Yapay Zeka Radyolojide: Röntgen, BT ve MR Görüntülerini Nasıl Okuyor?

Bir radyolog günde yüzlerce görüntü inceler. Akciğer filminde milimetrik bir nodül, beyin tomografisinde henüz belirginleşmemiş bir kanama, el bileğinde gözden kaçabilecek çatlak çizgi. Yorgunluk birikir, dikkat dalgalanır, iş listesi uzar. Yapay zekanın radyolojiye girişi tam buraya, bu basınç noktasına oturuyor. Peki bir yazılım röntgeni, BT’yi veya MR’ı nasıl “okuyor”? Gerçekten okuyor mu, yoksa örüntü mü eşleştiriyor? Bu yazıda mekaniği, sınırları ve radyologların geleceğine dair tartışmayı süslemeden ele alıyoruz.

Bu içerik, yapay zeka tıbbi teşhis ana yazımızın bir parçası. Radyoloji, yapay zekanın tıpta en olgun ve en yoğun uygulandığı alan; o yüzden buradaki dinamikleri anlamak, teknolojinin sağlığa nasıl sızdığını görmenin en net yolu.

Görüntüyü piksel piksel: CNN nasıl çalışır?

Bir tıbbi görüntü, makine için renk veya gri tonlardan oluşan dev bir sayı tablosudur. Her piksel bir değer. İşin kalbinde konvolüsyonel sinir ağı denilen mimari var. Bu ağ, görüntü üzerinde küçük pencereler (filtreler) gezdirerek önce en basit yapıları yakalar: kenarlar, çizgiler, gri tonların aniden değiştiği sınırlar. Sonraki katmanlar bu basit parçaları birleştirir; köşeler, dokular, eğriler oluşur. Daha derin katmanlarda bunlar bir araya gelip “yuvarlak, sınırları belirsiz, çevre dokudan farklı yoğunlukta bir kütle” gibi karmaşık örüntülere dönüşür.

Yani ağ, bir insanın “burada bir nodül var” derken kullandığı kavramları açıkça öğrenmez. Onun yerine, milyonlarca pikseli geçmiş örneklerle ilişkilendirip istatistiksel bir karar üretir. Bu yüzden “okuyor” kelimesi mecazi. Ağ anlamıyor; eğitildiği örneklerdeki örüntülerle yeni görüntüyü eşleştiriyor ve bir olasılık çıktısı veriyor: “bu bölgede patoloji olma ihtimali yüzde 87.” Mekaniğin tamamı bu olasılık tahmini üzerine kurulu.

Eğitim: veri seti ve etiketleme her şeyi belirler

Bir görüntü tanıma modelinin niteliği, eğitildiği veriden daha iyi olamaz. Model, üzerinde uzman radyologların işaretleme yaptığı binlerce, çoğu zaman yüz binlerce görüntüyle beslenir. Her görüntüye bir “doğru cevap” iliştirilir: bu filmde kanama var/yok, kütle şurada, kırık hattı bu çizgide. Bu işleme etiketleme deniyor ve sürecin en pahalı, en zahmetli kısmı bu. Çünkü etiketi koyan da insan; insanın hatası, önyargısı ve tutarsızlığı doğrudan modele geçiyor.

Burada sinsi bir tuzak var. Bir model yalnızca tek bir hastanenin, tek bir cihaz markasının, belirli bir hasta profilinin görüntüleriyle eğitilirse, o dar dünyada parlak performans gösterip başka bir hastanenin farklı tomografi cihazında çuvallayabilir. Literatürde bu, modelin başka kurumların protokollerine taşındığında performansının düşmesi olarak tanımlanıyor. Çözüm yönünde çok merkezli, çeşitli veri setleri ve hasta gizliliğini koruyarak farklı kurumların verisini birleştiren federe öğrenme gibi yaklaşımlar konuşuluyor. Ama pratikte standart, kaliteli, dengeli etiketli veriye ulaşmak hâlâ alanın en büyük darboğazı.

FDA onaylı araçlar: radyoloji neden en kalabalık kategori?

Yapay zekanın tıptaki ağırlık merkezi soyut bir tahmin değil; düzenleyici verisinde görünüyor. ABD’de FDA’in pazara izin verdiği yapay zeka destekli tıbbi cihazların listesinde açık ara en kalabalık kategori radyoloji. Bunun nedeni rastlantı değil. Görüntü, doğası gereği sayısal ve standart bir veri; bir röntgen ya da BT kesiti, bir doktorun serbest metin notundan çok daha kolay makineye verilebilir. Üstelik radyolojide “doğru cevap” çoğu zaman görece nettir: kırık var ya da yok, nodülün sınırı şurada. Bu netlik, modeli eğitmeyi ve doğrulamayı kolaylaştırıyor.

