2016 yılında yapay zekanın “babası” olarak bilinen Geoffrey Hinton, radyologların (röntgen, ultrason ve diğer görüntüleme yöntemleriyle tıbbi tanı koymaya yardımcı olan hekimler) beş yıl içinde bilgisayarlar tarafından yerlerinin alınacağını öngörmüştü. Ancak bu tahmin, Mark Twain’ın meşhur sözüyle (“Ölüm haberim abartılmış”) çürütülmüş gibi görünüyor.
Radyoloji alanındaki uzman sayısı aslında istikrarlı bir şekilde artıyor ve önümüzdeki üç on yılda bu sayının %26 veya daha fazla oranında artması bekleniyor. Ancak Hinton’ın gözden kaçırdığı önemli bir nokta var: İnsan hekimlerin yanı sıra, performansları insanlara eşdeğer veya daha iyi olan yapay zeka destekli sistemler de artık sağlık hizmetlerinde yer alıyor. Hatta radyoloji, yapay zekanın en yaygın kullanıldığı alanlardan biri ve bu durum, uzman karar verme sistemlerinin diğer sağlık hizmetleri ve hatta farklı sektörlerdeki benimsenmesi için bir gösterge niteliği taşıyor.
2026 yılının başlarında, Gıda ve İlaç Dairesi (FDA) tarafından onaylanan 1400 yapay zeka destekli tıbbi cihazın yaklaşık üçte ikisi radyoloji alanındaydı. Bu cihazlardan bazıları hekimlerin iş yükünü azaltırken, diğerleri insan gözünün göremediği anormallikleri tespit etme veya radyologlar kadar iyi sonuçlar verme potansiyeline sahip. Örneğin, 43 klinik çalışmanın analizi, yapay zeka destekli kolonoskopilerin geleneksel yöntemlere göre daha fazla polip bulduğunu gösterdi.
Doğruluğun artırılması önemli çünkü tanısal görüntüleme süreçlerinde insan hatası oranının %3 ila %5 arasında olduğu tahmin ediliyor. Bu da yılda yaklaşık 40 milyon hata anlamına geliyor. Ancak çözüm, insanları makinelerle değiştirmek kadar basit değil. Hinton’ın sansasyonel tahmininin üzerinden on yıl geçtikten sonra, asıl soru şu: İnsanlar ve yapay zeka hangi görevlerde daha iyi performans gösteriyor? Önemli olan, yapay zekanın teknik doğruluğunun, insan deneyimi ve esnekliğiyle nasıl birleştirileceği.
En iyi şekilde nasıl bir işbirliği sistemi tasarlanacağı konusunda fikir ayrılıkları bulunuyor. Yapay zeka, belirli görüntüleri yorumlama konusunda yetenekli radyologlardan daha güvenilir olsa bile, yine de hatalar yapacaktır. Bu durum, radyologların her yapay zeka kararını değerlendirmesini ve algoritmanın yanlış yaptığı nadir durumları tespit etmesini gerektiriyor.
St. Jude Çocuk Hastanesi’nde görevli bölüm başkanı Paul Yi, “Bu, tüm zihniyetin yeniden düzenlenmesini gerektiriyor” diyor.
Did you know? Yapay zeka, doktorların meme kanserinin erken belirtilerini tespit etmelerine yardımcı olabilir.
2026 yılında yayınlanan bir İsveç çalışması, yapay zeka destekli mamografi taraması yapılan hastaların, daha az sayıda erken dönem kanser tanısı aldığını ve taramalar arasındaki tanıların daha az olduğunu gösterdi. Bu sonuçlar, teknolojinin testlerin iyileştirilmesine ve doktorların iş yükünün azaltılmasına yardımcı olabileceğini gösteriyor.
Elektronik tıbbi kayıt sistemlerinde yer alan kural tabanlı algoritmaların tetiklediği uyarılar, hekimleri uzun zamandır potansiyel olarak tehlikeli ilaç etkileşimleri hakkında bilgilendiriyor. Hekimler genellikle bu uyarıların yaklaşık yarısını göz ardı ediyor. “Ben bir bilgisayardan tavsiye alacağım ve bunu hastayla ilgili sahip olduğum tüm bilgilerin bağlamında değerlendirip en iyi kararı vereceğim” diyor Langlotz.
Ancak yapay zeka görüntü analiz sistemleri genellikle, doktorların kendi tıbbi bilgilerine dayanarak hızlı bir şekilde yorumlayabileceği cevaplar veya ipuçları veren kural tabanlı algoritmaların aksine, “kara kutu” olarak adlandırılan sinir ağlarına dayanır. Bu yapay zeka modelleri genellikle nasıl bir karara vardıklarını açıklamaz, bu da radyoloğun kararını veto edip etmemesi konusunda daha karmaşık bir durum yaratır.
Radyoloji Derneği’nin yayınladığı Radiology: Artificial Intelligence dergisinin editörü Charles Kahn, “Gerçekten bir anormallik mi var, yoksa yapay zeka incelediği şeyleri kaçırıyor muyuz?” diye soruyor. Bu durum, radyologlar için büyük bir zorluk teşkil ediyor.
Langlotz, örneğin, akciğerdeki nodülleri %95 oranında tespit edebilen teorik bir yapay zeka aracının olduğunu söylüyor. Radyologların ise bu oranı %90 olarak bulduğu belirtiliyor. “Bazıları ‘Yapay zeka radyologlardan daha iyi, bu yüzden tüm radyologları yapay zekayla değiştirmeliyiz’ diyecekler,” diyor Langlotz. Ancak radyologların da makinenin kaçırdığı nodülleri tespit edebileceğini ve bunun da farklı türde bir zeka olduğunu belirtiyor.
