Yapay Zeka ve Hukuk İlişkisine Adli Tıp Özelinde Bakış

Muhammed Burak Görentaş; Taner Uçkan; Faruk Ayata; Ayten Dizkırıcı

doi:10.5281/zenodo.8232713

Yazarlar

Muhammed Burak Görentaş Van Yüzüncü Yıl Üniversitesi, Başkale Meslek Yüksekokulu, Van, Türkiye https://orcid.org/0000-0001-8898-9631
Taner Uçkan Van Yüzüncü Yıl Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Van, Türkiye https://orcid.org/0000-0001-5385-6775
Faruk Ayata Van Yüzüncü Yıl Üniversitesi, Başkale Meslek Yüksekokulu, Van, Türkiye https://orcid.org/0000-0003-2403-3192
Ayten Dizkırıcı Van Yüzüncü Yıl Üniversitesi, Fen Fakültesi, Moleküler Biyoloji ve Genetik Bölümü, Van, Türkiye https://orcid.org/0000-0002-0578-5092

DOI:

https://doi.org/10.5281/zenodo.8232713

Anahtar Kelimeler:

Yapay Zeka, Adli Tıp, Hukuk

Özet

Adli tıp, suçların ve ölüm nedenlerinin belirlenmesi, suçlu profillerinin oluşturulması, delil analizi gibi birçok alanda hukuki süreçleri desteklemek amacıyla tıp ve hukuk bilimlerinin birleştirildiği bir disiplindir ve bir olayın gerçekleştiği yerden delil toplanması, otopsi raporlarının yazılması, kan ve DNA analizleri, patolojik görüntülerin yorumlanması gibi birçok alanda kullanılır. Yapay zeka (YZ) ise, insan zekasının bilgisayar sistemleri aracılığıyla taklit edilmesi ve bu sistemlerin öğrenme, karar verme ve problem çözme gibi yetenekleri kazanmasıdır. YZ, birçok farklı alanda kullanılmaktadır ve son yıllarda adli tıpta da yaygın bir şekilde kullanılmaya başlanmıştır. Suçlu profillerinin oluşturulması, olay yeri incelemesi, delil analizi gibi görevlerde YZ algoritmaları kullanılarak yargı sürecinde suçlu veya masumluğun hızlı ve doğru şekilde belirlenmesinde kullanılabilir. Ayrıca, patolojik görüntülerin yorumlanması veya otopsi raporlarının yazılması gibi görevlerde de YZ kullanımı, işlemleri hızlandırmanın yanında doğruluğu ve güvenilirliği de artırabilir. YZ, adli tıpta tanı ve teşhis sürecinde kullanılan görüntü işleme, veri analizi, makine öğrenimi ve diğer teknolojileri kullanarak, suç delillerinin analizinde ve yargı sürecinde önemli bir rol oynayabilir. YZ bazlı yazılımlar, parmak izi analizi, DNA analizi, yüz tanıma ve diğer biyometrik analizler kullanılarak, kanıt toplama ve suçluların tespit edilmesi sürecinde kullanılabilir. Sonuç olarak, geleneksel yöntemlerin aksine, YZ algoritmaları daha hızlı ve daha doğru sonuçlar elde etmek için verileri işleyebilir ve analiz edebilirler. Ayrıca, insan hatalarının neden olduğu yanlış teşhis veya yargılama riski de azaltılabilir. Bu nedenle, adli tıp alanında YZ kullanımı önemli bir gelişme olarak kabul edilmektedir. Bu çalışma ile adli tıpta YZ kullanımına yönelik yapılan çalışmalar hakkında bilgi verilmektedir. Bu sayede adli tıp alanında YZ kullanımına dair bir farkındalık oluşturmak amaçlanmaktadır.

