri arasındaki gömme benzerlikleri hesaplanmış ve her katmanın hizalama etkisi kaydedilmiştir. İkinci olarak, eğitim sonrası dört yasal semantik ilişkiye atanan dikkat ağırlıkları, her bir ilişki türünün özellik toplamadaki önemini nicelendirmek amacıyla istatistiksel olarak analiz edilmiştir. Son olarak, komşu düğüm etkisinin mesafe ile azalma örüntüsü incelenmiştir. Farklı sıçrama mesafelerine sahip düğümlerin merkezi düğümün özellik güncellemesine olan katkıları hesaplanarak, etki yayılım gücü nicelendirilmiş ve mesaj iletim mekanizmasının etkin erişim alanı değerlendirilmiştir. Tüm değerlendirme süreci, sonuçların nesnelliğini ve tekrarlanabilirliğini sağlamak için modelin dahili parametrelerinin ve aktivasyon durumlarının nicel analizine dayandırılmıştır.

Şekil 4, ilişki duyarlı graf konvolüsyonel ağların çapraz modlu yasal semantik hizalamadaki performansını göstermektedir. Şekil 4A, konvolüsyonel katman sayısı arttıkça düğüm gömme benzerliğinin eğilimini betimlemektedir; bu değer 1. katmandaki 0.12'den 4. katmandaki 0.68'e kademeli olarak artmaktadır. Bu ilerleyici eğilim, çok katmanlı mesaj iletimi boyunca yasal madde alanı ile tıbbi davranış alanı arasında gerçekleşen kademeli ortak varlıktan kaynaklanmaktadır. Derin konvolüsyonel katmanlar, çapraz modlu semantik ilişkilerin karmaşık kalıplarını öğrenebilmektedir. Dört tip yasal semantik ilişki için dikkat ağırlığı dağılımını gösteren Şekil 4B'de, "ihlal" ilişkisi 0.35 ile en yüksek ağırlığı almaktadır. Bu durum, modelin sağlam risk kontrolünü desteklemek için ihlallerle olan ilişkilere odaklanması nedeniyle yasal uyum analizinin temel ilkeleriyle uyumludur. Şekil 4C, komşu düğümlerin çok sıçramalı etki birikim kalıbını göstermektedir. Ölçülen etki gücü, 1 sıçramadaki 0.15'ten 8 sıçramadaki 0.92'ye monotonik olarak artmakta ve bu da merkezi düğüm gömmesinin uzak düğümlerden gelen daha geniş yapısal bilgileri aşamalı olarak bünyesine kattığını göstermektedir. Bu beklenmedik artış, aslında merkezi düğümlerin uzak düğümlere olan dolaylı bağımlılığını yakalamaktadır. Düğümler daha büyük bir sıçrama mesafesinden görüntülendiğinde, daha fazla gürültü ve gereksiz bilgiyle birlikte daha küresel yapısal bilgiler elde edebilirler. Bu nedenle, pratik uygulamalarda, alıcı alan boyutu ile bilgi kalitesi arasında bir denge kurulması gerekmektedir. Tüm veri dönüşümü, ilişki duyarlı mekanizmanın heterojen yasal metinler ile teknolojik davranışlar arasındaki bağlantıyı kurmada etkili olduğunu ve farklılaştırılmış argüman tasarımı aracılığıyla yasal semantiklerin doğru şekilde modellenebileceğini kanıtlamıştır.

Şekil 4: İlişki farkındalıklı grafik konvolüsyonel ağın çapraz modal anlamsal hizalama performansı.(A) Hukuki ve tıbbi davranış uzayları arasındaki artan hizalamayı gösteren, GCN katman sayısının (1'den 4'e) bir fonksiyonu olarak düğüm gömme benzerliği (kosinüs benzerliği). (B) Dört ilişki türü (ihlal, temel, tetikleyici, atıf) arasındaki dikkat ağırlığı dağılımı; ihlal en yüksek ağırlığı (0.35) almıştır. (C) Çok sıçramalı yapısal bilgilerin nasıl biriktiğini nicelleştiren, sıçrama mesafesine (1'den 8'e) karşı komşu düğümlerin etki gücü. Tüm değerler 30 bağımsız çalıştırma üzerinden ortalanmıştır; hata çubukları (netlik için gösterilmemiştir) tüm durumlarda 0.05'in altında standart sapmalara sahipti ve eğilimler monotoniktir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

İlişki farkındalıklı grafik konvolüsyonel ağdaki parametre optimizasyon sürecini ve farklı yasal semantik ilişki türlerinin performans özelliklerini anlamak amacıyla, her bir ilişki türü için parametre optimizasyonu ile elde edilen ağırlık matrisinin ortalama büyüklüğü hesaplanmış ve parametre öğreniminin geriye yayılım ile yakınsadığı doğrulanmıştır. Özellik toplama kalitesi için, çapraz tür düğüm gömmelerinin tutarlılığını değerlendirmek üzere kosinüs benzerliği kullanılmıştır. Yakınsama hızı, her eğitim turundaki kayıp fonksiyonundaki azalma ile hesaplanarak, her bir ilişki türünün eğitim sırasında kararlı kalması sağlanmıştır. Dikkat stabilitesi, farklı eğitim aşamalarındaki dikkat ağırlıklarının standart sapması hesaplanarak değerlendirilmiştir. Karşılaştırmanın adil olmasını sağlamak için hesaplama verimliliği metrikleri, yüzer nokta işlem sayısı temel alınarak standartlaştırılmıştır. İstatistiksel anlamlılığı sağlamak adına tüm metrikler, farklı rastgele tohumlar kullanılarak aynı test seti üzerinde 30 kez çalıştırılmıştır. Yöntemimiz ile her bir temel model arasındaki ikili karşılaştırmalar için 29 serbestlik derecesiyle eşleştirilmiş t-testleri uygulanmıştır.

