Danışman öğretim elemanları: Mirsadıkov Miralim, Kerimov Yergali
Giriş
Tıp eğitimi sürecinde en dikkat çekici alanlardan biri, teknolojinin tanı süreçlerine giderek daha fazla dahil olmasıdır. Özellikle radyoloji, dijital görüntülerin yoğun olarak kullanıldığı bir alan olduğu için yapay zekâ uygulamalarının en hızlı geliştiği tıp disiplinlerinden biri hâline gelmiştir. Akademik kaynaklara göre yapay zekâ, yalnızca teknik bir yenilik değil; görüntüleme verilerinin değerlendirilme biçimini dönüştürme potansiyeline sahip önemli bir araçtır [1,2].
Radyoloji uzun yıllardır hastalıkların erken tanınması, ayırıcı tanının güçlendirilmesi ve tedavi sürecinin izlenmesi açısından modern tıbbın temel alanlarından biri olmuştur. Günümüzde ise bilgisayarlı tomografi, manyetik rezonans görüntüleme, mamografi ve akciğer grafileri gibi yöntemlerden elde edilen büyük hacimli veriler, klasik değerlendirme yöntemlerinin yanında yapay zekâ destekli analiz sistemleriyle de incelenmeye başlanmıştır [2,3]. Bu gelişme, tanı doğruluğu, hız ve iş yükü açısından önemli tartışmaları beraberinde getirmektedir.
Bu yazıda, tıp eğitiminde edindiğimiz bilgiler ve akademik kaynaklar ışığında, yapay zekânın radyolojideki yeri, sağladığı olası katkılar, sınırlılıkları ve gelecekteki rolü ele alınacaktır.
Yapay zekâ nedir ve radyolojide neden önemlidir?
Yapay zekâ, insan zekâsını taklit eden bilgisayar sistemlerini ifade eden geniş bir kavramdır. Bunun içinde yer alan makine öğrenmesi ve derin öğrenme gibi alt alanlar, özellikle büyük veri kümeleri üzerinde örüntü tanıma konusunda dikkat çekici başarılar göstermektedir [2]. Radyoloji ise yüksek miktarda dijital görüntü üreten, görsel örüntü analizine dayanan bir alan olduğundan, yapay zekâ için doğal bir uygulama sahası oluşturmaktadır.
Bir akciğer grafisinde nodül saptanması, bir mamografide şüpheli yoğunluğun işaretlenmesi ya da beyin görüntülerinde erken iskemik değişikliklerin fark edilmesi gibi görevler, görüntü tanıma algoritmaları için önemli çalışma alanlarıdır [3,4]. Akademik yayınlarda, yapay zekâ sistemlerinin bazı dar görevlerde radyologlara yardımcı olabilecek performans düzeyine ulaşabildiği bildirilmektedir [1,4]. Ancak burada vurgulanması gereken temel nokta, bu sistemlerin tek başına “hekim yerine geçen” yapılar değil, karar destek aracı olarak değerlendirilmesidir.
Radyolojide yapay zekânın başlıca kullanım alanları
1. Görüntülerin hızlı taranması ve önceliklendirilmesi
Radyoloji bölümlerinde her gün çok sayıda görüntüleme tetkiki oluşmaktadır. Bu yoğunluk içinde bazı kritik bulguların hızlı biçimde önceliklendirilmesi hayati önem taşıyabilir. Yapay zekâ destekli yazılımlar, örneğin intrakraniyal kanama, pnömotoraks veya pulmoner emboli şüphesi taşıyan incelemeleri işaretleyerek çalışma listesinde öne çıkarabilir [3,5]. Bu tür bir kullanım, özellikle acil vakalarda zaman yönetimini destekleyebilir.
2. Lezyon saptama ve ölçüm
Bazı algoritmalar, akciğer nodülü, meme lezyonu, karaciğer kitlesi veya kemik kırığı gibi bulguların saptanmasına yardımcı olmak için geliştirilmiştir. Bunun yanında tümör boyutunun ölçülmesi, lezyon sınırlarının belirlenmesi ve takip görüntülerinde değişimin karşılaştırılması gibi tekrarlayıcı işlemlerde de yapay zekâ destek sağlayabilmektedir [2,3]. Bu durum, gözden kaçma riskini azaltma ve ölçüm standardizasyonu açısından önemlidir.