Referanslar

Açıkgöz, N., Hancı, İ. H., & Çakır, A. H. (2002). Olay Yerinden DNA Analizi İçin Biyolojik Örnek Toplama Ve Örneklerin Laboratuara Gönderilme Usulleri. Ankara Üniversitesi Hukuk Fakültesi Dergisi, 51(2), 1. https://doi.org/10.1501/Hukfak_0000000567

Agarwal, A., Mittal, M., Pathak, A., & Goyal, L. M. (2020). Fake News Detection Using a Blend of Neural Networks: An Application of Deep Learning. SN Computer Science, 1–9. https://doi.org/https://doi.org/10.1007/s42979-020-00165-4

Anonim, (2023. Yüz tanıma sisteminin işleyişi. Web adresi: https://www.dataprom.com.tr/urunlerimiz/yuz-tanima. Erişim Tarihi: 16.05.2023.

Asci, F., Costantini, G., Di Leo, P., Zampogna, A., Ruoppolo, G., Berardelli, A., Saggio, G., & Suppa, A. (2020). Machine-Learning Analysis of Voice Samples Recorded through Smartphones: The Combined Effect of Ageing and Gender. Sensors, 20(18), 5022. https://doi.org/10.3390/s20185022

Ayata, F. ve Çavuş, H., (2022). Yüz Tanıma Sistemlerinde Kullanılan ESA, YGH-DVM ve DSA Algoritmalarının Performans Testleri. Firat University Journal of Science , vol.34, no.1, 39-48.

Ayata, F., (2020). İçerik Tabanlı Görüntü Erişim Yöntemleriyle Aile Bireylerinde Yüz Tanıma Sistemi, Van Yüzüncü Yıl Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi. Van. Türkiye.

Aykurt, DC., (2019). Yüzün tanıma algoritmaları ve uygulamaları. Web adresi: https://ieee.omu.edu.tr/yuz-tanima-algoritmalari-ve-uygulamalari/. Erişim Tarihi:16.05.2023.

Bayrakdar, S., Akgün, D., ve Yücedağ, İ., (2016). Yüz ifadelerinin otomatik analizi üzerine bir literatür çalışması A survey on automatic analysis of facial expressions. SAÜ Fen Bilimleri Dergisi, 20(2): 383–398.

Bond, C. F. J., & DePaulo, B. M. (2006). Accuracy of Deception Judgments. Personality and Social Psychology Review, 10(3), 214–234. https://doi.org/https://doi.org/10.1207/s15327957pspr100

Burns, M. A., Johnson, B. N., Brahmasandra, S. N., Handique, K., Webster, J. R., Krishnan, M., Sammarco, T. S., Man, P. M., Jones, D., Heldsinger, D., Mastrangelo, C. H., & Burke, D. T. (1998). An Integrated Nanoliter DNA Analysis Device. Science, 282(5388), 484–487. https://doi.org/10.1126/science.282.5388.484

Chaves, D., Fidalgo, E., Alegre, E., Rodriguez, R.A., Martino, F.J. and Azzopardi, G. (2019). Assessment and estimation of face detection performance based on deep learning for forensic applications, Sensors, vol. 20, no. 16, pp. 4491.

Deepak, G., Rooban, S., & Santhanavijayan, A. (2021). A knowledge centric hybridized approach for crime classification incorporating deep bi-LSTM neural network. Multimedia Tools and Applications, 80, 28061–28085. https://doi.org/https://doi.org/10.1007/s11042-021-11050-4

Doğan Alakoç, Y. (2010). Adli Bilimlerde DNA Analizleri. Ankara Sağlık Hizmetleri Dergisi, 9(2), 1–8.

Dumais, S. (1998). Using SVMs for Text Categorization. IEEE Intelligent Systems Magazine, 13(4), 18–28.

Ekhande, S., Patil, U., & Kulhalli, K. V. (2022). Review on effectiveness of deep learning approach in digital forensics. International Journal of Electrical & Computer Engineering (2088-8708), 12(5), 5481–5492.

Fernandes, K., Cardoso, J.S. ve Astrup, B.S. (2018). A deep learning approach for the forensic evaluation of sexual assault, Pattern Analysis and Applications, vol. 21, pp. 629–640.

