“`html

Yapay Zeka Radyologları İkame Edebilir Mi?

Radyoloji, dijital görüntüleme teknolojileri aracılığıyla hastalıkların tanısını koymaya odaklanan bir disiplin olarak yapay zeka otomasyonuna son derece elverişli bir alan olarak değerlendirilmektedir. Ancak son yayınlanan bir araştırma, yapay zekanın yükselişine rağmen insan radyologlara olan talebin tarihi zirveye ulaştığını göstermektedir.

2017 yılında tanıtılan CheXNet isimli model, 100.000’in üzerinde akciğer röntgeni ile eğitilmiş olup, zatürreyi tanımlamada sertifikalı uzmanlardan bile daha yüksek bir doğruluk oranı sergilemiştir. Bu sistemin avantajları arasında hızlı, ücretsiz çalışabilmesi ve yalnızca bir adet tüketici seviyesinde GPU kullanarak faaliyete geçebilmesi bulunmaktadır. Bu sayede bir hastane, yeni bir taramayı saniyeden daha kısa bir süre içinde sınıflandırabilmektedir.

Bunun yanı sıra, Annalise.ai, Lunit, Aidoc ve Qure.ai gibi firmalar, çeşitli tarama yöntemlerinde yüzlerce hastalık tespitine yönelik modeller geliştirmiştir. Bazı yapay zeka ürünleri, kritik durumda olan vakaları önceliklendirmek için radyologların iş listelerini yeniden düzenleyebiliyor, bakım ekiplerine sonraki adımları önerebiliyor ya da hastane kayıt sistemine otomatik rapor taslakları oluşturabiliyor. Özellikle LumineticsCore, doktor onayı olmaksızın çalışabilme kabiliyeti ile dikkat çekiyor. Günümüzde ise FDA onaylı 700’den fazla radyoloji modeli mevcut ve bu sayı tıbbi yapay zeka cihazlarının dörtte üçünden fazlasını temsil etmektedir.

Radyoloji Alanındaki Gerçek Durum

Teorik olarak radyoloji, insan gücünün yerini alabilecek potansiyele sahip bir alan olarak görünse de gerçek durum daha karmaşıktır. ABD’de 2025 yılı itibarıyla tanısal radyoloji uzmanlık programları 1.208 kontenjanla rekor bir sayı göstermektedir. Radyoloji, 2025 yılında yıllık ortalama geliri 520.000 dolar ile en yüksek maaşlı ikinci tıp dalı olarak öne çıkmaktadır.

Bu durumun altında yatan üç ana neden bulunmaktadır. Modeller laboratuvar ortamlarında başarılı olsalar da hastane şartlarında uygulama performansları düşmektedir. Tam otomasyon, hukuki ve sigorta engelleri dolayısıyla kısıtlı kalmaktadır. Aynı zamanda radyologlar, zamanlarının büyük bir kısmını yalnızca tanı koymanın ötesindeki görevlerde harcamaktadırlar.

Radyoloji modellerinin sınırlılıkları, tıbbi veri setlerinin özellikleri ile bağlantılıdır. Eğitim için kullanılan görüntüler genellikle belirgin tanılı, standart açılardan çekilmiş ve yüksek kaliteli vakalardan oluşmaktadır. Bu durum, karmaşık ya da nadir hastalıklarda modellerin zorluk yaşamasına yol açmaktadır.

Meme kanseri taramalarında bilgisayar destekli tanı uygulamaları bu duruma çarpıcı bir örnek teşkil etmektedir. 1990’larda geliştirilen ilk nesil yapay zeka sistemleri, mamogram sonuçlarının değerlendirilmesinde insanlara yardımcı olmuştur. Klinik deneylerde bu sistemler, radyologlar ile birlikte kullanıldığında daha yüksek doğruluk oranları sağlamıştır. 1998 yılında FDA, bu sistemlerin kullanımını onaylamış ve 2001 yılında Medicare, radyologlara bilgisayar yardımı ile incelenen her mamografi için ek ödeme yapmaya başlamıştır. 2010 yılı itibarıyla ABD’deki mamogramların yaklaşık yüzde 74’ü bilgisayar destekli tanı ile incelenmiştir.

Ancak, geniş ölçekli klinik araştırmalar tatmin edici sonuçlar vermedi. 1998-2002 yılları arasında Colorado, New Hampshire ve Washington’da 200.000 kadına ait 430.000 mamografi incelenmiştir. Bilgisayar destekli sistemlerin kullanıldığı yedi klinikte, sistemlerin daha fazla görüntü işaretlemesi doktorların yüzde 20 daha fazla biyopsi yapmasına neden olurken, buna rağmen ek kanser vakaları tespit edilmemiştir. Benzer sonuçlar, daha sonra gerçekleştirilen birçok büyük çalışma ile de desteklenmiştir. 2018 yılında Medicare, ek ödemeleri sonlandırmıştır.

Ayrıca, algoritmaların performansını ölçmek için yapılan bir çalışmada her mamografi ikinci bir uzman tarafından da incelenmiştir. On klinik deney ve 17 çalışmanın sonuçlarına göre, bilgisayar destekli sistemler kanser tespit oranlarını artırmamış, ancak hastaların yüzde 10 daha fazla geri çağrılmasına neden olmuştur. Bunun aksine, iki uzman birlikte değerlendirdiğinde daha fazla kanser vakası tespit edilmekte ve geri çağırma oranları da biraz daha düşük olmaktadır.

