Yapay Zeka ile Tıbbi Teşhis: Radyolojiden Patolojiye 2026 Tablosu

Bir radyolog, sabah listesinde bekleyen yüzlerce tomografi arasından beyin kanaması olan hastayı dakikalar içinde bulmak zorunda. Bir patolog, milimetrenin altındaki bir hücre kümesinin kanser olup olmadığına bakarken saatlerce mikroskop başında. Bu iki sahnenin ortak noktası, son birkaç yılda araya giren yeni bir aktör: makineye öğretilmiş örüntü tanıma. Yapay zeka tıbbi teşhise sessizce yerleşti; ama gazete manşetlerinin söylediği gibi değil. Hekimi koltuğundan etmiyor, masasına oturuyor.

Bu yazı, 2026’nın ortasında tıbbi teşhiste yapay zekanın nerede durduğunu alandan alana gezdiriyor. Hangi sistemler gerçekten klinikte, hangileri hâlâ laboratuvarda; rakamlar ne söylüyor, neyi söylemiyor; ve hastayı ilgilendiren asıl soru olan “bu bana ne kadar güvenilir?” sorusunun cevabı ne. Abartısız, ama küçümsemeden.

Önce büyük resmi koyalım. Tıbbi yapay zekanın hızı, görüntülemenin çoktan dijital olmasından geliyor. Bir tomografi cihazından çıkan veri zaten sayısal, standart formatta ve arşivlenebilir; makineye öğretmek için ideal hammadde. Bu yüzden ilerleme dengesiz: görüntünün bol ve görevin keskin olduğu alanlar koşar adım giderken, hekimin sezgisine, hasta öyküsüne ve muayeneye dayanan alanlar yavaş ilerliyor. Aşağıdaki tablo bu dengesizliğin haritası gibi okunabilir.

Önce tanım: Karar destek mi, otonom teşhis mi?

Tıbbi yapay zekayı anlamanın en pratik yolu, sistemleri ikiye ayırmak. Birinci grup karar destek araçları: makine bir bulguyu işaretliyor, sıraya koyuyor, ikinci bir göz olarak öneride bulunuyor, ama tanıyı hekim koyuyor. İkinci grup otonom sistemler: belirli ve dar bir görevde makine doğrudan sonuç üretiyor ve hekim onayı şart değil. Bugün klinikte gördüğümüz sistemlerin neredeyse tamamı birinci gruptan. Otonom teşhise FDA’in onay verdiği örnekler bir elin parmaklarını geçmiyor ve hepsi çok dar bir alanda çalışıyor.

Bu ayrımın altında çoğunlukla aynı teknoloji var: derin öğrenme. Sistem, etiketlenmiş on binlerce görüntü üzerinde eğitiliyor; “bu mamografide tümör var”, “bu tomografide kanama yok” gibi. Yeterince örnek görünce, daha önce karşılaşmadığı görüntülerde de benzer örüntüleri yakalamaya başlıyor. Mesele, bu yakalamanın ne kadar isabetli olduğu ve hangi koşullarda çuvalladığı.

Ayrımın neden önemli olduğunu bir örnekle netleştirelim. Karar destek aracı, hekimin radarına bir uyarı düşürür; “şu alana bir daha bak” der. Hekim bakar, kendi bilgisiyle tartar, kabul ya da ret eder. Otonom sistemde ise bu ara adım yoktur; çıktı doğrudan klinik aksiyona dönüşebilir. İşte bu yüzden düzenleyici kurumlar otonom onayı çok dar görevlere ve çok yüksek kanıt eşiğine bağlıyor. Bir sistemin “yüzde 90 doğru” olması, kalan yüzde 10’un kimin sorumluluğunda olduğu sorusunu doğurur. Karar destek modelinde bu yük paylaşılır; otonom modelde tek başına makineye yıkılamaz, çünkü makinenin hukuki bir sorumluluğu yoktur.