3. Raporlama sürecine katkı
Doğal dil işleme ve otomatik yapılandırılmış raporlama sistemleri, radyolojik bulguların daha düzenli ve standart biçimde raporlanmasına katkı sağlayabilir [3]. Henüz her alanda mükemmel sonuç vermese de bu yaklaşım, özellikle sık görülen olgularda rapor kalitesini ve tutarlılığını artırma potansiyeli taşımaktadır.
4. Prognoz ve risk öngörüsü
Radyomik analiz ve ileri algoritmalar sayesinde yalnızca görünür lezyonun saptanması değil, aynı zamanda hastalığın biyolojik davranışına ilişkin öngörüde bulunulması da araştırılmaktadır [2]. Özellikle onkolojik görüntülemede, tümör heterojenitesi ve tedaviye yanıtın değerlendirilmesinde yapay zekâ tabanlı analizlerin önemi giderek artmaktadır.
Yapay zekânın sunduğu fırsatlar
Yapay zekânın radyolojiye kazandırabileceği en önemli avantajlardan biri hızdır. Çok sayıda görüntünün kısa sürede analiz edilebilmesi, iş yükü yüksek merkezlerde önemli bir destek sağlayabilir. İkinci önemli avantaj ise standartlaştırma potansiyelidir. İnsan değerlendirmesi deneyime, yorgunluğa ve dikkat düzeyine göre değişebilirken, algoritmalar aynı veri türü üzerinde tutarlı biçimde çalışabilir [1,2].
Bunun yanında yapay zekâ, erken dönemde fark edilmesi güç olan bazı ince bulguların belirlenmesine yardımcı olabilir. Özellikle meme kanseri taraması, akciğer nodülü değerlendirmesi ve inme görüntülemesi gibi alanlarda yapay zekâ destekli sistemlerin umut verici sonuçlar verdiği bildirilmektedir [4,5]. Bu durum, tanı sürecinin kalitesini artırabilecek bir gelişme olarak değerlendirilmektedir.
Tıp öğrencisi bakış açısından bakıldığında ise yapay zekâ yalnızca klinik uygulamayı değil, eğitimi de etkileyebilir. Görüntü örnekleriyle çalışan akıllı sistemler, öğrencilerin patoloji örüntülerini daha iyi tanımasına yardımcı olabilir. Böylece öğrenme süreci yalnızca teorik bilgiye değil, görsel karşılaştırma ve geri bildirime de dayalı hâle gelebilir.
Sınırlılıklar ve dikkat edilmesi gereken noktalar
Yapay zekâ radyoloji için önemli fırsatlar sunsa da bu alanın bazı ciddi sınırlılıkları vardır. Öncelikle algoritmaların başarısı, beslendikleri veri kalitesine bağlıdır. Yetersiz, dengesiz veya belirli popülasyonları dışlayan veri kümeleriyle eğitilen sistemler, farklı hasta gruplarında hatalı sonuçlar verebilir [3,6]. Bu nedenle bir yapay zekâ modelinin yalnızca teknik başarı göstermesi yeterli değildir; farklı merkezlerde, farklı cihazlarda ve farklı toplumlarda da güvenilirliğinin değerlendirilmesi gerekir.
İkinci önemli konu etik sorumluluk ve karar verme yetkisi meselesidir. Bir görüntüde hata olduğunda sorumluluğun yazılıma mı, sistemi kullanan merkeze mi, yoksa son kararı veren uzmana mı ait olduğu hâlâ tartışılan bir alandır [6]. Dünya Sağlık Örgütü, sağlık alanında yapay zekâ kullanımında şeffaflık, insan denetimi, güvenlik ve adalet ilkelerinin korunması gerektiğini vurgulamaktadır [6].
Bir diğer önemli sınırlılık ise yapay zekânın klinik bağlamı tek başına anlayamamasıdır. Radyolojik görüntü yalnız başına değerlendirilmez; hastanın öyküsü, fizik muayene bulguları, laboratuvar sonuçları ve klinik seyri ile birlikte yorumlanır. Yapay zekâ bir lezyonu işaretleyebilir, ancak bunun klinik anlamını belirlemek hâlâ insan uzmanlığını gerektirir. Bu nedenle güncel yaklaşım, “radyolog mu yoksa yapay zekâ mı?” sorusundan çok, “radyolog ve yapay zekâ birlikte nasıl daha iyi çalışabilir?” sorusuna odaklanmaktadır [1,3].
