Yapay zekânın tıpta en hızlı ilerlediği alanlardan biri dijital patoloji…
Mikroskop altında incelenen doku örneklerinin dijital ortama aktarılmasıyla birlikte tümörleri tanımaya, kanser alt türlerini ayırt etmeye ve bazı moleküler özellikleri tahmin etmeye çalışan çok sayıda yapay zekâ modeli geliştiriliyor.
Bazı modeller milyonlarca patoloji görüntüsüyle eğitiliyor. Bazıları görüntülerle birlikte patoloji raporlarını da öğreniyor. Bazıları ise başlangıçta gündelik nesneleri tanımak için geliştirilmesine rağmen daha sonra tıbbi görüntü analizinde kullanılıyor.
Ancak modellerin sayısı arttıkça önemli bir soru ortaya çıkıyor:
Patolojide hangi yapay zekâ modeli gerçekten daha başarılı?
Stanford Üniversitesi Tıp Fakültesi ve Argonne Ulusal Laboratuvarı araştırmacılarının öncülüğünde yürütülen çalışma, bu soruya yanıt vermek amacıyla bugüne kadarki en kapsamlı karşılaştırmalardan birini gerçekleştirdi.
Nature Communications’ta 24 Temmuz 2026 tarihinde yayımlanan araştırmada, patoloji görevlerinde kullanılan 32 temel yapay zekâ modeli aynı değerlendirme çerçevesi içinde karşı karşıya getirildi.
32 Model, 41 Görev ve 53 Veri Seti
Araştırmacılar modelleri dört ana grupta değerlendirdi:
- Patoloji görüntüleriyle eğitilmiş görsel modeller,
- Patoloji görüntüleri ve metinleriyle birlikte eğitilmiş görsel-dil modelleri,
- Genel görüntülerle eğitilmiş görsel modeller,
- Genel görüntü ve metinlerle eğitilmiş görsel-dil modelleri.
Çalışmaya 16 patolojiye özel görsel model, yedi patolojiye özel görsel-dil modeli, beş genel görsel model ve dört genel görsel-dil modeli dâhil edildi.
Burada önemli bir ayrıntı bulunuyor. Değerlendirilen 32 modelin tamamı doğrudan patoloji amacıyla geliştirilmiş değildi. Genel görüntülerle eğitilen bazı modeller de patoloji görevlerindeki başarılarının karşılaştırılabilmesi amacıyla araştırmaya alındı.
Modeller toplam 41 farklı görev, 53 veri seti ve 17 bin 500’den fazla örnek üzerinde sınandı.
Araştırmada beyin, meme, akciğer, mesane, böbrek, prostat ve kalın bağırsak başta olmak üzere çok sayıda doku ve kanser türü incelendi.
Yapay zekâ modellerinden yalnızca “Bu dokuda kanser var mı?” sorusuna yanıt vermeleri istenmedi.
Modeller aynı zamanda:
- Tümörün histolojik alt türünü belirleme,
- Tümör derecesini tahmin etme,
- Farklı kanser türlerini birbirinden ayırma,
- Moleküler alt grupları tanıma,
- Bazı gen mutasyonlarıyla ilişkili görüntü özelliklerini yakalama,
- Hücresel ve biyolojik yolaklardaki değişiklikleri öngörme
gibi oldukça farklı görevlerde değerlendirildi.
Bu yönüyle çalışma, yapay zekâ modellerinin yalnızca görüntü sınıflandırma becerilerini değil, doku görüntülerinde saklı olan biyolojik ve moleküler bilgileri ne ölçüde yakalayabildiklerini de sınadı.
Yapay Zekâya Ezber Bozan Sınav
Araştırmanın güçlü yönlerinden biri, modellerin yalnızca eğitim verilerine benzeyen görüntüler üzerinde değerlendirilmemesiydi.
Görevlerin 19’u, kanser araştırmalarında yaygın biçimde kullanılan The Cancer Genome Atlas verilerinden oluşturuldu.
Diğer görevler ise Clinical Proteomic Tumor Analysis Consortium verileri, bağımsız açık veri setleri ve Stanford Üniversitesine ait kurum içi patoloji arşivlerinden hazırlandı.
Böylece araştırmacılar, modellerin yalnızca tanıdıkları veri ortamındaki başarılarını değil, farklı merkezlerden ve farklı veri kaynaklarından gelen görüntüler karşısındaki dayanıklılıklarını da incelemeye çalıştı.