Şekil 5, ilişki farkındalıklı grafik evrişimli ağdaki çeşitli yasal anlamsal ilişkilerin parametre optimizasyonu etkilerini ve performans özelliklerini göstermektedir. Şekil 5A, dört ilişki türü için ayrılmış ağırlık matrislerinin büyüklük dağılımını göstermekte olup, dikey eksen ilişki türünü, yatay eksen ise öğrenilen parametre matrislerinin büyüklük değerlerini temsil etmektedir. "İhlal" (violation) ilişkisi 0,78 ile en yüksek büyüklük değerine ulaşmıştır; bu durum, söz konusu anlamsal türün modele hakim olduğunu ve yasal uyumluluk analizinin ihlal tespitine verdiği önemi yansıtmaktadır. Şekil 5B, farklı ilişki türleri altındaki özellik toplama kalite puanlarını karşılaştırmaktadır; burada dikey eksen ilişki türünü, yatay eksen ise toplama etkisi puanını temsil eder. Bu grafik, "ihlal" ilişkisinin özellik füzyon kalitesinde de en iyi performansı (0,89) sergilediğini göstermektedir. Şekil 5C, çeşitli ilişkilerin yakınsama hızı performansını tasvir etmektedir; dikey eksen ilişki türünü, yatay eksen ise eğitim turu başına kayıp azalma oranını temsil etmektedir. Değerler sırasıyla ihlal, temel (base), tetikleyici (trigger) ve atıf (attribution) için 0,023, 0,031, 0,028 ve 0,035'tir. Sonuç olarak "atıf" ilişkisi daha yavaş yakınsamakta ancak kararlı kalmaktadır. Şekil 5D üç eğitim aşaması boyunca dikkat ağırlıklarının varyansını göstermektedir. y-ekseni eğitim aşamasını (erken, orta ve geç), x-ekseni ise soldan sağa doğru dikkat ağırlıklarının varyansını temsil eder. İlgili rakamlar 0,18 (erken), 0,12 (orta) ve 0,08'dir (geç); bu da modelin eğitim sırasında belirgin ilişkilere olan odağını kademeli olarak stabilize ettiğini göstermektedir. Şekil 5E, farklı ilişkiler için hesaplama verimliliğindeki ödünleşimi göstermektedir. y ekseni ilişki türüne, x ekseni ise belirli bir görevi tamamlamak için kullanılan hesaplama kaynakları olarak tanımlanan normalize edilmiş yürütme süresine karşılık gelmektedir. Değerler 0,42 (ihlal), 0,39 (temel), 0,43 (tetikleyici) ve 0,38'dir (atıf). Sınıflar arasındaki dağılım dengelidir ve bu durum, ilişki farkındalıklı mekanizmanın performansı düşürmeden iyi bir kaynak tahsisi gerçekleştirdiğini göstermektedir.

Öğrenme modellerinin sütun grafikleri: parametre yoğunluğu, özellik entegrasyonu, eğitim kararlılığı, dikkat varyansı, kaynak verimliliği.
Şekil 5: Konvolüsyon parametrelerinin optimizasyonu ve ilişki farkındalıklı grafiğin performans analizi. (A) Her bir ilişki türü için atanmış ağırlık matrislerinin büyüklüğü (Frobenius normu). (B) İlişki türü başına özellik toplama kalite puanı (kosinüs benzerliği tutarlılığı). (C) İlişki türü başına yakınsama hızı (eğitim epoch'u başına kayıp azalması). (D) Erken, orta ve geç eğitim aşamaları genelindeki dikkat ağırlıklarının varyansı, stabilizasyonu göstermektedir. (E) İlişki türü başına normalize edilmiş yürütme süresi (bağıl hesaplama maliyeti). Tüm metrikler 30 çalıştırmanın ortalamalarıdır; hata çubukları standart sapmayı temsil eder (görüldüğü yerlerde gösterilmiştir). İhlal ilişkisi en yüksek büyüklük ve toplama kalitesini sergilerken, atıf daha yavaş yakınsar ancak kararlı kalır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Semantik hizalama doğruluğu

Varlık hizalama doğruluğu ve ilişki koruma bütünlüğü temel göstergeler olarak kullanılmıştır. Bilgi grafiği yoğunluk gradyanı (seyrek/orta/yoğun) koşulları altında, önerilen yöntem; TransE, ComplEx, GNNExplainer, KG-BERT ve Node2Vec ile karşılaştırılmıştır. Rastgeleliğin etkisini ortadan kaldırmak için tüm yöntemler 30 kez çalıştırılmış, ortalama ve standart sapma değerleri alınmıştır.

Şekil 6 önerilen yöntemin performansının, farklı bilgi grafiği yoğunlukları altında, iki temel metrik olan varlık hizalama doğruluğu ve ilişki koruma bütünlüğü açısından birkaç karşılaştırma yöntemiyle olan kıyaslamasını göstermektedir. Şekil 6A ve 6Byatay eksen farklı yöntemleri, dikey eksen ise sırasıyla varlık hizalama doğruluğunu ve ilişki koruma bütünlüğünü temsil etmektedir.