Radyologların yerini alır mı?
Bu soru hem öğrenciler arasında hem de sağlık teknolojileri tartışmalarında sıkça gündeme gelmektedir. Akademik değerlendirmelere göre yapay zekâ, radyoloğun yerini tamamen alacak bir sistem olarak değil, radyoloğun verimliliğini ve doğruluğunu artırabilecek bir destek aracı olarak düşünülmelidir [1,3]. Çünkü radyoloji yalnızca görüntüdeki şekli görmekten ibaret değildir; klinik bağlam kurmak, ayırıcı tanı üretmek, gerektiğinde ek tetkik önermek ve multidisipliner ekip içinde iletişim kurmak da bu alanın parçasıdır.
Dolayısıyla gelecekte muhtemel dönüşüm, radyologların ortadan kalkması değil; yapay zekâ okuryazarlığı yüksek, veri temelli düşünebilen ve teknolojiyi etkin kullanan yeni nesil radyoloji pratiğinin oluşmasıdır. Aynı durum tıp öğrencileri için de geçerlidir. Geleceğin hekim adaylarının yalnızca hastalık bilgisi değil, dijital sağlık sistemleri, veri güvenliği ve algoritmik karar süreçleri hakkında da temel farkındalığa sahip olması gerekecektir.
Geleceğe bakış
Yapay zekâ ve radyoloji ilişkisi, önümüzdeki yıllarda yalnızca tanı koyma süreçleriyle sınırlı kalmayacaktır. Görüntü kalitesini artıran rekonstrüksiyon teknikleri, doz azaltma stratejileri, otomatik segmentasyon sistemleri, kişiselleştirilmiş risk analizi ve multidisipliner karar destek modelleri bu alanın daha da büyüyeceğini göstermektedir [2,3]. Özellikle kanser taramaları, acil radyoloji ve görüntü tabanlı takip süreçlerinde yapay zekânın rolünün artması beklenmektedir.
Ancak teknoloji ne kadar ilerlerse ilerlesin, sağlık hizmetinin merkezinde insanın yer aldığı unutulmamalıdır. Tıp, yalnızca veri ve görüntü analizi değil; aynı zamanda sorumluluk, etik değerlendirme ve insani iletişim alanıdır. Bu nedenle yapay zekâya duyulan ilgi, insan uzmanlığının değerini azaltan değil, onu daha etkili kullandıran bir çerçevede ele alınmalıdır.
Sonuç
Akademik kaynaklar ışığında değerlendirildiğinde yapay zekâ, radyolojide tanı sürecini destekleyen güçlü bir teknolojik gelişme olarak öne çıkmaktadır. Görüntü analizi, önceliklendirme, lezyon saptama, ölçüm ve raporlama gibi alanlarda önemli katkılar sunma potansiyeline sahiptir. Bununla birlikte veri kalitesi, önyargı, etik sorumluluk, güvenilirlik ve insan denetimi gibi konular çözülmeden bu teknolojinin sınırsız bir çözüm olarak görülmesi doğru değildir.
Tıp eğitimi sürecinde edindiğimiz bilgiler bize şunu göstermektedir: Geleceğin tanı dünyasında yapay zekâ büyük olasılıkla vazgeçilmez bir yardımcı olacaktır; ancak klinik akıl yürütme, etik sorumluluk ve hasta merkezli yaklaşım hâlâ insan hekim ve sağlık profesyonellerinin temel gücü olmaya devam edecektir. Bu nedenle radyolojinin geleceği, insan ile teknolojinin rekabetinden çok, bilinçli iş birliğinde şekillenecektir.
Kaynaklar
1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44-56.
2. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nature Reviews Cancer. 2018;18(8):500-510.
3. Langlotz CP, Allen B, Erickson BJ, et al. A roadmap for foundational research on artificial intelligence in medical imaging. Radiology. 2020;296(1):81-89.
4. McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94.
5. European Society of Radiology (ESR). What the radiologist should know about artificial intelligence – an ESR white paper. Insights into Imaging. 2019.
6. World Health Organization (WHO). Ethics and governance of artificial intelligence for health. Geneva: WHO; 2021.