Rakamların dili: Duyarlılık, özgüllük, AUC

Bir teşhis sisteminin “yüzde 95 doğru” olması tek başına anlamsız bir cümle. Çünkü hastalığı olanları kaçırmamakla, hastalığı olmayanlara yanlışlıkla “var” dememek arasında her zaman bir denge var. Bu yüzden tıpta üç temel metrik konuşulur.

• Duyarlılık (sensitivite): Hastalığı olanların ne kadarını sistem doğru yakalıyor. Yüksek duyarlılık, “kaçırmıyor” demek. Tarama testlerinde aranan budur.
• Özgüllük (spesifite): Sağlıklı olanların ne kadarına doğru şekilde “temiz” diyor. Düşük özgüllük, gereksiz alarm ve gereksiz ileri tetkik demek.
• AUC (eğri altı alan): Sistemin genel ayırt etme gücünü 0 ile 1 arasında özetleyen tek sayı. 0,90 üstü iyi, 0,95 üstü çoğu görevde çok iyi sayılır; ama hangi veri setinde ölçüldüğü her şeyi değiştirir.

Burada gizli tuzak şu: Bir sistem kendi geliştiricisinin laboratuvar verisinde 0,97 AUC verirken, başka bir hastanenin farklı cihazla çekilmiş, farklı hasta profilindeki görüntülerinde 0,82’ye düşebilir. Bu düşüşe genelleme sorunu deniyor ve yapay zeka teşhisinin en gerçek kısıtı bu. Yayınlanan parlak rakamlarla, sizin hastanenizdeki performans aynı şey olmayabilir.

İkinci tuzak, hastalığın ne sıklıkta görüldüğüyle ilgili. Tarama ortamında bir hastalık nadir görülüyorsa, çok yüksek özgüllüğe sahip bir test bile çok sayıda yanlış pozitif üretebilir. Çünkü taranan büyük sağlıklı kitlede, küçük bir hata oranı bile mutlak sayı olarak kabarık bir yanlış alarm listesine dönüşür. Bu yüzden bir yapay zeka aracının değerini ölçerken sorulması gereken soru “doğruluğu kaç?” değil, “bu hasta grubunda, bu kullanım senaryosunda kaç kişiyi boşuna telaşlandırıyor ve kaç kişiyi gerçekten kurtarıyor?” olmalı. Aynı sistem, tarama ile acil servis gibi iki farklı ortamda çok farklı işe yarar.

Bir de metriklerin nasıl ölçüldüğü meselesi var. Bir model, eğitimde kullandığı veriye benzer veriyle test edilirse abartılı iyi görünür; buna iç doğrulama denir. Gerçek değer, modelin hiç görmediği, başka kurumdan gelen veriyle yapılan dış doğrulamada ortaya çıkar. Tıbbi yapay zeka literatürünün uzun süredir eleştirilen yanı, çalışmaların çoğunun dış doğrulamadan yoksun olması. Bir ürünü değerlendirirken “kaç hastada, kaç merkezde, ileriye dönük mü test edilmiş?” sorularının cevabı, parlak yüzde rakamından daha çok şey söyler.

Radyoloji: Yapay zekanın ağır topu

FDA’in onayladığı yapay zeka algoritmalarının açık ara çoğunluğu radyolojide. 2025 ortası itibarıyla onaylı cihaz sayısı 873 dolayına ulaşmış durumda ve son onay dalgasında radyoloji yine başı çekiyor; yeni eklenenlerin yüzlerce kadarı görüntüleme alanında. Bunun nedeni basit: radyoloji zaten dijital. Görüntü dosyaları standart, bol miktarda etiketli veri var ve görev iyi tanımlı. Makine öğrenmesi tam da bu koşulları sever.

Radyolojide yapay zekanın nasıl çalıştığını ve hangi modalitelerde öne çıktığını ayrıntılı olarak yapay zekanın radyolojik görüntülemedeki rolünü ele aldığımız yazıda inceledik. Burada tablo görünümü vermek gerekirse: göğüs röntgeninde nodül işaretleme, akciğer tomografisinde emboli tespiti, beyin görüntülemede kanama ve kırık taraması en olgun uygulamalar.

