Yapay Zeka ile Mamografi ve Meme Kanseri Taraması: Erken Teşhiste Yeni Dönem

Meme kanseri taraması, modern tıbbın en büyük ölçekli görüntü işleme problemlerinden biri. Tek bir ülkenin tarama programı yılda milyonlarca mamografi üretiyor ve bu görüntülerin neredeyse tamamı normal çıkıyor. Radyologlar, bu devasa “samanlığın” içinde küçük ama hayati önem taşıyan “iğneyi” arıyor. İşte yapay zekanın meme görüntülemeye girmesi tam da bu noktada bir denge meselesi: insan gözünün yorulduğu, dikkatin dağıldığı hacimde makineye ön eleme yaptırmak.

Son birkaç yılda bu alan akademik vaatlerden çıkıp gerçek tarama programlarında test edilmeye başladı. Sonuçlar umut verici, ama abartıya da kapı açıyor. Bu yazıda neyin kanıtlandığını, neyin hâlâ soru işareti olduğunu ve hastanın bu denklemde nerede durduğunu olabildiğince dengeli ele alacağız.

Hacim sorunu: neden meme görüntüleme AI için ideal bir laboratuvar

Klasik 2 boyutlu mamografinin yanına son on yılda dijital meme tomosentezi (DBT) eklendi. Tomosentez, memeyi farklı açılardan alınan ince kesitlere bölerek üç boyutlu bir yapı oluşturur. Tanı için avantajlı, çünkü üst üste binen dokuların gizlediği lezyonları açığa çıkarabiliyor. Ama bedeli var: bir DBT taraması, klasik mamografiye göre çok daha fazla görüntü kesiti üretiyor. Radyologun ekran başında geçirdiği süre uzuyor, göz yorgunluğu artıyor.

Birçok Avrupa ülkesinde tarama programları “çift okuma” modeliyle çalışıyor: her mamografiyi iki ayrı radyolog bağımsız olarak değerlendiriyor. Bu, kaçırılan kanser oranını düşürüyor ama insan gücü açısından pahalı bir model. Radyolog sayısının kısıtlı olduğu, nüfusun yaşlandığı bir dönemde her görüntüyü iki kez okutmak sürdürülebilir değil. Yapay zekanın en somut vaadi de tam burada devreye giriyor: bu iş yükünün bir kısmını üstlenmek.

MASAI çalışması: vaatten kanıta geçiş

Bu alandaki en çok konuşulan çalışmalardan biri İsveç’te yürütülen MASAI (Mammography Screening with Artificial Intelligence) araştırması. 2023’te The Lancet Oncology‘de yayımlanan ara güvenlik analizinde, ulusal tarama programına katılan kadınlar rastgele iki gruba ayrıldı. Bir grup AI destekli okumaya, diğer grup ise standart çift okumaya yönlendirildi.

AI destekli kolda algoritma, her mamografiye 1 ile 10 arasında bir risk skoru veriyordu. Düşük riskli görüntüler tek radyolog tarafından okunuyor, yüksek riskli olanlar ise daha dikkatli ele alınıyordu. Sonuç dikkat çekiciydi: AI destekli yaklaşım, klasik çift okumayla karşılaştırılabilir bir kanser yakalama oranı sundu, ancak radyologların ekran okuma yükünü kabaca yarı yarıya azalttı. Yazarların kendi vurgusuyla bu, yöntemin tarama bağlamında “güvenli” kabul edilebileceğini gösteriyordu.

Burada önemli bir nüans var. MASAI bir “mucize” hikayesi değil; titizlikle tasarlanmış, randomize, tek kör bir tarama doğruluğu çalışması. Amaç AI’nin insanı ezip geçtiğini kanıtlamak değil, daha az insan emeğiyle aynı güvenlik düzeyinin korunup korunamayacağını ölçmekti. Bu temkinli çerçeve, alanın olgunlaştığının da işareti. Konuyu daha geniş bir radyoloji perspektifinden ele aldığımız yapay zeka ve radyoloji görüntüleme yazımız, bu çalışmanın oturduğu bağlamı tamamlıyor.

Mirai: mamogram bugünü değil, geleceği okuyabilir mi?

AI’nin meme görüntülemedeki rolü sadece “şu an kanser var mı?” sorusuyla sınırlı değil. MIT kökenli Mirai modeli, daha iddialı bir soruyu hedefliyor: bu kadında önümüzdeki yıllarda kanser çıkma olasılığı nedir? Mirai, tek bir mamografiyi analiz ederek beş yıla kadar uzanan bir risk tahmini üretmeye çalışıyor.

Bu yaklaşımın pratikteki anlamı büyük. Şu anda tarama aralıkları çoğunlukla yaşa göre belirleniyor; herkes aynı takvime tabi. Oysa risk dağılımı homojen değil. Eğer bir model, görüntüdeki ince doku örüntülerinden gerçekten anlamlı bir risk sinyali çıkarabiliyorsa, yüksek riskli kadınlar daha sık, düşük riskli olanlar daha seyrek taranabilir. Bu da hem kaynakların daha akıllı kullanımı hem de gereksiz görüntülemenin azaltılması demek. Kişiselleştirilmiş tarama, alanın orta vadeli hedeflerinden biri.