Bilgi grafiği yoğunlukları için varlık hizalama doğruluğu ve ilişki koruma tamlığı grafikleri.
Şekil 6: Farklı grafik yoğunlukları altında semantik hizalama performansı. (A) Önerilen yöntemin TransE, ComplEx, GNNExplainer, KG‑BERT ve Node2Vec ile karşılaştırıldığı varlık hizalama doğruluğu (Eq. 12) ve (B) ilişki koruma bütünlüğü (Eq. 13). Çubuk yükseklikleri 30 çalışma üzerinden ortalama değerleri göstermekte; hata çubukları standart sapmayı temsil etmektedir. Önerilen yöntem, tüm yoğunluklar genelinde en az 0.92 doğruluk ve 0.88 bütünlük sağlayarak tüm temel modellerden daha iyi performans göstermiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Varlık hizalama doğruluğu açısından bakıldığında, önerilen yöntem farklı yoğunluk koşulları altında mükemmel performans sergilemiş ve özellikle yoğun grafiklerde en yüksek seviyeye ulaşarak 0,92'den düşük olmayan bir ortalama varlık hizalama doğruluğu elde etmiştir. Bu durum, oluşturulan ilişki duyarlı grafik evrişimli ağın, heterojen düğümler arasındaki anlamsal ilişkileri etkili bir şekilde yakalayabildiğini ve kenar türüne özgü ağırlıklar ile dikkat mekanizmaları aracılığıyla modlar arası özelliklerin etkili bir şekilde hizalanmasını sağladığını göstermektedir. Buna karşılık, geleneksel yöntemler, özellikle TransE ve Node2Vec, yasal anlamsal ilişkilerin açık modellemesinin eksikliği nedeniyle daha düşük performans göstermiştir. Önerilen yaklaşımın üstünlüğü, 0,88'den düşük olmayan ortalama ilişki koruma bütünlüğü sonuçlarıyla da doğrulanmış olup, bu durum yaklaşımın farklı grafik yoğunluklarında orijinal yasal metindeki açık ilişkileri başarıyla yeniden kurgulayabildiğini göstermektedir. Bu sağlam performans, yasal maddeler, tıbbi davranışlar, algoritmik modüller ve sorumlu aktörler arasındaki karmaşık ilişkileri kapsamlı bir şekilde yakalayan heterojen grafik yapılı kodlama ve çok katmanlı mesaj iletim şemasına dayanmaktadır. GNNExplainer ve KG-BERT bazı ilişkisel modelleme yetenekleri sergilese de, her ikisi de hukuktaki normatif semantiklere uygulandığında kısıtlanmış ve performansları önerilen yöntemin gerisinde kalmıştır.

Yanlılık lokalizasyon yeteneklerinin karşılaştırılması

Yanlılık lokalizasyonunun değerlendirmesi, kaynağın izleme tamamlığı ve yol doğruluğunu ilgilendiren, kök neden düğümlerinin gerçek geri çağırma oranı (recall) ve yayılım yollarının kesinliği (precision) temelinde iki kaliteli iş birlikli bir doğrulama çerçevesi aracılığıyla gerçekleştirilmiştir. Adil bir test için tüm karşılaştırma yöntemleri, aynı yanlılık simülasyon enjeksiyon protokolü ve değerlendirme arayüz tanımı kullanılarak aynı grafik yapısı girişi üzerinde yürütülmüştür. Rastgele dalgalanmaları azaltmak için her deney, farklı rastgele tohumlarla (random seeds) 30 kez tekrarlanmıştır. Sonuçlar ortalama ±± standart sapma olarak sunulmuş ve p-değerlerini (bu makaledeki yönteme karşı) belirlemek için eşleştirilmiş t-testleri kullanılmıştır; bu durum, değerlendirme sonucunun istatistiksel sağlamlığını ve karşılaştırılabilirliğini garanti eder. p-değerleri, 29 serbestlik derecesine sahip eşleştirilmiş t-testlerinden (30 bağımsız çalışma temel alınarak) türetilmiştir. Yöntemimiz ile her bir temel çizgi (baseline) arasındaki karşılaştırma için t-istatistikleri, bildirilen p-değerlerine karşılık gelecek şekilde 7,82 ile 12,45 arasında değişmektedir.

Tablo 2, farklı yöntemlerin yanlılık yerelleştirme kapasitesinin kantitatif değerlendirme sonuçlarını, performansın iki temel göstergesi olan kök düğüm geri çağırma oranı ve yayılım yolu kesinliği ile göstermektedir. Kök düğüm geri çağırma oranı bakımından, önerilen yöntem tüm temel modellerden belirgin şekilde daha iyidir ve ikinci en iyi yöntem olan GNNExplainer'dan (0.82 ±± 0.03) önemli ölçüde daha yüksek, diğer yöntemlerden ise çok daha üstün olan 0.95 ±± 0.02'lik bir üst düzey geri çağırma oranına ulaşmıştır. Bu avantaj, grafik üzerindeki yanlılık sinyallerinin yayılım yolunu hassas bir şekilde takip edebilen ve yüksek katkı sağlayan kaynak düğümleri etkili bir şekilde tanıyabilen, bu makalede önerilen gradyan duyarlı nicelleştirme mekanizmasına bağlanmaktadır. Buna karşın, kenar türlerindeki anlamsal farklılıkları yakalama imkanı olmayan ve bu nedenle yanlılık yayılım yolları ile normal ilişkileri net bir şekilde ayırt edemeyen klasik yaklaşımlar TransE ve Node2Vec, sırasıyla yalnızca 0.75 ±± 0.04 ve 0.72 ±± 0.05 geri çağırma skorları elde etmiştir. KG-BERT, önceden eğitilmiş bir dil modeli sunmasına rağmen, grafik yapısı içindeki bilgi akışıyla sınırlı kalmış ve 0.70 ±± 0.04 geri çağırma skoru elde etmiştir.

Yöntem	Kök Düğüm Geri Çağırma (Root Node Recall)	p-değeri (Kök Düğüm Geri Çağırma)	Yayılım Yolu Kesinliği (Propagation Path Precision)	p-değeri (Yayılım Yolu Kesinliği)
Önerilen	0.95 ± 0.02	-	0.93 ± 0.03	-
TransE	0.75 ± 0.04	1.23 × 10⁻⁸	0.78 ± 0.05	2.45 × 10⁻⁷
ComplEx	0.78 ± 0.03	8.91 × 10⁻⁹	0.81 ± 0.04	1.67 × 10⁻⁸
GNNExplainer	0.82 ± 0.03	3.45 × 10⁻⁷	0.86 ± 0.04	9.21 × 10⁻⁹
KG-BERT	0.70 ± 0.04	5.67 × 10⁻⁸	0.73 ± 0.05	4.32 × 10⁻⁸
Node2Vec	0.72 ± 0.05	7.89 × 10⁻⁹	0.75 ± 0.06	1.54 × 10⁻⁷

Tablo 2: Kök düğüm geri çağırma oranı ve yayılım yolu kesinlik oranı. Tüm yöntemler için yanlılık yerelleştirme performans karşılaştırması. Değerler, 30 bağımsız çalıştırma üzerinden ortalama ±± standart sapma olarak raporlanmıştır. Kök düğüm geri çağırma (Eş. 14) ve yayılım yolu kesinliği (Eş. 15) gösterilmiştir. Önerilen yöntem, en yüksek geri çağırma (0.95 ±± 0.02) ve kesinlik (0.93 ±± 0.03) değerlerine ulaşarak temel yöntemlerden önemli ölçüde daha iyi performans göstermiştir (eşleştirilmiş t-testi, tüm karşılaştırmalar için p < 0.001).

