Yapay Zeka, Radyologların Rolünü Mu Alıyor?
Radyoloji, dijital görüntüler üzerinden tanı koymaya yönelik ölçülebilir kriterlerle çalışan bir alan olarak yapay zeka otomasyonuna en uygun tıp dallarından biri olarak değerlendiriliyor. Bununla birlikte, yapılan bir araştırmaya göre, yapay zekaya rağmen insan radyologlara olan talep tarihsel olarak en yüksek seviyede kalıyor.
2017 yılına ait CheXNet modelinin tanıtımı, 100.000’den fazla akciğer röntgeni üzerinde gerçekleştirildi ve zatürreyi sertifikalı uzmanlardan oluşan bir kurula göre daha yüksek doğruluk oranıyla tespit edebildi. Üstelik bu sistem hızlı, ücretsiz ve yalnızca tek bir tüketici sınıfı GPU üzerinde çalışabiliyor. Hastaneler bu teknoloji sayesinde yeni bir taramayı bir saniyeden kısa sürede sınıflandırabiliyor.
O zamandan sonra Annalise.ai, Lunit, Aidoc ve Qure.ai gibi şirketler, çeşitli taramalarda yüzlerce hastalığı teşhis eden modeller geliştirdi. Bazı ürünler, kritik vakaların önceliklendirilmesi için radyologların iş listelerini yeniden düzenleyebilir, bakım ekiplerine sonraki adımları önerir veya hastane kayıt sistemine entegre raporlar hazırlayabilir. Hatta LumineticsCore, doktor onayı olmadan da kullanılabiliyor. Günümüzde FDA onaylı 700’den fazla radyoloji modeli mevcut ve bu rakam tüm tıbbi yapay zeka sistemlerinin dörtte üçünü kapsıyor.
Gerçekte tablo farklı
Teorik olarak radyoloji, insan iş gücünün yerini alabileceği en uygun alan gibi görünse de gerçek durum farklı. 2025 yılında ABD’de tanısal radyoloji uzmanlığı programları 1.208 kontenjanla rekor kırdı ve radyoloji, 2025 itibarıyla yıllık ortalama geliri 520.000 dolar ile en yüksek maaşa sahip ikinci tıp dalı konumunda.
Bu durumun üç ana sebebi var. Modeller laboratuvar ortamlarında başarılı olsalar da hastane uygulamalarında performansları düşüyor, tam otomasyon hukuki ve sigorta engelleri nedeniyle sınırlandırılmış durumda ve radyologlar gerçekten de zamanlarının çoğunu tanı dışındaki görevlerde harcıyorlar.
Radyoloji modellerinin sınırlılıkları, tıbbi veri setlerinin yapısından kaynaklanmakta. Eğitim verileri genellikle net tanıları olan, standart açılardan çekilmiş ve yüksek kaliteli vakalardan oluşuyor. Bu nedenle modeller, karmaşık veya nadir durumlarla başa çıkmakta zorluk çekiyor.
Ancak geniş ölçekli klinik araştırmalar hayal kırıklığı yarattı. 1998-2002 yılları arasında Colorado, New Hampshire ve Washington’da 200.000 kadına ait 430.000 mamografi incelendi. Bilgisayar destekli yazılım kullanan yedi klinikte, sistemler daha fazla görüntü işaretledi ve bu da doktorların yüzde 20 daha fazla biyopsi yapmasına yol açtı. Ancak, önceki döneme kıyasla ek kanser vakası tespit edilmemiştir. Daha sonra gerçekleştirilen birçok büyük araştırma da benzer sonuçlar ortaya koydu. 2018 yılında Medicare ek ödemeyi sona erdirdi.
Hatta alanların performansını değerlendirmek amacıyla farklı bir araştırmada her mamografi ikinci bir uzman tarafından incelendi. On klinik deney ve 17 çalışmanın sonuçlarına göre, bilgisayar destekli sistemler kanser tespit oranını artırmadı, fakat hastaların geri çağırılma oranı yüzde 10 daha fazla oldu. Bu durumda, iki uzman birlikte çalıştığında daha fazla kanser vakası tespit edilmekte ve geri çağırma oranları belirgin bir şekilde azalıyor.