Yine de risk tahmini, kanser tespitinden daha kaygan bir zemin. “Var/yok” sorusu doğrulanabilir; “beş yıl sonra olabilir” tahmini ise ancak uzun takiple test edilebilir ve yanlış yönlendirme potansiyeli taşır. Bu yüzden risk modelleri henüz rutin klinik karara değil, araştırma ve dikkatli pilot uygulamalara ait.

Duyarlılık, yanlış pozitif ve geri çağırma dengesi

Bazı meme görüntüleme algoritmaları, kontrollü çalışmalarda %93 civarına varan duyarlılık bildiriyor. Yani gerçekten kanser olan vakaların büyük çoğunluğunu yakalayabiliyorlar. Kulağa harika geliyor, ama tek bir sayıya bakmak yanıltıcı. Duyarlılığı yükseltmenin kolay yolu, makineyi daha “şüpheci” yapmaktır; o zaman da yanlış pozitifler artar.

Yanlış pozitif, taramada gerçek bir maliyettir. Sağlıklı bir kadının geri çağrılması, ek görüntüleme, belki biyopsi ve haftalarca süren kaygı anlamına gelir. Tarama programlarının kalitesi, ne kadar kanser yakaladığı kadar, kaç sağlıklı insanı boş yere telaşlandırdığıyla da ölçülür. İyi bir AI sistemi, bu iki ucu birlikte dengelemek zorunda; sadece duyarlılık rekoru kırmak yeterli değil.

Yoğun meme dokusu: hem hastanın hem makinenin zorlandığı yer

Yoğun meme dokusu, mamografinin tarihsel zayıf noktası. Yoğun dokuda hem tümör hem de sağlıklı doku görüntüde benzer şekilde parlak görünür; tümörü ayırt etmek, kar üzerinde beyaz bir nesne aramaya benzer. Ayrıca yoğun doku, başlı başına bir risk faktörü olarak da kabul ediliyor.

Yapay zeka burada iki açıdan iş görüyor. Birincisi, doku yoğunluğunu standart ve tekrarlanabilir biçimde ölçebiliyor; bu ölçüm, hangi kadınların ek ultrason veya MR taramasına yönlendirileceği kararına katkı sağlıyor. İkincisi, bazı modeller yoğun zeminde gizli lezyonları yakalamada radyologa ikinci bir göz oluyor. Ama hiçbir model yoğun dokunun yarattığı belirsizliği tümüyle ortadan kaldırmıyor; bu, hâlâ tüm taraf için zor bir alan.

Patoloji ile köprü: görüntüden dokuya

Mamografide şüpheli bir bulgu, hikâyenin sonu değil başıdır. Geri çağrılan ve biyopsi yapılan vakalarda asıl tanı, dokunun mikroskop altında incelenmesiyle konur. Burada da yapay zeka ayrı bir koldan ilerliyor: dijital patoloji görüntülerinde hücre örüntülerini analiz ederek patologa destek oluyor. Görüntüleme ve doku analizinin bu iki ayağını birlikte düşünmek isteyenler için yapay zeka ve patoloji kanser tanısı yazımız zinciri tamamlıyor. Mamografi tarafındaki AI ile patoloji tarafındaki AI farklı problemleri çözüyor, ama nihai amaç aynı: doğru kadının doğru zamanda doğru tanıya ulaşması.

Yerine geçmiyor, güçlendiriyor

Bu alandaki en sağlam mesaj, en az heyecan verici olanı: yapay zeka tarama programını yönetmiyor, ona yardım ediyor. MASAI gibi çalışmalarda bile AI, radyologu devreden çıkarmadı; iş yükünü yeniden dağıttı ve dikkatin riskli vakalara yoğunlaşmasını sağladı. Raporu imzalayan, hastaya sonucu açıklayan ve klinik kararı veren hâlâ hekim.

YMYL kapsamına giren bu konuda altını kalın çizmek gerek: buradaki hiçbir bilgi kişisel tıbbi tavsiye değildir. Tarama aralığınız, yoğun meme dokunuz veya aile öykünüz konusundaki kararlar, görüntülerinizi gören hekiminize aittir. Yapay zeka, doktorunuzun elindeki araçlardan biri; karar mekanizması değil. Bu teknolojilerin tıbbi teşhisteki genel rolünü merak ediyorsanız, ana rehberimiz olan yapay zeka ile tıbbi teşhis yazısı tüm tabloyu bir araya getiriyor.

Özetle, meme kanseri taramasında yapay zeka artık teorik bir olasılık değil; sahada, gerçek programlarda ölçülen bir araç. Vaadi gerçek: daha az insan emeğiyle benzer güvenlik, daha akıllı tarama aralıkları, yoğun dokuda ek bir göz. Sınırları da gerçek: yanlış pozitif dengesi, risk tahmininin belirsizliği ve nihai sorumluluğun insanda kalması. Bu iki gerçeği birlikte tutabilen okuyucu, manşetlerin ötesini görür.

Mert Şahin

Teknoloji editörü. Yapay zeka, mobil cihazlar, elektrikli araçlar ve dijital dönüşüm konularında yazıyor. İçerikleri, üretici teknik dokümanları, ürün incelemeleri ve sektör analizleri temel alınarak hazırlanır. Kullanıcı odaklı, anlaşılır ve karşılaştırmalı içerikler üretmeyi hedefler.