Bu yöntem, 0,93 ± 0,03 değeriyle yayılım yolu doğruluğu açısından da en iyisidir ve diğer yöntemleri geride bırakmaktadır. Bu durum, önerilen alt graf geri izleme prosedürünün gürültülü kenarları başarıyla ortadan kaldırabildiğini ve gerçek yanlılık yayılım yolunu tanımlayabildiğini kanıtlamaktadır. p-değeri analizi, performanstaki anlamlı farkları doğrulamaktadır; tüm temel yöntemler, önerilen yöntemle son derece anlamlı farklar sergilemektedir (p < 0,001), bu da önerilen yöntemin yanlılık lokalizasyonu problemindeki sağlamlığını ve etkinliğini garanti etmektedir. ComplEx ve GNNExplainer'ın nispeten güçlü performansı, yanlılık tespitinde karmaşık ilişki yapılarının ve graf sinir ağı açıklanabilirliğinin önemine işaret edebilir, ancak bunlar bu makalede sunulan uçtan uca çözümle kıyaslanamazlar.

Hesap verebilirlik izlemenin verimlilik değerlendirmesi

Değerlendirme, ortalama izleme gecikmesi ve eşzamanlı isteklerin işlem hacmini iki temel verimlilik göstergesi olarak alarak, hesap verebilirlik izleme sisteminin gerçek zamanlı yanıtı üzerine yapılmıştır. Deneyler, üç tıbbi yapay zeka karar verme frekansında (düşük frekans, orta frekans ve yüksek frekans) yürütülmüştür. Adil bir karşılaştırma için, tüm yaklaşımlara aynı giriş akışı sağlanmış ve tüm izleme prosedürü çalıştırılmıştır.

Şekil 7, farklı tıbbi yapay zeka karar verme frekanslarında, farklı yöntemler arasındaki sorumluluk izleme verimliliğini karşılaştırmaktadır. Sonuçlar, soldan sağa doğru değerlendirilen yöntemlere aittir: Çizgiler düşük frekanslı, orta frekanslı ve yüksek frekanslı tıbbi yapay zeka kararları olarak etiketlenmiştir.

Algoritmaların ortalama izleme gecikmesi ve veri işleme kapasitesi karşılaştırması; ısı haritası grafiği; veri analizi.
Şekil 7: Ortalama kaynak izleme gecikmesi ve eşzamanlı istek işleme kapasitesi. (A) Yöntem başına ortalama izleme gecikmesi (ms); (B) Yöntem başına veri işleme kapasitesi (istek/saniye). Çizgiler 30 çalışma boyunca elde edilen ortalama değerleri birbirine bağlar; hata çubukları (gösterilmişse) standart sapmayı temsil eder. Önerilen yöntem, tüm frekanslarda en düşük gecikmeyi (42‑55 ms) ve en yüksek veri işleme kapasitesini (190‑230 req/s) koruyarak üstün gerçek zamanlı performans sergilemektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ortalama izleme gecikmesi açısından, önerilen yöntem tüm frekans koşulları altında en iyi sonucu vermektedir; dahası, diğer tüm yöntemler bizimkine kıyasla önemli ölçüde daha yüksek gecikmeye sahiptir. Tüm yöntemlerin izleme gecikmesi genel olarak karar frekansı ile birlikte artmaktadır, ancak bizim yöntemimizin artışı daha yumuşaktır: düşük frekansta 42 milisaniye ve yüksek frekansta 55 milisaniyedir. Bu üstünlük, yöntemin farkındalıklı-ilişkisel bir graf konvolüsyonel ağ tabanlı olmasından kaynaklanmaktadır; bu yapı, klasik yaklaşımlarda yüksek eşzamanlılık altında genel parametrelerin paylaşılmasından doğan hesaplama yükünden kaçınmak için farklı türdeki yasal semantik ilişkilere farklı ağırlık matrisleri atar. Buna karşılık, tensör ayrıştırmaya dayanan TransE ve ComplEx, yüksek frekanslarda ciddi şekilde performans kaybı yaşamaktadır. Bu yöntemler, yasal-teknik ilişkiler arasındaki uzun menzilli etkileşimin doğrusal olmayan dönüşümünü verimli bir şekilde işleyememekte ve bu da daha yüksek gecikmeye yol açmaktadır. İstek çiftleri için geçen süre bakımından, bu makaledeki yöntem yine daha iyidir. Düşük frekans ayarında, işlem hacmi (throughput) diğer yaklaşımların çok ötesinde 230 requests/second'dir. Frekans arttıkça işlem hacmi düşmektedir, ancak azalma miktarı yüksek frekans senaryosunda bile kontrol edilebilir düzeydedir ve işlem hacmi hâlâ 190 requests/second'ye ulaşmaktadır. Bu dayanıklılık, bu yaklaşımdaki geçici düğüm gömme (temporary node embedding) stratejisine ve gradyan geriye yayılım yol-paralel tasarımına atfedilmektedir; bu özellikler, istekleri verimli bir şekilde toplu olarak işlerken aynı zamanda toplu izleme doğruluğunu garanti edebilmektedir. Özel olarak optimize edilmemiş olan genel yaklaşımlar, eşzamanlı sorgularla karşılaştıklarında performans açısından önemli ölçüde gerilemekte, bu nedenle gerçek zamanlı izleme için uygun olmamaktadırlar.