Onaylı araçların çoğu dar ve spesifik görevlere odaklı: göğüs filminde nodül tespiti, mamografide şüpheli lezyon işaretleme, beyin BT’sinde kanama veya büyük damar tıkanıklığı taraması, akciğer embolisi uyarısı. Tek bir araç “her şeyi okuyan radyolog” değil; belirli bir bulguya nişan alan dar bir uzman gibi. Bu dağınık ama spesifik tablo, alanın olgunlaştığını ama hâlâ parça parça ilerlediğini gösteriyor.

İki uygulama bu dar uzmanlaşmanın iyi örneği. Meme kanseri taramasında yapay zekanın mamografi okumadaki rolünü yapay zeka ve mamografi yazımızda ayrı ele aldık. İnme şüphesinde dakikaların önem taşıdığı acil triyajı ise yapay zeka ve inme acil triyajı yazımızda inceledik. İkisi de aynı mantığın iki ucu: erken tarama ve acil önceliklendirme.

Ne yakalıyor? Nodül, kırık, kanama

Bugün klinikte en çok güvenilen kullanımlar, “var/yok” sorusunun göreli net olduğu bulgular. Akciğer nodülü, BT’de küçük yuvarlak yoğunluk değişimleridir; insan gözünün yorgunlukta atlayabileceği milimetrik yapılar tam olarak makinenin tutarlı şekilde tarayabildiği şeyler. Kemik kırıkları, özellikle saç teli inceliğindeki çatlaklar ve yoğun iş yükünde gözden kaçan periferik kırıklar, görüntü tanıma için elverişli hedefler. Beyin kanaması ise hız boyutuyla öne çıkıyor: BT’de kanama bulgusunu saniyeler içinde işaretleyen bir araç, hastanın sıraya girmesini beklemeden vakayı listenin başına taşıyabilir.

Ortak nokta şu: bu görevlerin hiçbiri “tanı koymak” değil. Araç bir bölgeyi işaretler, bir olasılık verir, dikkat çeker. Nihai kararı, klinik bağlamı, hastanın hikâyesini ve diğer bulguları birleştirerek radyolog verir. Yapay zeka burada teşhis değil, tespit katmanı.

İş akışı triyajı: en somut fayda burada

Yapay zekanın radyolojide bugün ölçülebilir değer kattığı yer çoğu zaman dramatik bir tanı değil, sıradan görünen iş akışı düzenlemesi. Klasik bir radyoloji listesi, görüntülerin geliş sırasına göre işlenir; oysa o listede acil bir beyin kanaması, sıradan bir kontrol filminin arkasında bekliyor olabilir. Triyaj algoritması, kritik bulgu içeren vakaları otomatik olarak öne çekerek bu sırayı yeniden düzenliyor. Hasta için kazanılan dakikalar, inme veya kanama gibi durumlarda doğrudan sonucu etkileyebiliyor.

İkinci somut fayda “ikinci göz” işlevi. Radyolog kendi okumasını yapar, araç da paralel tarar; ikisinin işaretledikleri örtüşmediğinde bir uyarı doğar. Bu, yorgunlukta atlanan bulguyu yakalama şansını artırıyor. Önemli olan, aracın radyoloğu yormadan, akışı bozmadan arka planda çalışması. İyi tasarlanmış bir sistem ekstra tıklama ve gürültü yaratmaz; sessizce süzgeç görevi görür.

Yanlış pozitif, yanlış negatif: ince ayar meselesi

Hiçbir model kusursuz değil ve hata iki yönde işler. Yanlış pozitif, aslında patoloji olmayan bir yeri işaretlemektir; çok olursa radyolog gereksiz uyarılara boğulur, zamanla uyarıları ciddiye almamaya başlar (alarm yorgunluğu). Yanlış negatif ise gerçek bir bulguyu kaçırmaktır ve klinik olarak çok daha tehlikelidir; çünkü hem makine hem de ona güvenen insan bulguyu gözden kaçırabilir.

