Giriş
Son yıllarda dijital teknolojilerde gözlemlenen hızlandırılmış ilerleme, tıbbi tanı süreçlerine ilişkin metodolojik yaklaşımların köklü bir biçimde yeniden şekillenmesine yol açmıştır. Bu dönüşümün merkezinde yer alan yapay zekâ (YZ), tıbbi verilerin yüksek hacimli ve çok boyutlu analizini mümkün kılarak klinik karar verme süreçlerinin doğruluk ve güvenilirliğini artıran yenilikçi bir araç olarak öne çıkmaktadır. Yapay zekâ kavramı, görüntü tanıma, örüntü analizi ve öngörüsel modelleme gibi geleneksel olarak insan bilişsel yetkinlikleri gerektiren görevleri gerçekleştirebilen algoritmik sistemler bütünü olarak tanımlanmaktadır [2,7]. Tıbbi görüntüleme verileri, laboratuvar parametreleri ve elektronik sağlık kayıtları dâhil olmak üzere sağlık verilerinin üstel düzeyde artışı, klasik analiz yöntemlerinin yetersiz kalmasına neden olmakta ve ileri düzey hesaplamalı yaklaşımların kullanımını zorunlu hâle getirmektedir. Bu bağlamda yapay zekâ, tanısal süreçlerin optimizasyonunda stratejik bir bileşen olarak değerlendirilmektedir [9]
Araştırmanın Amacı
Bu çalışmanın temel amacı, hastalıkların tanısında yapay zekâ uygulamalarına ilişkin güncel bilimsel literatürün sistematik bir biçimde analiz edilmesi ve söz konusu teknolojilerin etkinlik, avantaj ve sınırlılıklarının çok boyutlu olarak değerlendirilmesidir.
Literatür Tarama Stratejisi
İlgili bilimsel yayınların belirlenmesi amacıyla PubMed ve Scopus veri tabanlarında kapsamlı bir literatür taraması gerçekleştirilmiştir. Tarama sürecinde “artificialintelligence”, “machine learning”, “deeplearning”, “medicaldiagnosis” ve “clinicaldecision support” anahtar kelimeleri kullanılmıştır. İnceleme dönemi 2016–2024 yıllarını kapsamaktadır.
Dâhil edilme kriterleri: hakem değerlendirmesinden geçmiş bilimsel makaleleri, yapay zekânın tanısal süreçlerde kullanımını ele alan çalışmaları, klinik veya deneysel veri içeren araştırmaları, İngilizce dilinde yayımlanmış olmasını ve tam metne erişimin sağlanabilir olmasını kapsamaktadır.
Hariç tutma kriterleri: hakem değerlendirmesinden geçmemiş yayınları, mükerrer çalışmaları, klinik açıdan anlamlı bulgular içermeyen araştırmaları ve yalnızca özet düzeyinde sunulan çalışmaları kapsamaktadır.
Bulgular
Gerçekleştirilen literatür analizi, yapay zekâ teknolojilerinin tıbbın çok sayıda disiplininde yaygın ve etkin bir biçimde kullanıldığını ortaya koymaktadır. Özellikle onkoloji alanında, derin öğrenme algoritmalarının malignneoplazmların saptanmasında yüksek düzeyde doğruluk sağladığı bildirilmiştir. Nitekim deri kanserlerinin sınıflandırılmasına yönelik geliştirilen yapay zekâ sistemlerinin, uzman dermatologlarla karşılaştırılabilir performans sergilediği gösterilmiştir [2]. Bunun yanı sıra, akciğer kanseri [1] ve meme kanseri [5] taramalarında da benzer şekilde yüksek duyarlılık ve özgüllük değerlerine ulaşıldığı rapor edilmiştir.
Kardiyoloji alanında yapay zekâ, elektrokardiyografik verilerin analizinde ve kardiyovasküler olayların öngörülmesinde kullanılmakta; subklinik patolojik değişikliklerin erken dönemde saptanmasına olanak tanımaktadır [7].
Nöroloji disiplininde ise makine öğrenmesi algoritmalarının nörogörüntüleme verileri üzerinden nörodejeneratif hastalıkların erken tanısında önemli katkılar sağladığı ve özellikle hastalıkların preklinik evrelerinde tanısal doğruluğu artırdığı vurgulanmaktadır [9].
COVID-19 pandemisi sürecinde yapay zekâ tabanlı yaklaşımlar, akciğer bilgisayarlı tomografi görüntülerinin analizinde ve hastalık şiddetinin öngörülmesinde etkin bir biçimde kullanılmış; bu durum tanısal süreçlerin hızlandırılmasına ve sağlık kaynaklarının daha rasyonel dağılımına katkı sağlamıştır [9].