Yasal kısıt kapsamının alanlar arası genelleme yeteneğinin doğrulanması

Değerlendirme prosedürü, nicelleştirme için iki göstergenin yetki alanı kapsamı ve kısıt çatışması tespit oranı olduğu, yasal kısıtların modellenmesinin alanlar arası yeteneği perspektifinden gerçekleştirilir. Deney için tekli yetki alanı, iki taraflı yetki alanı ve çok taraflı yetki alanı olmak üzere üç tip alanlar arası yetki karmaşıklığı tasarlanmıştır. Mimari farkın getirdiği değerlendirme yanlılığını ortadan kaldırmak amacıyla, genelleme yeteneği üzerinde adil bir karşılaştırma yapmak için tüm rakip yöntemler 30 kez tekrarlanmış ve ortalama sonuçlar raporlanmıştır.

Tablo 3'te gösterildiği gibi, bu yaklaşım üç farklı yasal yetki alanı karmaşıklığında tüm temel yöntemlerden tutarlı bir şekilde daha iyi sonuçlar vermekte ve performans kaybı daha hafif seyretmektedir. Tek yasal yetki alanı senaryosunda, %94 yasal kapsam ile çatışmaların yaklaşık %89'luk bir tespit oranını sağlamaktadır. Çok taraflı yasal yetki alanlarına genellendiğinde ise %81 çatışma tespit oranıyla hala %87 kapsam sağlama kapasitesine sahiptir. Buna karşılık, geleneksel gömme yöntemleri (örneğin, TransE ve Node2Vec), çok taraflı ortamlarda kapsamın yaklaşık %60'a düşmesinden muzdariptir ve genellikle daha düşük çatışma tespit oranlarına sahiptir; bu durum, söz konusu yöntemlerin hukuklar arası yetki alanı anlamsal heterojenliğini yönetmede yetersiz olduklarını göstermektedir. Öte yandan, KG-BERT ve GNNExplainer, ek ön eğitimli dil modelleri veya yorumlama modülleri ile bazı iyileştirmeler sunsa da, yasal yetki alanlarının örtüştüğü durumlarda hala ciddi performans kayıpları yaşamaktadırlar.

Yöntem	Yargı Yetkisi Belirleme	Hukuki Alan Kapsamı	Kısıt Çakışması Algılama Oranı
Önerilen	Tekli	0.94 ± 0.02	0.89 ± 0.03
	Bilateral	0.91 ± 0.03	0.85 ± 0.04
	Çok taraflı	0.87 ± 0.04	0.81 ± 0.05
TransE	Tekli	0.76 ± 0.05	0.52 ± 0.06
	Bilateral	0.68 ± 0.06	0.45 ± 0.07
	Çok taraflı	0.61 ± 0.07	0.38 ± 0.08
ComplEx	Tekli	0.79 ± 0.04	0.55 ± 0.05
	Bilateral	0.72 ± 0.05	0.48 ± 0.06
	Çok taraflı	0.65 ± 0.06	0.41 ± 0.07
GNNExplainer	Tekli	0.82 ± 0.04	0.61 ± 0.05
	Bilateral	0.75 ± 0.05	0.54 ± 0.06
	Çok taraflı	0.68 ± 0.06	0.47 ± 0.07
KG-BERT	Tekli	0.80 ± 0.04	0.58 ± 0.05
	Bilateral	0.73 ± 0.05	0.51 ± 0.06
	Çok taraflı	0.66 ± 0.06	0.44 ± 0.07
Node2Vec	Tekli	0.74 ± 0.05	0.49 ± 0.06
	Bilateral	0.66 ± 0.06	0.42 ± 0.07
	Çok taraflı	0.59 ± 0.07	0.36 ± 0.08

Tablo 3: Yetki alanı kapsamı ve kısıtlama çatışması tespit oranı. Tekli, ikili ve çok taraflı yasal yetki alanları altında çapraz alan genelleme sonuçları. Yetki alanı kapsamı (Eq. 18) ve kısıtlama çatışması tespit oranı (Eq. 19), 30 çalışma üzerinden ortalama ± SD olarak sunulmuştur. Önerilen yöntem, temel yöntemler önemli ölçüde kötüleşirken, en karmaşık çok taraflı ortamda bile yüksek kapsam (≥87%) ve tespit (≥81%) oranlarını korumaktadır.

Bu tutarsızlık, tamamen farklı olan temel modelleme süreçlerinden kaynaklanmaktadır. Mevcut bilgi grafiği gömme yaklaşımları (örneğin, TransE, ComplEx), modelleme için statik bir vektör uzayındaki geometrik ilişkelerden yararlanmakta ve "yasak" ve "izin" gibi ikili yasal semantikleri asla ayırt etmemektedir; bu durum, aynı tıbbi işlemin farklı hukuk sistemlerindeki nüanslı düzenlemelerini yönetmelerini engellemektedir. KG-BERT metinsel bağlamı yakalayabilse de, açık yapısal muhakeme gücünden yoksundur ve maddeler arasındaki normatif bağımlılıklar ile çatışan kısıtlamalarla muhakeme yürütmekte zorlanmaktadır. Bunun yerine, önerilen model dört tip yasal semantik kenarı ("ihlal", "temel", "tetikleyici" ve "atıf") ekleyerek yönlendirilmiş heterojen bir graf oluşturmakta ve ilişki duyarlı graf konvolüsyonunu gradyan geri yayılımı ile entegre etmektedir. Sonuç olarak, önerilen model yalnızca yasal mantığın nedensel yönliliğini korumakla kalmaz, aynı zamanda semantik olarak paralel maddeleri dinamik olarak hizalar ve yasal alanın çok kaynaklı girdilerinde çelişen kuralları tespit eder. Bu nedenle, çok taraflı bir hukuk sistemi içinde yükümlülüklerin sıkça çatıştığı, sorumlulukların örtüştüğü veya uygulama önceliklerinin belirsiz olduğu karmaşık senaryolarda, bu metodoloji, çelişkilerin kaynaklarını yapılandırılmış bir şekilde kesin olarak belirlemenin ve bunları yüksek kapsam ve doğrulukla alanlar arası çıkarımlara dönüştürmenin bir yolunu sunmaktadır.