Yapay zeka, yorulmadan veya dikkatsizce her pikseli inceleyebilir ve gördüğü her görüntüyle karşılaştırabilir. Radyologlar ise hastalığın anlaşılması konusunda bilgi sahibi oldukları için görüntüleri yapay zekanın göremediği şekillerde yorumlayabilirler.
“Yapay zeka ile radyologların doğal olarak farklı düşündüğünde, bu düşüncelerin nasıl bir araya getirileceği sorusu ortaya çıkıyor” diyor Mosaic Clinical Technologies’in baş tıbbi yapay zeka sorumlusu Nina Kottler. Bu durum kolay olmasa da, çözümler bulunabilir.
İdeal bir yapay zeka/insan ekibi oluşturmak için, radyologlar dünya çapında yapay zekayla nasıl işbirliği yapacaklarını öğrenmeye çalışıyorlar. Bu işbirliği, hekimlerin ya yapay zekaya çok fazla güvenmesine veya tepkilerini uygunsuz şekilde reddetmesine neden olabilecek bilinçsiz önyargılarla başa çıkmayı gerektiriyor. Bu nedenle, radyologların bu sistemleri en iyi şekilde kullanabilmeleri için, yapay zekanın genel güvenilirliğini anlamaları ve aynı zamanda hatalarını tespit edebilmeleri gerekiyor.
“Algoritmaların nasıl çalıştığı hakkında biraz bilgi sahibi olmak, algoritmanın sizi yanıltıp yanıltmadığını daha iyi anlamanıza yardımcı olabilir” diyor Langlotz.
Tıbbi bir görüntü yorumunda insan veya makine tarafından yapılan her “evet/hayır” hatasında iki olası hata türü vardır: Yanlış negatif, hastalığın varlığını kaçırırken; yanlış pozitif ise aslında olmayan bir durumu mevcut olarak gösterir.
Çoğu hastalık nispeten nadir olduğu için, herhangi bir tanı aracı çok sayıda hastada hastalık olmadığı halde yanlış pozitif sonuçlar üretecektir. Bir hekimin bu yanlış pozitifleri tanıyıp reddetmesi gerekirken, makinenin doğru yaptığı nadir durumları da tespit edebilmelidir.
Ancak yapay zekanın sonuçlarına çok fazla güvenmek de tehlikelidir. Örneğin, bir yapay zeka sistemi beyindeki kanama varlığını kaçırabilir ve hekim bu durumu gözden kaçırabilir. Bu tür hatalara karşı dikkatli olmak önemlidir.
“Bu durumlar, yapay zekanın radyoloğun şüphe düzeyini fark etmesine neden olabilir” diyor Kottler. Zamanla insanlar yapay zekanın cevaplarına çok fazla güvenebilirler. Bir çalışmada, deneyimli radyologların bile, yapay zeka tahminlerinin etkisi altında mamografi yorumlama doğruluğunda önemli düşüşler yaşandığı görülmüştür.
Öte yandan, yapay zekaya karşı güvensizlik daha doğal bir durum olabilir. İnsanlar genellikle, işlerini alabileceği düşünülen yeni teknolojilere karşı şüpheci yaklaşırlar. Ayrıca, güvenilir yapay zeka sistemlerinin bile açık hatalar yapması, bu güvensizliği artırabilir.
“Bu nedenle, radyologların yapay zekayla nasıl çalıştığını anlamaları ve zaman içinde yapay zekanın sonuçlarına ne kadar katıldıklarını veya reddettiklerini izlemek önemlidir” diyor Kottler. Radyologlar, yapay zekanın sonuçlarına %100 katılıyorlarsa veya hiç kabul etmiyorlarsa, bu durumun farkına varılmalı ve müdahale edilmelidir.
Ancak sadece yapay zekanın ne kadar doğru olduğunu söylemek yeterli değildir. Hekimlerin neye dikkat etmeleri gerektiğini ve ne zaman müdahale etmeleri gerektiğini bilmeleri için eğitim almaları gerekir. Örneğin, belirli bir yapay zeka aracının hastanın taramada hareket ettiği durumlarda %30 oranında yanlış sonuçlar verebileceğini bilmelidirler.
Kottler ayrıca, her değerlendirme için basit bir “evet/hayır” cevabı yerine, yapay zekanın güven düzeyi hakkında bilgi vermesini öneriyor. Çünkü radyologların birden fazla yapay zeka sisteminin karmaşıklıklarıyla başa çıkması beklenemez.
“İnsan ve makine arasındaki en iyi işbirliği şeklini anlamak için henüz çok erken” diyor Langlotz. Radyologların bugün anlaması gereken en önemli şey, neredeyse bir on yıl önce yapay zekanın radyologları yerinden edecek tahminini çürüterken söylediği gibi: “Yapay zekayı kullanan radyologlar, yapay zekayı kullanmayan radyologları yerinden edecektir.”
Kasım 28, 2017
Among medical fields, radiology has pioneered the adoption of A.I. tools. Yet combining the complementary strengths of human and machine intelligence is not straightforward.
mihailomilovanovic/Getty Images
In collaborations with artificial intelligence tools, radiologists can fall prey to thought patterns that lead to diagnostic errors. In automation bias, physicians accept the authority of intelligent systems while discounting their own judgement. In automation complacency, working over time with highly reliable A.I. systems reduces physicians’ vigilance for the rare errors that do occur.
Kaynak: smithsonian