Çünkü bir yapay zekâ modelinin eğitim aldığı veri setinde yüksek başarı göstermesi, başka bir hastanede aynı sonucu vereceği anlamına gelmiyor.
Doku hazırlama yöntemleri, kullanılan boyalar, preparat kalitesi, görüntü tarayıcıları, hasta bileşimi ve hastalıkların dağılımı merkezden merkeze değişebiliyor.
Bir model, eğitim aldığı merkeze ait görüntülerde başarılı olurken başka bir merkezin verilerinde belirgin biçimde zorlanabiliyor.
Patolojide yapay zekânın gerçek sınavı da tam olarak burada başlıyor:
Model, daha önce görmediği verilerde de güvenilir biçimde çalışabiliyor mu?
Virchow2 Öne Çıktı, Ancak Tek Şampiyon Olmadı
Patoloji görüntüleriyle özel olarak eğitilen modeller arasında Virchow2, UNI, H-optimus-0, Prov-GigaPath ve UNI2 genel değerlendirmelerde öne çıktı.
Araştırmacıların yayımladığı açık sonuç tablosundaki 41 görevin eşit ağırlıklı basit AUROC ortalaması hesaplandığında Virchow2 yaklaşık 0,830 ile ilk sırada yer aldı.
Ancak bu hesaplama çalışmanın tek performans ölçütünü temsil etmiyor.
Araştırmada AUROC’nin yanı sıra dengeli doğruluk, kesinlik, duyarlılık ve ağırlıklı F1 skoru gibi farklı ölçütler de kullanıldı. Ayrıca sonuçlar veri gruplarına, doku türlerine ve görevlerin niteliğine göre ayrı ayrı değerlendirildi.
Bu ölçütler ve görevler değiştikçe modellerin sıralamaları da değişti.
Bir model meme dokusunda öne çıkarken başka bir model akciğer, beyin veya prostatla ilişkili görevlerde daha başarılı olabildi.
Bazı modeller histolojik alt türleri ayırmada güçlü sonuç verirken bazıları moleküler değişiklikleri öngörmede daha iyi performans gösterdi.
Üst sıralardaki modeller arasındaki farkların birçok karşılaştırmada küçük ve göreve bağlı olduğu görüldü.
Bu nedenle araştırmadan bütün hastalıklar, bütün merkezler ve bütün patoloji görevleri için geçerli tek bir “en iyi yapay zekâ modeli” sonucu çıkmadı.
Patolojiye Özel Modeller Daha Tutarlı
Genel değerlendirmede patoloji görüntüleriyle özel olarak eğitilen görsel modeller daha güçlü ve daha tutarlı sonuçlar verdi.
Bu durum şaşırtıcı değildi.
Çünkü patolojiye özel modeller, eğitimleri sırasında doku mimarisi, hücre yapıları, tümör sınırları, çekirdek özellikleri ve boyanma örüntüleri gibi patolojiye özgü ayrıntıları öğreniyor.
Buna karşılık genel görüntülerle eğitilen modeller, başlangıçta hayvanları, araçları, insanları ve gündelik nesneleri tanımak amacıyla geliştiriliyor.
Bununla birlikte araştırma, genel görüntülerle eğitilen bazı güçlü modellerin de belirli patoloji görevlerinde oldukça başarılı olabildiğini gösterdi.
Patolojiye özel görsel modellerin avantajı, her görevde kesin biçimde üstün olmalarından çok, farklı görevlerde daha istikrarlı performans göstermeleri oldu.
Görüntü ve metinleri birlikte öğrenen patolojiye özel görsel-dil modelleri ise birçok görevde yalnızca görüntülerle eğitilen patoloji modellerinin gerisinde kaldı.
Bu sonuç, görsel-dil modellerinin patolojide başarısız olduğu anlamına gelmiyor.
Araştırmacılar, bu sonucun olası nedenleri arasında multimodal eğitim hedeflerinin görsel özellik öğrenimini zayıflatabilmesini ve patolojiye özgü, yüksek kaliteli görüntü-metin eşleşmelerinin sınırlı olmasını gösteriyor.
Patoloji raporlarında yer alan bilgilerin görüntüdeki belirli alanlarla doğrudan ilişkilendirilmesi de her zaman kolay değil.
Bir raporda tüm preparatı ilgilendiren genel bir tanı yer alırken, hastalığı belirleyen kritik özellik görüntünün çok küçük bir bölümünde bulunabiliyor.