Ablasyon çalışması

Her bir temel bileşenin katkısını izole etmek için, yoğun grafik (D = 1.0) ayarında çerçevemizdeki temel modülleri kaldırarak veya değiştirerek bir ablasyon çalışması yürüttük. Spesifik olarak, tam modeli üç varyantla karşılaştırdık: (1) tüm kenar türlerinin tek bir dönüşüm matrisini paylaştığı, ilişki duyarlı konvolüsyonun olmadığı (w/o relation-aware convolution) durum; (2) komşu katkılarının tekdüze olarak ortalandığı, dikkat mekanizmasının olmadığı (w/o attention mechanism) durum; ve (3) yanlılık kaynaklarının gradyan tabanlı alt grafik yeniden yapılandırması yerine basit bir düğüm derecesi sezgiseli kullanılarak tanımlandığı, gradyan geri izlemenin olmadığı (w/o gradient backtracking) durum.

Tablo 4, her bir bileşenin belirgin katkılarını ortaya koyan ablasyon sonuçlarını sunmaktadır. İlişki duyarlı konvolüsyonun çıkarılması, kök geri çağırma (root recall) değerinin 0,95'ten 0,81'e, yol kesinliğinin (path precision) ise 0,93'ten 0,78'e düşmesiyle en önemli performans kaybına neden olmuştur. Bu durum, tüm ilişki türleri arasında tek bir dönüşüm matrisinin paylaşılmasının modlar arası hizalama sırasında ciddi bilgi kaybına yol açması nedeniyle, türe özgü kenar modellemenin hukuki ilişkilerin semantik çeşitliliğini yakalamak için kritik olduğunu doğrulamaktadır. Dikkat mekanizması da dikkate değer bir katkı sağlamaktadır; bu mekanizmanın çıkarılması, kök geri çağırma değerini 0,88'e ve yol kesinliğini 0,85'e düşürerek, komşu mesajların dinamik ağırlıklandırılmasının modelin etkili hukuki yolları ayırt etme yeteneğini artırdığını göstermektedir, ancak bunun etkisi ilişki duyarlılığından ikincildir. Gradyan geri izlemenin (gradient backtracking) çıkarılması, geri çağırmada en küçük düşüşü (0,91) ancak yol kesinliğinde en büyük düşüşü (0,76) sağlamıştır; bu da basit sezgisellerin kaynak düğümleri kısmen tanımlayabilse de, yayılım yapısının kesin yeniden yapılandırılmasının büyük ölçüde gradyan tabanlı hassasiyet analizine dayandığını göstermektedir. Genel olarak, her üç bileşen de çerçevenin yanlılık yerelleştirme performansına anlamlı katkılarda bulunmakta olup, ilişki duyarlı konvolüsyon en temel, gradyan geri izleme ise yol düzeyindeki doğruluk için vazgeçilmez bileşen olarak öne çıkmaktadır.

Model Varyantı	Kök Geri Çağırma (Root Recall)	Yol Kesinliği (Path Precision)
Tam Model	0.95 ± 0.02	0.93 ± 0.03
ilişki duyarlı konvolüzyon olmadan	0.81 ± 0.03	0.78 ± 0.04
dikkat mekanizması olmadan	0.88 ± 0.02	0.85 ± 0.03
gradyan geri izleme olmadan	0.91 ± 0.03	0.76 ± 0.05

Tablo 4: Yoğun grafik üzerindeki ablasyon çalışması sonuçları (D = 1.0). Temel bileşenlerin çıkarılmasının etkisi: (ilişki-farkındalıklı konvolüsyon olmadan), (dikkat mekanizması olmadan) ve (gradyan geri izleme olmadan). Metrikler (kök geri çağırma ve yol kesinliği), 30 çalıştırma üzerinden ortalama ±± SD olarak verilmiştir. Tam modelin en iyi performansı göstermesi, her bir bileşenin anlamlı bir katkı sağladığını ve ilişki-farkındalıklı konvolüsyonun en kritik bileşen olduğunu doğrulamaktadır.

VERİLERİN ERİŞİLEBİLİRLİĞİ:

Bu çalışma sırasında oluşturulan ve analiz edilen, tüm düğüm ve kenar verilerini (dört varlık türünde 285 düğüm ve dört yasal semantik ilişkiye sahip 1.247 yönlendirilmiş kenar) içeren yapılandırılmış heterojen bilgi grafiği veri seti, https://doi.org/10.6084/m9.figshare.33117644 DOI numarası ile Figshare deposuna kaydedilmiştir. Veriler, bu makalenin yayınlanma tarihi itibarıyla halka açık durumdadır. İlgili veri seti dosyaları ayrıca Ek Dosya 1 olarak sunulmuştur.

Ek Dosya 1: Bu çalışmada kullanılan veri seti dosyaları.Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Tıbbi yapay zekanın klinik kararlara entegrasyonu, yapılandırılmamış yasal metinler ile kara kutu algoritmalar arasındaki semantik boşluk nedeniyle sorumluluk atama konusunda yasal zorluklar ortaya çıkarmaktadır. Bunu gidermek için; yasal maddeleri, tıbbi davranışları, algoritma modüllerini ve sorumlu tarafları, dört yönlü yasal-semantik ilişki (ihlal, dayanak, tetikleyici, atama) aracılığıyla birbirine bağlanan heterojen düğümler olarak modelleyen GNN tabanlı bir bilgi grafiği önerdik. Bu yapı, modallar arası hizalama ve yanlılık izleme için hesaplanabilir bir arayüz sağlamaktadır.