İnme triyajı: Saniyelerin hayat kurtardığı yer

Radyolojide yapay zekanın en güçlü olduğu yer, çok sayıda normal görüntü arasından az sayıdaki anormali öne çıkarmak. İnsan gözü monotonluğa karşı savunmasız; yüzlerce temiz filme baktıktan sonra istemeden dikkat dağılır. Makine yorulmaz, her görüntüye ilk görüntüymüş gibi bakar. Ama madalyonun öbür yüzü, makinenin yanlış işaretlemeleri. Her gereksiz işaret, radyoloğun zamanını çalan ve hastayı tedirgin eden bir maliyettir. İyi tasarlanmış sistem, kaçırmamayı yanlış alarm üretmeme ile dengelemeye çalışır; bu dengeyi tutturmak, ürünü iyi ya da kötü yapan asıl ayrım.

İnmede zaman beyin demek. Büyük damar tıkanıklığı olan bir hastada her geçen dakika geri dönüşsüz hücre kaybı. Viz.ai ve Aidoc gibi sistemler tam bu noktada devreye giriyor: çekilen beyin anjiyografisini saniyeler içinde tarıyor, büyük damar tıkanıklığı şüphesi varsa nöbetçi inme ekibini doğrudan telefonundan uyarıyor. Radyoloğun raporu beklemeden hasta yolu hareketleniyor. Burada makine teşhis koymuyor; öncelik sıralaması yapıyor ve doğru kişiyi doğru anda uyandırıyor. Bu modelin ayrıntısı için yapay zekanın inme acil triyajındaki kullanımına bakabilirsiniz.

Mamografi: İkinci okuyucu olarak makine

Meme kanseri taramasında yapay zeka iki cephede çalışıyor. Birincisi, mevcut mamografide şüpheli alanları işaretleyip radyoloğa ikinci bir göz sunmak. İkincisi, MIT’de geliştirilen Mirai gibi modellerle, bugün normal görünen bir mamografiden gelecekteki beş yıllık risk tahmini yapmak. İkincisi daha tartışmalı ve daha az yerleşik; ama tarama aralığını kişiye göre ayarlama fikri ilgi çekiyor. Konunun klinik tarafını yapay zeka ve mamografi ile meme kanseri yazısında ayrıntılandırdık.

Göz: Otonom teşhisin nadir örneği

Diyabetik retinopati, diyabet hastalarında görme kaybının önde gelen nedeni ve düzenli göz dibi taramasıyla büyük ölçüde engellenebiliyor. Sorun, her diyabetlinin düzenli göz doktoruna ulaşamaması. IDx-DR sistemi, FDA’in göz uzmanı yorumu gerektirmeden teşhis verme yetkisi tanıdığı ilk otonom yapay zeka olarak burada öne çıktı. Birinci basamakta bir teknisyen göz dibi fotoğrafını çekiyor, sistem “ileri tetkik gerekli” ya da “şu an gerek yok” diyor. Uzmana erişimin sınırlı olduğu yerlerde bu modelin değeri büyük. Yine de “ileri tetkik gerekli” çıktısı sonrası teşhis ve tedaviyi hekim üstleniyor. Yapay zeka ile diyabetik retinopati taraması bu otonom modelin nasıl kurulduğunu anlatıyor.

Dermatoloji ve patoloji: Görüntü temelli iki cephe

Cilt lezyonu fotoğrafından melanom ayırt etme, yapay zekanın en çok konuşulan ama en yanıltıcı alanlarından biri. Laboratuvar verisinde dermatologlarla yarışan, hatta bazı testlerde geçen sonuçlar var. Ama gerçek hayatta cilt tipi çeşitliliği, ışık, telefon kamerası farkları sistemleri zorluyor. Koyu ten tonlarının eğitim verisinde az temsil edilmesi, performansın bu hastalarda düşmesine yol açabiliyor; veri yanlılığının en somut örneklerinden biri bu. Yapay zeka ile dermatolojide cilt kanseri taramasının nerede işe yaradığını, nerede dikkat gerektirdiğini orada açtık.