Fornaciari, T., & Poesio, M. (2013). Automatic deception detection in Italian court cases. Artificial Intelligence and Law, 21, 303–340. https://doi.org/https://doi.org/10.1007/s10506-013-9140-4

Glomb, P., Romaszewski, M., Cholewa, M. ve Domino, K. (2018). Application of hyperspectral imaging and machine learning methods for the detection of gunshot residue patterns, Forensic Science International, vol. 290, pp. 227–237.

İncesu, E. (2018). Virtopsi hakkında neler biliyoruz?. Sağlık Akademisyenleri Dergisi, 5 (3), 234-237. Retrieved from https://dergipark.org.tr/tr/pub/sagakaderg/issue/42849/518183

Jain A.K. ve Ross A. (2015). Bridging the Gap: from Biometrics to Forensics. Philosophical Transactions of the Royal Society B: Biological Sciences,370 (1674):20140254.

Kinnunen, T., & Li, H. (2010). An overview of text-independent speaker recognition: From features to supervectors. Speech Communication, 52(1), 12–40. https://doi.org/10.1016/j.specom.2009.08.009

Manaswini, D., Ghanta, SSV., Manogna, TL., Kolakalapudi, LNK., Chaitanya, GK. ve Kumar, AD., (2023). A Survey of Forensic Applications using Digital Image Processing: Image Enhancement Case Study, 2023 7th International Conference on Computing Metodologies and Communication (ICCMC), Erode, Hindistan, 2023, s. 696-702, doi: 10.1109/ICCMC56507.2023.10084079.

Mena J. (2011). Machine Learning Forensics for Law Enforcement, Security, and Intelligence: CRC Press.

Morrison, G. S., & Zhang, C. (2023). Forensic Voice Comparison: Overview. In Encyclopedia of Forensic Sciences, Third Edition (pp. 737–750). Elsevier. https://doi.org/10.1016/B978-0-12-823677-2.00130-6

Mujtaba, G., Shuib, L., Raj, R. G., Rajandram, R., & Shaikh, K. (2016). Automatic Text Classification of ICD-10 Related CoD from Complex and Free Text Forensic Autopsy Reports. 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), 1055–1058. https://doi.org/10.1109/ICMLA.2016.0191

Nair, P. C., Gupta, D., & Devi, B. I. (2020). A Survey of Text Mining Approaches, Techniques, and Tools on Discharge Summaries. In X. Gao, S. Tiwari, M. Trivedi, & K. Mishra (Eds.), Advances in Computational Intelligence and Communication Technology (pp. 331–348). Springer. https://doi.org/https://doi.org/10.1007/978-981-15-1275-9_27

Özdemir, A., Saraydemir, O. T. Ş., & Koçer, H., (2014). Termal Görüntülemede Polarite Değişiminin Yüz Tanıma Performansına Etkisi. 7.Mühendislik ve Teknoloji Sempozyumu. Ankara.

Pestian, J. P., Matykiewicz, P., Linn-Gust, M., South, B., Uzuner, O., Wiebe, J., Cohen, K. B., Hurdle, J., & Brew, C. (2012). Sentiment Analysis of Suicide Notes: A Shared Task. Biomedical Informatics Insights, 5s1, BII.S9042. https://doi.org/10.4137/BII.S9042

Ramnial, H., Panchoo, S., & Pudaruth, S. (2015). Authorship Attribution Using Stylometry and Machine Learning Techniques. In S. Berretti, S. Thampi, & P. Srivastava (Eds.), Intelligent Systems Technologies and Applications. Advances in Intelligent Systems and Computing (pp. 113–125). Springer. https://doi.org/https://doi.org/10.1007/978-3-319-23036-8_10

Saini, K. ve Kaur, S., (2016). Forensic examination of computer-manipulated documents using image processing techniques, Egyptian Journal of Forensic Sciences, Volume 6, Issue 3,Pages 317-322, ISSN 2090-536X, https://doi.org/10.1016/j.ejfs.2015.03.001.