Bu nedenle görüntü ve metni birlikte kullanan modellerin daha güçlü hâle gelebilmesi için geniş, ayrıntılı ve güvenilir biçimde eşleştirilmiş veri setlerine ihtiyaç duyuluyor.
En Büyük Model Her Zaman En Başarılı Değil
Araştırmanın en dikkat çekici sonuçlarından biri, model büyüklüğü ile performans arasında doğrusal bir ilişki bulunmamasıydı.
Daha fazla parametreye sahip olmak veya milyonlarca ek görüntüyle eğitilmek, modelin bütün patoloji görevlerinde daha başarılı olmasını garanti etmedi.
Model büyüklüğünün ve eğitim veri miktarının etkisi, özellikle eğitim verilerine benzeyen bazı görevlerde görüldü.
Ancak bağımsız merkezlerden gelen veya eğitim ortamından belirgin biçimde farklı olan veri setlerinde bu avantaj azaldı.
Araştırmaya göre bir modelin yalnızca kaç görüntü gördüğü değil, bu görüntülerin ne kadar çeşitli olduğu da büyük önem taşıyor.
Eğitim verilerinde:
- Hangi doku türlerinin bulunduğu,
- Farklı hastanelerin ne ölçüde temsil edildiği,
- Preparatların nasıl hazırlandığı,
- Hangi tarayıcıların kullanıldığı,
- Nadir hastalıkların yeterince yer alıp almadığı,
- Verilerin ne kadar doğru etiketlendiği
modelin başarısını doğrudan etkileyebiliyor.
Milyonlarca görüntüyle eğitilen büyük bir model, belirli bir doku veya hastalık türü eğitim verilerinde yeterince temsil edilmediyse daha küçük bir modelin gerisinde kalabiliyor.
Bu bulgu, yapay zekâ dünyasında sıkça dile getirilen “daha büyük model her zaman daha iyidir” düşüncesinin patoloji açısından geçerli olmadığını gösteriyor.
Modeller Birleştirildiğinde Başarı Artabiliyor
Araştırmacılar, en başarılı modellerin tahminlerini bir araya getiren bir füzyon yaklaşımını da değerlendirdi.
Virchow2, H-optimus-0, Prov-GigaPath, UNI ve UNI2 modellerinin sonuçları geç aşamalı füzyon ve çoğunluk oylaması yöntemleriyle birleştirildi.
Füzyon modeli, TCGA verilerinin genel değerlendirmesinde Virchow2’nin ardından ikinci sırada yer aldı.
Buna karşılık CPTAC ile dış ve alan dışı veri setlerinin genel değerlendirmelerinde en yüksek sıralamaya ulaştı.
Bu durum, farklı modellerin farklı güçlü yönlere sahip olduğunu ortaya koydu.
Bir modelin hata yaptığı görüntüde başka bir model doğru sonuca ulaşabiliyor. Modellerin kararlarının birleştirilmesi de tek bir sistemin hatalarının dengelenmesine ve farklı veri kaynaklarında daha dayanıklı sonuçlar elde edilmesine yardımcı olabiliyor.
Ancak birleşik model de bütün görevlerde tek tek modellerden tartışmasız biçimde üstün değildi.
Dolayısıyla gelecekte patolojide yalnızca tek ve dev bir model geliştirmek yerine, farklı modellerin güçlü yönlerini bir araya getiren sistemlerin kullanılması daha güvenilir bir yaklaşım olabilir.
Bu Çalışma Yapay Zekânın Patoloğun Yerini Alabileceğini Göstermiyor
Araştırmanın kapsamı geniş olsa da sonuçları doğrudan klinik tanı başarısı olarak yorumlamamak gerekiyor.
Modeller gerçek zamanlı hasta hizmetinde kullanılmadı.
Yapay zekâ sistemleri, patologlarla doğrudan bir tanı yarışına sokulmadı.
Çalışmada önceden eğitilmiş modellerden çıkarılan dondurulmuş görüntü özellikleri, doğrusal sınıflandırıcılar kullanılarak değerlendirildi.
Başka bir ifadeyle modeller, araştırmadaki her görev için baştan sona yeniden eğitilmedi.
Bu yöntem, farklı temel modellerin öğrendiği özellikleri standart bir çerçevede karşılaştırmak açısından yararlıydı. Ancak gerçek klinik kullanımda uygulanabilecek daha gelişmiş eğitim, karar destek ve iş akışı sistemlerini tam olarak temsil etmiyor.