Dermatolojide bir noktanın altını çizmek gerekiyor: bir uygulamanın iyi puan alması, onun bir tanı koyduğu anlamına gelmez. Cilt lezyonu için telefona indirilen tüketici uygulamaları çoğu zaman “şüpheli, doktora git” gibi bir tarama önerisi verir; melanom tanısı koymaz. Tanı, dermoskopi ve gerektiğinde biyopsi ile hekim tarafından konur. Tüketicinin yapay zeka çıktısını kesin sonuç sanması, gerçek tehlikenin atlanmasına ya da gereksiz panikle sağlık sistemine yüklenmeye yol açabilir. Aracın işe yaradığı yer, ulaşılabilirliği artırıp doğru kişiyi kliniğe yönlendirmesidir.

Patoloji ise sessiz devrimini yaşıyor. Doku örneklerinin yüksek çözünürlükle dijitalleştirilmesi (dijital patoloji) yaygınlaştıkça, yapay zeka mikroskop camındaki kanser hücrelerini işaretlemekte, mitoz saymakta, tümör derecelendirmesinde patoloğa yardımcı oluyor. Prostat ve meme patolojisinde olgun örnekler var. Burada da rol ikinci göz: makine şüpheli alanı işaretliyor, tanıyı ve raporu patolog yazıyor. Yapay zeka ile patolojide kanser tanısı bu iş akışını ayrıntılı gösteriyor.

Görüntünün ötesi: Sayısal verilerle erken uyarı

Yapay zeka sadece resimlere bakmıyor. Hastanın laboratuvar değerleri, yaşamsal bulguları, elektronik kayıttaki sayılar da makine için veri. Sepsis bu alanın amiral gemisi. Sepsis, vücudun enfeksiyona aşırı tepkisiyle organların hızla bozulduğu, dakikaların önem taşıdığı bir tablo. Erken uyarı sistemleri, nabız, ateş, solunum ve laboratuvar değerlerindeki örüntüyü izleyip klinik belirti netleşmeden saatler önce ekibi uyarabiliyor. Çalışmalar bu sistemlerin erken müdahaleyi mümkün kıldığını, ama yanlış alarm yükünün de bedel olduğunu gösteriyor. Konuyu yapay zeka ile sepsis ve yoğun bakım yazısında ele aldık.

Sayısal veriyle çalışan sistemlerin ortak zorluğu, hastane kayıtlarının dağınık ve eksik olması. Bir kişinin nabzı kaydedilirken atlanmış, bir laboratuvar değeri geç girilmiş olabilir. Modelin gördüğü dünya, kaydın kalitesi kadardır. Üstelik bu sistemler bir kez kurulup unutulamaz; hasta profili, tedavi protokolleri ve cihazlar değiştikçe model zamanla kayar ve performansı düşer. Buna model kayması deniyor ve sürekli izleme ile yeniden ayar gerektiriyor. Yani yapay zeka teşhisi, kurulduğu gün biten değil, sürekli bakım isteyen bir altyapı.

Büyük dil modelleri: Tanı koyabilir mi?

ChatGPT türü büyük dil modellerinin tıbbi vakalarda akıl yürütmesi son dönemin en sıcak başlığı. Yayınlanan çalışmalarda bu modeller dermatoloji vinyetlerinde, kardiyoloji senaryolarında ve klasik vaka sunumlarında şaşırtıcı isabet gösteriyor. Ama kritik bir fark var: bu modeller metin üzerinde akıl yürütüyor, gerçek hastayı muayene etmiyor, laboratuvarı yorumlama bağlamından yoksun ve emin bir tonla yanlış cevap üretebiliyorlar (halüsinasyon). Tanı asistanı olarak potansiyelleri büyük; bağımsız tanı koyucu olarak güvenilir değiller. Bu ayrımı büyük dil modelleri ve tıbbi teşhis yazısında uzun uzun tartıştık.