Yöntemimiz tüm metriklerde üstün performans sergilemektedir. Değişen grafik yoğunlukları altında, varlık hizalama doğruluğu (≥0.92) ve ilişki koruma (≥0.8), TransE, ComplEx ve KG‑BERT'ten daha iyi sonuçlar vermektedir. Yanlılık lokalizasyonu, GNNExplainer'ı önemli ölçüde aşan kök geri çağırma (0.95 ±± 0.02) ve yol kesinliği (0.93 ±± 0.03) değerleri sağlamaktadır. Dinamik izleme, düşük gecikme süresini (42–5 ms) ve yüksek veri işleme kapasitesini (190–230 req/s) korurken, yargı bölgeleri arası testler güçlü bir kapsam (≥87%) ve çatışma tespiti (≥81%) göstermektedir. Bu sonuçlar, yasal ve teknik semantiklerin yorumlanabilir yanlılık izleme ile etkili bir şekilde köprülendiğini doğrulamaktadır.

Başarımız üç yeniliğe dayanmaktadır: (1) tipize edilmiş yasal-semantik kenarlar, tek tip gömmeler tarafından sıklıkla gözden kaçırılan nedensel ve normatif ayrımları yakalar²⁰^,²¹; (2) ilişki türü başına özel dönüşüm matrisleri içeren ilişki-duyarlı konvolüsyon, türler arası etkileşime olanak tanırken semantik özgünlüğü korur³⁸^,³⁹; ve (3) gradyan tabanlı katkı miktarlandırma ve topluluk rehberliğinde kümeleme, global yanlılığı yerel kaynak tanımlamaya dönüştürerek posthoc açıklayıcıların sınırlamalarını aşar³²^,³. Bu durum, uyumluluğu statik kural kontrolünden dinamik, yapı-duyarlı bir akıl yürütmeye taşır.

Sınırlamalar arasında, manuel olarak tanımlanmış ilişki çıkarımına olan bağımlılık ve belirsiz yan cümleciklerle ilgili yaşanan zorluklar yer almaktadır. Gelecekteki çalışmalar, hukuk mantığı formalizmlerini (örneğin, defeasible logic²⁶^,²⁷) ve gelişen düzenlemeler için çevrimiçi öğrenmeyi entegre edecek ve diğer yüksek riskli alanlara (otonom sürüş, finans) genişletilecektir. Kullanıcı döngüdeki geri bildirimler, atıfları daha da hassaslaştıracaktır. Bu yönelimler, grafik tabanlı ve açıklanabilir yapay zekayı, güvenilir akıllı sistemler için bir temel olarak sağlamlaştıracaktır.

Açıklamalar

Makale daha önce yayınlanmamıştır ve başka bir derginin değerlendirme sürecinde değildir. Yazarların tamamı makalenin içeriğini onaylamıştır. Yazarlar, herhangi bir finansal çıkar çatışması olmadığını beyan ederler.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
Ad	Şirket	Katalog numarası	Yorumlar
ComplEx	Açık kaynak uygulama (örneğin, OpenKE)	Sürüm 1.0	Bilgi grafiği karşılaştırması için kompleks gömme temel çizgisi
GNNExplainer	Açık kaynak uygulama (https://github.com/RexYing/gnn-explainer)	Commit 7a3b6a2 (2021)	Yanlılık takibi için GNN yorumlanabilirliği temel çizgisi
Intel Xeon Gold 6248 (CPU)	Intel Corporation	SRF7F	Model eğitimi ve veri ön işleme için merkezi işlemci
KG-BERT	HuggingFace Transformers + BERT-base	BERT-base-uncased (HuggingFace)	Semantik hizalama için Transformer tabanlı KG gömme temel çizgisi
Node2Vec	Açık kaynak uygulama (https://github.com/aditya-grover/node2vec)	Sürüm 1.0	Rastgele yürüyüş tabanlı düğüm gömme temel çizgisi
NVIDIA Tesla V10 (GPU)	NVIDIA Corporation	90-2G50-010-0	Graf neural network eğitimini hızlandıran yüksek performanslı GPU
Bizimki (Relation-aware GCN)	PyTorch'ta özel uygulama	PyTorch 1.12.0	İlişki başına dönüşümler, dikkat ve gradyan geri izleme içeren önerilen çerçeve
TransE	Açık kaynak uygulama (örneğin, OpenKE)	Sürüm 1.0	Bilgi grafiği karşılaştırması için translasyonel gömme temel çizgisi