Yani, bilgisayar destekli sistemlerin standart uygulamalardan daha kötü, ikinci bir uzmanın dahil olduğu durumdan ise çok daha kötü performans gösterdiği anlaşılmıştır.

Performans farkının sebeplerinden biri, doktorların klinik tecrübelerinde yapay zeka araçlarına aşırı güvenme eğilimidir. Kontrollü laboratuvar ortamında gözlemlenmeyen bu durum, günlük hasta bakımında belirginlikle ortaya çıkmaktadır. Bu fazla güven, hata oranlarını da artırmaktadır. 2011 yılında gerçekleştirilen bir araştırmada, sistemin yanlış yönlendirmesi durumunda doktorların hata yapma olasılığının, desteksiz meslektaşlarına oranla yüzde 26 daha fazla olduğu belirlenmiştir.

Gelecekte daha gelişmiş modellerin ve otomasyonun, radyoloji alanındaki yapay zeka problemlerini çözme potansiyeli vardır. Ancak yine de yasal gereklilikler ve sigorta politikaları, tamamen otonom radyolojik yapay zekaların benimsenme sürecini yavaşlatmaktadır. Otonom sistemler için son derece titiz kriterler mevcuttur; bu sistemlerin bulanık görüntüleri reddetmeleri, alışılmadık tarama yöntemlerini tanımamaları ve yetkinlik sınırları dışındaki okumaların durdurulması gerekmektedir. Bu sebeplerle ABD hastanelerinde ve diğer ülkelerde yapay zeka kullanımı hala sınırlıdır.

2024 yılında yapılan bir araştırmaya göre, radyologların yüzde 48’inin muayenehanelerinde yapay zeka kullandığı tahmin edilmektedir. 2025 yılında gerçekleştirilen bir ankette, radyolojide yapay zeka uygulamalarını denemeye veya kullanmaya başlayan katılımcıların yalnızca yüzde 19’unun “yüksek” düzeyde başarılı olduğu belirtilmektedir.

Daha İyi Yapay Zeka ve Artan MRT Talepleri

Yapay zeka, taramaları bağımsız olarak yorumlayabilecek düzeye gelse dahi bu durumun radyologların iş yükünü azaltmaktan çok artırabileceği düşünülmektedir. Zira radyologların görevleri sadece görüntü okuma ile sınırlı değildir. 2012 yılında üç farklı hastanede gerçekleştirilen bir çalışma, radyologların yalnızca yüzde 36’sının doğrudan görüntü analizi ile meşgul olduğunu ortaya koymuştur. Kalan zaman, taramaların yürütülmesi, sonuçların sunulması ve eğitim süreçlerini içermektedir.

Ek olarak, hizmet süreçlerinin hızlılaşması veya maliyetlerinin düşmesi durumunda talep artabilmektedir. Bu olgu, ekonomide Jevons paradoksu olarak anılmaktadır. Verimlilik arttıkça, toplam kullanım miktarı azalmak yerine artarak devam edebilir.

Bu durum, radyoloji alanında daha önce yaşanmış olan süreçleri de gözler önüne sermektedir. 2000’lerin başında hastanelerin film dosyalarından dijital sistemlere geçişi, radyologların verimliliğini belirgin bir biçimde artırmıştır. Filmden dijitale geçiş sonrası üretkenlik düz radyografi için yüzde 27, BT taramaları için ise yüzde 98 oranında yükselmiştir. Bu artışa rağmen, hiçbir radyolog işten çıkarılmamış, sonuç olarak ihtiyaç daha da artmıştır. Çünkü 1000 hasta başına yapılan toplam görüntüleme oranı yüzde 60 oranında artış göstermiştir.

Bu artış, hasta sayısıyla değil, her muayenede daha fazla görüntü alınmasıyla ilişkilidir. Dijitalleşme öncesinde görüntüleme süreçleri oldukça yavaştı: acil servisten taburcu edilen hastalar için röntgen raporu hazırlanma süresi 76 saat, yatan hastalar için ise 84 saat iken, dijitalleşmeyle bu süreler sırasıyla 38 ve 35 saate düşmüştür.

Yapay Zeka Vaatlerinin Abartıldığı Gerçeği

Son on yıl içinde, görüntü yorumlama teknolojilerindeki gelişmeler, benimseme hızının oldukça üzerinde bir ilerleme kaydetmiştir. Yüzlerce yapay zeka modeli kanama, nodül ve pıhtıların tanısında kullanılmakta; ancak pratikte yapay zeka genellikle sadece belli taramalarda yardımcı araç olarak kullanılmaktadır. Beklentilere rağmen, radyolog sayısı ve maaşları artmaya devam etmektedir. Bu durum, yalnızca kıyaslama testlerine dayalı olarak yapılan yapay zeka vaatlerinin abartıldığı sonucunu doğurmaktadır.

Gelecekte çok görevli (multi-task) temel modellerin kapsamı genişleyebilir ve farklı eğitim veri setleri eksiklikleri azaltabilir. Ancak bazı engeller, yalnızca daha iyi modellerle aşılabilecek türden değildir. Düzenleyici otoriteler, hastalara danışmanlık sağlamak ve malpraktis riskini üstlenmek gibi durumlar bu engeller arasında yer almaktadır.

Bu gibi engeller, tam otomasyonu pahalı ve riskli bir süreç haline getirirken insan ve makine iş birliği ihtimalini de ön planda tutmaktadır. Elbette yapay zeka alanındaki gelişmeler dinamikleri değiştirebilecek potansiyele sahiptir; ancak günümüzdeki uygulamalar, yalnızca etkileyici benchmark testleri ile sınırlı kalmaktadır.

“`