Sınırlar: Neden makine tek başına bırakılmıyor?

Tabloyu dengelemek için sistemlerin nerede tökezlediğine bakmak gerekiyor. Çünkü gerçek karar, bu sınırların farkında olunarak veriliyor.

• Veri yanlılığı: Sistem hangi nüfustan öğrendiyse ona benziyor. Eğitim verisinde az temsil edilen yaş, cinsiyet, etnik grup veya cihaz tipinde performans düşüyor.
• Genelleme: Bir hastanede mükemmel çalışan model, başka bir cihazın ürettiği görüntüde aynı isabeti vermeyebiliyor.
• Kara kutu sorunu: Derin öğrenme modelleri kararının gerekçesini her zaman açıklayamıyor. Hekimin “neden bunu işaretledin?” sorusuna net cevap her zaman yok.
• Otomasyon yanlılığı: Hekim makineye fazla güvenip kendi şüphesini bastırabilir. Makine kaçırdığında insan da kaçırma riski artıyor.
• Regülasyon ve sorumluluk: Yanlış teşhiste sorumluluk kimde? Bu hukuki zemin hâlâ oturuyor. FDA onayı bir cihazın güvenli ve etkili kabul edildiğini gösterir, ama klinik kullanım sorumluluğunu ortadan kaldırmaz.

Türkiye bağlamı: Nerede duruyoruz?

Türkiye’de yapay zeka destekli teşhis araçları büyük hastane gruplarında ve üniversite hastanelerinde, özellikle radyolojide kullanılmaya başlandı. Tomografi ve röntgen tabanlı işaretleme yazılımları, bazı görüntüleme merkezlerinde iş akışına girdi. Yaygınlaşmanın önündeki engeller dünyadakilerle benzer: yerel veriyle doğrulama ihtiyacı, geri ödeme modellerinin belirsizliği, veri gizliliği düzenlemeleri ve eğitim. Yurt dışı verisiyle eğitilmiş bir modelin Türk hasta nüfusunda nasıl davrandığını gösteren bağımsız çalışmalara ihtiyaç sürüyor. Yani tablo umut verici, ama temkinli.

Hasta tarafından bakıldığında akılda tutulması gereken birkaç şey var. Bir görüntülemenizi ya da tahlilinizi yapay zeka destekli bir araç değerlendirdiyse, bu raporunuzun tek dayanağı değildir; hekiminizin yorumu son sözdür. İnternette bulduğunuz bir uygulamaya cilt lekenizi ya da semptomlarınızı yazıp çıkan sonucu kesin teşhis gibi almak, en sık yapılan hata. Bu araçlar yönlendirici olabilir, ama muayeneyi, öyküyü ve fizik bakıyı yerine koyamaz. Bir bulgu sizi endişelendiriyorsa doğru adım, uygulamaya değil hekime gitmektir.

2026 tablosu özet

Geniş açıdan bakınca manzara net. Yapay zeka, görüntünün dijital ve görevin dar olduğu alanlarda (radyoloji, göz dibi, patoloji slaytı) klinik gerçekliğe dönüştü. Sayısal verilerle erken uyarıda (sepsis) faydalı ama gürültülü. Dil modelleri heyecan verici ama henüz tanı koyucu değil, asistan. Her alanda ortak çizgi aynı: makine bulguyu öne çıkarıyor, hızı ve kapsamı artırıyor, yorulmuyor; ama bağlamı kuran, hastayı bütün olarak gören ve son kararı veren hekim. Doğru çerçeve, “yapay zeka mı insan mı” değil, “yapay zekayla güçlenmiş insan”. 2026’da gerçek bu.

Bu içerik bilgilendirme amaçlıdır ve tıbbi tavsiye yerine geçmez. Herhangi bir teşhis veya tedavi kararı için hekiminize danışın.

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.