Saleem, S., Subhan, F., Naseer, N., Bais, A., & Imtiaz, A. (2020). Forensic speaker recognition: A new method based on extracting accent and language information from short utterances. Forensic Science International: Digital Investigation, 34. https://doi.org/https://doi.org/10.1016/j.fsidi.2020.300982

Savova, G. K., Masanz, J. J., Ogren, P. V, Zheng, J., Sohn, S., Kipper-Schuler, K. C., & Chute, C. G. (2010). Mayo clinical Text Analysis and Knowledge Extraction System (cTAKES): architecture, component evaluation and applications. Journal of the American Medical Informatics Association, 17(5), 507–513. https://doi.org/10.1136/jamia.2009.001560

Sreenu, G. ve Durai, M.A.S. (2019). Intelligent video surveillance: A review through deep learning techniques for crowd analysis, J Big Data, vol. 6, no. 48.

Suppa, A., Asci, F., Saggio, G., Di Leo, P., Zarezadeh, Z., Ferrazzano, G., Ruoppolo, G., Berardelli, A., & Costantini, G. (2021). Voice Analysis with Machine Learning: One Step Closer to an Objective Diagnosis of Essential Tremor. Movement Disorders, 36(6), 1401–1410. https://doi.org/10.1002/mds.28508

Swaminathan, H., Grgicak, C. M., Medard, M., & Lun, D. S. (2015). NOC It : A computational method to infer the number of contributors to DNA samples analyzed by STR genotyping. Forensic Science International: Genetics, 16, 172-180. https://doi.org/10.1016/j.fsigen.2014.11.010

Talandova, H., Kralik, L. ve Adamek, M., (2016). Determination of The Uncertainties and the Physiological Similarities of Family Members by Using the Biometric Device the Broadway 3D. International Journal of Applied Engineering Research. 11: 6373- 6375.

Tanrıkut, C., (2019). Görüntü işlemede yüz tanıma temel bileşenler analizi ve doğrusal diskriminant analizi yöntemlerinin Android mobil uygulamada karşılaştırılması. Beykent Üniversitesi, Fen Bilimleri Enstitüsü. Yüksek lisans tezi. İstanbul. Türkiye.

Taylor, D., Bright, J.-A., & Buckleton, J. (2014). Interpreting forensic DNA profiling evidence without specifying the number of contributors. Forensic Science International: Genetics, 13, 269-280. https://doi.org/10.1016/j.fsigen.2014.08.014

Taylor, D., & Powers, D. (2016). Teaching artificial intelligence to read electropherograms. Forensic Science International: Genetics, 25, 10-18. https://doi.org/10.1016/j.fsigen.2016.07.013

Thakur, R. ve Rohilla, R. (2020). Recent advances in digital image manipulation detection techniques: A brief review, Forensic Science International, vol. 312, no. 110311.

van Dijk, W. B., Fiolet, A. T. L., Schuit, E., Sammani, A., Groenhof, T. K. J., van der Graaf, R., de Vries, M. C., Alings, M., Schaap, J., Asselbergs, F. W., Grobbee, D. E., Groenwold, R. H. H., & Mosterd, A. (2021). Text-mining in electronic healthcare records can be used as efficient tool for screening and data collection in cardiovascular trials: a multicenter validation study. Journal of Clinical Epidemiology, 132, 97–105. https://doi.org/10.1016/j.jclinepi.2020.11.014

Verde, L., De Pietro, G., & Sannino, G. (2018). Voice Disorder Identification by Using Machine Learning Techniques. IEEE Access, 6, 16246–16255. https://doi.org/10.1109/ACCESS.2018.2816338

Yu, C.-H., Ward, M. W., Morabito, M., & Ding, W. (2011). Crime Forecasting Using Data Mining Techniques. 2011 IEEE 11th International Conference on Data Mining Workshops, 779–786. https://doi.org/10.1109/ICDMW.2011.56

Yapay Zeka ve Hukuk İlişkisine Adli Tıp Özelinde Bakış

Yazarlar

DOI:

Anahtar Kelimeler:

Özet

Referanslar

İndir

Yayınlanmış

Nasıl Atıf Yapılır

Sayı

Bölüm

Lisans

Makale Gönder

Dil

Bilgi