Bununla birlikte yapay zekâ uygulamalarının oftalmolojide diyabetik retinopati tanısında [3] ve radyoloji başta olmak üzere tıbbi görüntüleme alanlarının geniş bir yelpazesinde yaygınlaştığı gözlemlenmektedir [10].
Tartışma
Elde edilen bulgular, yapay zekâ teknolojilerinin tanısal süreçlerde yüksek düzeyde etkinlik sağladığını açıkça ortaya koymaktadır. Bu teknolojilerin başlıca avantajları arasında tanı doğruluğunun artırılması, veri işleme sürelerinin kısaltılması ve insan kaynaklı hataların minimize edilmesi yer almaktadır [6].Bununla birlikte, yapay zekâ uygulamalarının çeşitli sınırlılıkları da bulunmaktadır. Öncelikli sorunlardan biri, algoritmaların performansının büyük ölçüde eğitim verilerinin kalitesine bağımlı olmasıdır. Bu durum, özellikle veri setlerinin heterojenliği ve temsil gücünün sınırlı olması hâlinde, sistematik hataların ortaya çıkmasına neden olabilmektedir. Ayrıca, yapay zekâ modellerinin çoğunda gözlemlenen düşük yorumlanabilirlik düzeyi (“kara kutu” problemi), klinisyenlerin bu sistemlere olan güvenini sınırlayan önemli bir faktördür.Buna ek olarak, etik kaygılar, hasta verilerinin gizliliği ve güvenliği ile klinik uygulamaya geçişte zorunlu olan validasyon süreçleri, bu teknolojilerin yaygın kullanımının önündeki başlıca engeller arasında yer almaktadır [9].Tüm bu sınırlılıklara rağmen, açıklanabilir yapay zekâ yaklaşımlarının geliştirilmesi ve sağlık sistemlerine entegrasyonunun sağlanması, söz konusu teknolojilerin klinik pratikte daha geniş ölçekte benimsenmesine yönelik önemli fırsatlar sunmaktadır.
Sonuç
Güncel bilimsel literatürün sistematik analizi, yapay zekânın modern tıbbi tanı sistemlerinde giderek daha merkezi bir konuma yerleştiğini ve hızlı bir gelişim süreci içerisinde olduğunu göstermektedir. Yapay zekâ uygulamalarının entegrasyonu, hastalıkların erken ve doğru tanılanmasını kolaylaştırmakta, tanısal süreçlerin verimliliğini artırmakta ve klinik karar verme mekanizmalarının nesnelliğini güçlendirmektedir.
Özellikle tıbbi görüntüleme alanında elde edilen bulgular, yapay zekâ algoritmalarının patolojik değişiklikleri erken evrelerde saptama kapasitesinin son derece yüksek olduğunu ortaya koymaktadır. Bununla birlikte, veri kalitesine bağımlılık, sınırlı yorumlanabilirlik ve kapsamlı klinik doğrulama gerekliliği gibi faktörler, bu teknolojilerin uygulanabilirliğini kısıtlayan temel unsurlar olarak varlığını sürdürmektedir.
Sonuç olarak yapay zekâ, klinisyenin yerini alan bir sistemden ziyade, klinik karar verme süreçlerini destekleyen tamamlayıcı bir araç olarak değerlendirilmelidir. Bu doğrultuda, yapay zekâ teknolojilerinin daha ileri düzeyde geliştirilmesi ve klinik ortamlara entegrasyonu, erken tanı olanaklarını genişletecek ve sağlık hizmetlerinin genel kalitesini anlamlı ölçüde artıracaktır.
Kaynaklar
1. Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, et al.
End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography.
Nat Med. 2019;25(6):954–961.
2. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al.
Dermatologist-level classification of skin cancer with deep neural networks.
Nature. 2017;542(7639):115–118.
3.Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al.
Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs.
JAMA. 2016;316(22):2402–2410.
4.Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al.
A survey on deep learning in medical image analysis.
Med Image Anal. 2017;42:60–88.
5. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al.
International evaluation of an AI system for breast cancer screening.
Nature. 2020;577(7788):89–94.
6.Miotto R, Wang F, Wang S, Jiang X, Dudley JT.Deep learning for healthcare: review, opportunities and challenges.
Brief Bioinform. 2018;19(6):1236–1246.
7. Rajkomar A, Dean J, Kohane I.
Machine learning in medicine.
N Engl J Med. 2019;380(14):1347–1358.
8. Ting DSW, Pasquale LR, Peng L, Campbell JP, Lee AY, Raman R, et al.
Artificial intelligence and deep learning in ophthalmology.
Br J Ophthalmol. 2019;103(2):167–175.
9.Topol EJ.High-performance medicine: the convergence of human and artificial intelligence.Nat Med. 2019;25(1):44–56.
9.Zhou LQ, Wang JY, Yu SY, Wu GG, Wei Q, Deng YB. Artificial intelligence in medical imaging of the liver.
World J Gastroenterol. 2019;25(6):672–682.