Ayrıca bazı modellerin eğitim aşamasında TCGA veya CPTAC kaynaklı görüntülerle karşılaşmış olma ihtimali tamamen dışlanamadı.
Bu durum, eğitim verilerine benzeyen bazı görevlerde performansın olduğundan daha yüksek görünmesine yol açabilir.
Çalışmada dijital preparatlar daha küçük görüntü parçalarına ayrıldı ve bu parçalardan elde edilen bilgiler preparat düzeyinde birleştirildi.
Ancak kanser açısından kritik bir bulgu bazen preparatın çok küçük bir alanında bulunabilir.
Bütün görüntü parçalarının basit biçimde ortalanması, bu küçük fakat önemli alanların etkisinin azalmasına neden olabilir.
Araştırma ayrıca geriye dönük veri setleri üzerinde gerçekleştirildi.
Modellerin gerçek klinik iş akışlarında, farklı laboratuvarlarda ve hasta sonuçlarına etkileri bakımından ileriye dönük araştırmalarla değerlendirilmesi gerekiyor.
Klinik Kullanımdan Önce Yerel Doğrulama Gerekli
Araştırmanın patoloji açısından verdiği en önemli mesaj, yapay zekâ modellerinin yalnızca marka, büyüklük veya eğitim verisi miktarına bakılarak seçilemeyeceği oldu.
Bu sonuçlar, klinik kullanıma alınacak modellerin:
- Hedef hastanenin hasta bileşimi,
- Doku hazırlama yöntemi,
- Boyama protokolü,
- Görüntü tarayıcısı,
- Klinik iş akışı,
- Kullanılacağı hastalık ve görev
üzerinde ayrıca doğrulanması gerektiğine işaret ediyor.
Meme kanserinde başarılı olan bir model, beyin tümörlerinde aynı başarıyı göstermeyebilir.
Histolojik alt türleri iyi ayıran bir sistem, gen mutasyonlarını tahmin etmede yetersiz kalabilir.
Bir araştırma veri setinde güçlü görünen model, farklı bir hastanenin arşivinde zorlanabilir.
Hasta bileşimi, hastalık dağılımı ve laboratuvar süreçleri merkezler arasında değişebildiği için başka bir kurumda elde edilen sonuçların doğrudan yeni bir merkeze aktarılması güvenli olmayabilir.
Asıl Soru “En İyi Model Hangisi?” Değil
32 yapay zekâ modelinin büyük sınavı, patolojide tek bir mutlak şampiyon bulunmadığını gösterdi.
Bazı modeller ortalama performansta öne çıktı. Ancak başarı; dokuya, hastalığa, veri kaynağına, değerlendirme ölçütüne ve yapılmak istenen göreve göre değişti.
Araştırmadan çıkan temel sonuç, daha büyük modellerin veya daha fazla görüntüyle eğitilen sistemlerin otomatik olarak daha güvenilir olmadığıdır.
Patolojide yapay zekânın geleceğini belirleyecek soru yalnızca:
“En iyi model hangisi?”
olmayacak.
Asıl sorular şunlar olacak:
Hangi model, hangi hastalık ve hangi görev için daha başarılı?
Hangi model, hangi hastanenin verileri üzerinde güvenilir biçimde çalışıyor?
Model, farklı merkezlerde ve farklı hasta gruplarında başarısını koruyabiliyor mu?
Yapay zekâ patoloğun kararını nasıl destekliyor ve hataları nasıl azaltıyor?
Bu büyük karşılaştırma, patolojide yapay zekânın önemli bir potansiyele sahip olduğunu gösterirken aynı zamanda göreve özel model seçiminin, bağımsız doğrulamanın ve patolog denetiminin vazgeçilmez olduğunu ortaya koyuyor.
Çalışmanın düzeyi: Çok sayıda model, görev ve veri setinin karşılaştırıldığı kapsamlı bir yapay zekâ değerlendirme araştırması.
Temel sınırlılık: Araştırma gerçek klinik kullanım, patologlarla doğrudan tanı karşılaştırması veya hasta sonuçlarını değerlendirmedi. Modellerin performansı geriye dönük veri setlerinde, dondurulmuş görüntü özellikleri ve doğrusal sınıflandırıcılar kullanılarak ölçüldü.
Kaynak: Bareja R, Carrillo-Perez F, Zheng Y ve arkadaşları. A benchmark study of vision and pathology foundation models for computational pathology. Nature Communications. 24 Temmuz 2026.