Kaynaklar

Wang Y, Ma Z. Ethical and legal challenges of medical AI on informed consent: China as an example. Dev World Bioeth. 2025;25(1):46-54.
Sand M, Durán JM, Jongsma KR. Responsibility beyond design: Physicians' requirements for ethical medical AI. Bioethics. 2022;36(2):162-169.
Schultz MD, Seele P. Towards AI ethics' institutionalization: knowledge bridges from business ethics to advance organizational AI ethics. AI Ethics. 2023;3(1):99-111.
Magesh V, et al. Hallucination-Free? Assessing the reliability of leading AI legal research tools. J Empir Leg Stud. 2025;22(2):216-242.
Patil S, Shankar H. Transforming healthcare: harnessing the power of AI in the modern era. Int J Multidiscip Sci Arts. 2023;2(2):60-70.
Birkstedt T, Minkkinen M, Tandon A, Mäntymäki M. AI governance: themes, knowledge gaps and future agendas. Internet Res. 2023;33(7):133-167.
Mohammad Amini M, et al. Artificial intelligence ethics and challenges in healthcare applications: a comprehensive review in the context of the European GDPR mandate. Mach Learn Knowl Extr. 2023;5(3):1023-1035.
Pasham SD. Opportunities and difficulties of artificial intelligence in medicine existing applications, emerging issues, and solutions. The Metascience. 2023;1(1):67-80.
Vearrier L, et al. Artificial intelligence in emergency medicine: benefits, risks, and recommendations. J Emerg Med. 2022;62(4):492-499.
Peng Y, Rousseau JF, Shortliffe EH, Weng C. AI-generated text may have a role in evidence-based medicine. Nat Med. 2023;29(7):1593-1594.
Alam MN, Kaur M, Kabir MS. Explainable AI in healthcare: enhancing transparency and trust upon legal and ethical consideration. Int Res J Eng Technol. 2023;10(6):1-9.
Sorantin E, et al. The augmented radiologist: artificial intelligence in the practice of radiology. Pediatr Radiol. 2022;52(11):2074-2086.
Borger JG, et al. Artificial intelligence takes center stage: exploring the capabilities and implications of ChatGPT and other AI-assisted technologies in scientific research and education. Immunol Cell Biol. 2023;101(10):923-935.
Chikhaoui E, Alajmi A, Larabi-Marie-Sainte S. Artificial intelligence applications in healthcare sector: ethical and legal challenges. Emerg Sci J. 2022;6(4):717-738.
Kerasidou CX, Kerasidou A, Buscher M, Wilkinson S. Before and beyond trust: reliance in medical AI. J Med Ethics. 2022;48(11):852-856.
Polineni TNS, Maguluri KK, Yasmeen Z, Edward A. AI-driven insights into end-of-life decision-making: ethical, legal, and clinical perspectives on leveraging machine learning to improve patient autonomy and palliative care outcomes. Migr Lett. 2022;19(6):1159-1172.
Galiana LI, Gudino LC, González PM. Ethics and artificial intelligence. Rev Clin Esp (Engl Ed). 2024;224(3):178-186.
Paladugu PS, et al. Generative adversarial networks in medicine: important considerations for this emerging innovation in artificial intelligence. Ann Biomed Eng. 2023;51(10):2130-2142.
Harris E. Large language models answer medical questions accurately, but can't match clinicians' knowledge. JAMA. 2023;330(9):792-794.
İpek ZH, Gözüm AIC, Papadakis S, Kallogiannakis M. Educational applications of the ChatGPT AI system: a systematic review research. Educ Process Int J. 2023;12(3):26-55.
Kim C, et al. Transparent medical image AI via an image-text foundation model grounded in medical literature. Nat Med. 2024;30(4):1154-1165.
Wang YH, Lin GY. Exploring AI-healthcare innovation: natural language processing-based patents analysis for technology-driven road mapping. Kybernetes. 2023;52(4):1173-1189.
Pruneski JA, et al. Natural language processing: using artificial intelligence to understand human language in orthopedics. Knee Surg Sports Traumatol Arthrosc. 2023;31(4):1203-1211.
Chen RJ, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nat Biomed Eng. 2023;7(6):719-742.
Yang Y, et al. The limits of fair medical imaging AI in real-world generalization. Nat Med. 2024;30(10):2838-2848.
Almarshadi NF, et al. Clinical and medical coding: a new pathway for automation—an updated review. J Med Life Sci. 2024;6(4):633-651.
Osifowokan AS, Agbadamasi TO, Adukpo TK, Mensah N. Regulatory and legal challenges of artificial intelligence in the US healthcare system: liability, compliance, and patient safety. World J Adv Res Rev. 2025;25(3):949-955.
Hasan MT. Graph neural network models for detecting fraudulent insurance claims in healthcare systems. Am J Adv Technol Eng Solut. 2022;2(01):88-109.
Johnson R, Li MM, Noori A, Zitnik M. Graph artificial intelligence in medicine. Annu Rev Biomed Data Sci. 2024;7:345-368.
Lettieri N, Guarino A, Malandrino D, Zaccagnino R. Knowledge mining and social dangerousness assessment in criminal justice: metaheuristic integration of machine learning and graph-based inference. Artif Intell Law. 2023;31(4):653-702.
Ma Y, et al. Incorporating structural information into legal case retrieval. ACM Trans Inf Syst. 2023;42(2):1-28.
Jin Z, et al. GNNLens: a visual analytics approach for prediction error diagnosis of graph neural networks. IEEE Trans Vis Comput Graph. 2022;29(6):3024-3038.
Shen Y, Zhang J, Song SH, Letaief KB. Graph neural networks for wireless communications: from theory to practice. IEEE Trans Wirel Commun. 2022;22(5):3554-3569.
Xue X, et al. Adaptive similarity feature construction for ontology matching via multi-layer hybrid genetic programming. IEEE Transactions on Evolutionary Computation, 2025;30(2):519-533.
Cheng T, et al. Graph convolutional network for image restoration: A survey. Mathematics, 2024;12(13): 2020.
Li N, et al. Survey on evolutionary deep learning: Principles, algorithms, applications, and open issues. ACM Computing Surveys, 2023; 56(2): 1-34.
Ma L, et al. A novel fuzzy neural network architecture search framework for defect recognition with uncertainties. IEEE Transactions on Fuzzy Systems, 2024; 32(5): 3274-3285.
Fang Y, et al. Relation-aware graph convolutional networks for multi-relational network alignment. ACM Trans Intell Syst Technol. 2023;14(2):1-23.
Schlichtkrull M, et al. Modeling relational data with graph convolutional networks//European semantic web conference. Cham: Springer International Publishing, 2018; 593-607.
Ariai F, Mackenzie J, Demartini G. Natural language processing for the legal domain: a survey of tasks, datasets, models, and challenges. ACM Comput Surv. 2025;58(6):1-37.
Xu Y, et al. BNet: batch normalization with enhanced linear transformation. IEEE Trans Pattern Anal Mach Intell. 2023;45(7):9225-9232.
Guo MH, et al. Attention mechanisms in computer vision: a survey. Comput Vis Media. 2022;8(3):331-368.
Guo MH, et al. Visual attention network. Comput Vis Media. 2023;9(4):733-752.

Yeniden basım ve izinler

Etiketler

Yanlılık Yayılımı Yasal Uyumluluk Analizi Semantik Hizalama Algoritmik Yanlılık Varlık Hizalaması Topluluk Keşfi Uyumluluk Doğrulaması