Bir aracın hassasiyetini ayarlamak, bu iki hata arasında bilinçli bir denge kurmak demek. Eşiği düşürürseniz daha çok bulgu yakalar ama yanlış alarm artar; yükseltirseniz alarm azalır ama kaçırma riski büyür. Tarama amaçlı bir araç (örneğin kanser taraması) genelde “hiçbirini kaçırma” tarafına ayarlanır, çünkü kaçırmanın bedeli ağırdır. Bu ayar tıbbi bir tercih, teknik bir ayrıntı değil. Yapay zekanın çıktısını kör bir kesinlik değil, olasılıklı bir öneri olarak okumak bu yüzden gerekli.

Kara kutu sorunu ve açıklanabilirlik

Derin öğrenme modellerinin en rahatsız edici yanı, kararlarını gerekçelendirememeleri. Model “bu film anormal” der ama “şu kenar, şu doku, şu asimetri yüzünden” diye insanca bir açıklama sunmaz. İçeride milyonlarca sayısal ağırlık vardır; çıktı doğru bile olsa, o çıktıya nasıl varıldığı şeffaf değildir. Buna “kara kutu” problemi deniyor ve tıpta bu sıradan bir teknik kusur değil, güven ve sorumluluk meselesi. Bir hekim, dayanağını göremediği bir öneriye nereye kadar güvenmeli?

Alan buna açıklanabilir yapay zeka çalışmalarıyla yanıt vermeye uğraşıyor. En yaygın yaklaşım, modelin kararı verirken görüntünün hangi bölgesine “baktığını” renkli ısı haritalarıyla göstermek. Bu, radyoloğa “araç şuraya takıldı” bilgisi verir; tam bir gerekçe değil ama kör bir çıktıdan iyidir. Yine de açıklanabilirlik hâlâ olgunlaşmamış bir alan. Düzenleyici belirsizlik, hekimin yasal sorumluluğu ve algoritmik yanlılık endişeleri, klinik benimsemenin önündeki gerçek engeller olarak duruyor. İlginç bir veri: yapay zeka kullanmayan radyologların büyük bölümü, teknolojide kendileri için somut bir fayda görmediklerini söylüyor. Yani direnç bilgisizlikten değil, kanıt ve şeffaflık eksikliğinden besleniyor.

Radyolog işsiz mi kalacak?

Bu soru on yıldır dolaşıyor ve kısa cevabı net: hayır. Yapay zeka radyologları işsiz bırakmıyor; işin içeriğini değiştiriyor. Bunun birkaç sağlam nedeni var. Birincisi, bugünkü araçlar dar görevlere odaklı; “kanama tara” diyebilirsiniz ama “bu hastada ne oluyor” sorusunu bütün klinik bağlamıyla yanıtlayan, görüntüyü hastanın hikâyesiyle birleştiren bir yargı hâlâ insanın işi. İkincisi, kara kutu ve sorumluluk meselesi çözülmedikçe nihai kararın ve yasal yükümlülüğün bir hekimde kalması zorunlu.

Gerçekçi senaryo bir dönüşüm. Radyolog, tek tek bulgu avlamaktan çok, araçların ön elemesini denetleyen, karmaşık vakalara odaklanan, yapay zekanın işaretlediklerini bağlama oturtan bir role kayıyor. Rutin ve tekrarlı kısımların makineye devredilmesi, teorik olarak hekime daha fazla düşünme ve hasta zamanı bırakabilir. Tıpkı otomasyonun başka mesleklerde yaptığı gibi: işin niteliği değişiyor, görev dağılımı yeniden çiziliyor, ama insan yargısı denklemden çıkmıyor.

Daha gerçekçi bir endişe, “yapay zeka radyologun yerini alacak” değil; “yapay zekayı iyi kullanan radyolog, kullanmayanın önüne geçecek” cümlesi. Yani rekabet makineyle insan arasında değil, aracı verimli kullanan hekimle kullanmayan arasında oluşabilir. Bu da mesleğin yok olması değil, yeni bir beceri katmanının işin parçası hâline gelmesi demek: aracın çıktısını eleştirel okumak, yanlış pozitifi ayıklamak, modelin zayıf olduğu alanları bilmek. Şu an alanın gerçeği şu: yapay zeka radyolojiye girdi, ama kliniğe nüfuzu hâlâ ölçülü; bir devrimden çok, sessiz ve kademeli bir yerleşme yaşanıyor. Hızlı bir tahliye değil, uzun bir entegrasyon süreci söz konusu.

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.