Yani, bilgisayar destekli sistemlerin standart uygulamalardan daha başarısız olduğu, ikinci bir uzmanın eklenmesi durumunda ise belirgin bir düşüş yaşandığı ortaya çıkmaktadır.
Daha iyi modeller ve artan otomasyonun, radyoloji için mevcut yapay zeka sorunlarını bir arada çözebileceği düşünülmekte. Ancak yasal gereklilikler ve sigorta politikaları, tamamen otonom radyoloji yapay zekasının benimsenmesini yavaşlatmakta. Çünkü otonom sistemler için sıkı kriterler bulunmaktadır. Sistemlerin bulanık görüntüleri reddetmesi, alışılmadık tarayıcıları tanımaması ve yetkinlik sınırları dışında okumayı durdurması şart koşulmaktadır. Bu nedenle Amerikan hastanelerinde veya diğer ülkelerde Yapay Zeka kullanımı hala oldukça kısıtlıdır.
2024 yılında yapılan bir araştırmaya göre, radyologların yüzde 48’inin muayenehanelerinde AI kullandığı tahmin edilmektedir. 2025 yılında gerçekleştirilen bir ankette, radyolojide AI kullanım örneklerini denemeye veya uygulamaya başlayan katılımcıların yalnızca yüzde 19’u “yüksek” derecede başarı elde ettiğini belirtiyor.
Daha iyi AI, daha fazla MRI
Öte yandan, yapay zeka, taramaları bağımsız bir şekilde okuyabilecek kadar ilerlese ve bu yetkileri alsa dahi, bu durum radyologların iş yükünü azaltmak yerine artırabilir. Çünkü radyologların görev tanımı yalnızca görüntü yorumlamaktan ibaret değildir. 2012 yılında üç farklı hastanede yapılan bir çalışma sonucuna göre, radyologların zamanlarının sadece yüzde 36’sı doğrudan görüntü yorumlamaya ayrılmakta. Geri kalan zaman, taramaların yürütülmesini denetlemek, sonuçların kliniklere veya hastalara aktarılması, asistan ve teknisyenlere eğitim verilmesi ve görüntüleme protokollerinin gözden geçirilmesi gibi işlemlerle geçirilmektedir.
Ayrıca, işlemler ucuzlayıp hızlandıkça talepte artış olabilir. Bu durum ekonomide Jevons paradoksu olarak bilinmektedir. Verimlilik artışı ile toplam kullanım miktarı azalmak yerine artmaktadır.
Tam Boyutta Gör
Bu artış, yalnızca hasta sayısı ile değil, her muayenede daha fazla görüntüleme yapılmaya başlanmasıyla ilişkili. Dijital sistem öncesinde görüntüleme süreçleri oldukça yavaştı; acil servisten taburcu edilen hastalar için röntgen raporu bekleme süresi 76 saatken, yatan hastalar için 84 saat oluyordu. Dijitalleşme sonrasında bu süreler sırasıyla 38 ve 35 saate düştü.
AI vaatleri abartılıyor
Tam Boyutta Gör
Gelecekte, çoklu görev yapabilen (multi-task) temel modeller kapsamı genişletebilir ve farklı eğitim veri setleri eksiklikleri azaltabilir. Ancak bazı engeller, yalnızca daha iyi modellerle aşılabilecek türden değil. Düzenleyici kurumlar, hastaya danışmanlık yapmak ve malpraktis riskini üstlenmek bunlardandır.
Bu engeller, tam otomasyonu pahalı ve riskli hale getirirken, insan ve makine işbirliğini varsayılan olarak bırakıyor. Elbette yapay zeka alanındaki ilerlemeler dinamikleri değiştirebilir; ancak mevcut durumda sadece başarılı benchmark testlerinin ötesine geçememektedirler.
