2016 yılında yapay zekanın "vaftiz babası" olarak bilinen Nobel ödüllü Geoffrey Hinton, tıbbi teşhislere yardımcı olmak için röntgen, ultrason ve diğer görüntüleri yorumlayan doktorlar olan radyologların beş yıl içinde bilgisayarlar tarafından yerlerine getirileceğini öngörmüştü. Bugün alan, Mark Twain'in ünlü sözüyle yanıt verebilir: "Ölümümün haberi abartılıydı."
Radyoloji uzmanlarının sayısı aslında istikrarlı bir şekilde artıyor ve önümüzdeki otuz yıl içinde pratisyen sayısının yüzde 26 veya daha fazla artması bekleniyor. Ancak Hinton'ın iş piyasası dinamikleri hakkında gözden kaçırmış olabileceği gerçek, onun öngörüsünü gölgelememeli: İnsan doktorların artık odada kendilerine eş veya daha üstün performans gösteren silikon tabanlı bir meslektaşa sahip olduğu konusunda haklıydı. Hatta radyoloji, yapay zekanın tıptaki en sıcak alanı olup, genel sağlık hizmetleri ve belki de diğer alanlarda uzman karar destek sistemlerinin benimsenmesi için bir gösterge niteliğindedir.
2026'nın başı itibarıyla, Sağlık Bakanlığı tarafından onaylanan yapay zeka destekli tıbbi cihazların yaklaşık dörtte üçü radyoloji alanına yönelikti. Bazıları raporları taslak haline getirerek veya acil dikkat gerektiren görüntülere dikkat çekerek doktorların verimliliğini artırıyor. Ancak diğer yapay zeka araçları, insan gözünün göremediği anormallikleri tespit ederek veya görüntüleri eğitimli radyologlar kadar, hatta bazen daha iyi yorumlayarak insan performansını iyileştirme potansiyeline sahip. Örneğin, 43 klinik deneme üzerinde yapılan bir analiz, yapay zeka destekli kolonoskopilerin geleneksel olanlara göre daha fazla polip ortaya çıkardığı sonucuna vardı.
Doğruluk oranını iyileştirmek önemlidir, çünkü teşhis görüntülerindeki ortalama insan hata oranlarının yüzde 3 ila 5 arasında olduğu tahmin edilmektedir. Bu da dünya çapında her yıl yaklaşık 40 milyon hataya denk geliyor. Ancak çözüm, insanları makinelerle değiştirmek kadar basit değil. Hinton'ın sansasyonel tahmininden on yıl sonra, en büyük soru belirli bir görevde istatistiksel olarak insanların mı yoksa yapay zekanın mı daha iyi performans gösterdiği değil, yapay zekanın teknik hassasiyetinin, hastaların yararına doğruluğu artırmak için insan deneyimi ve esnekliği ile nasıl birleştirileceğidir.
Birlikte Çalışmak
Böyle bir işbirlikçi sistem tasarlamanın en iyi yolunu bulmak kolay değil. Stanford Üniversitesi Tıp ve Görüntüleme Yapay Zeka Merkezi Direktörü radyolog Curtis Langlotz'a göre, yapay zeka belirli görüntüleri yorumlamada ortalama olarak yetenekli bir radyologdan daha güvenilir olsa bile, hala insanların yapmayacağı bazı hatalar yapacaktır. Bu durum, radyologları her yapay zeka kararını (çoğunluğun doğru olacağı) değerlendirme ve algoritmanın nadiren yanıldığı durumları tespit etme rolüne sokar.
Memphis, Tennessee'deki St. Jude Çocuk Araştırma Hastanesi'nde Akıllı Görüntüleme Bilgi Sistemleri bölüm başkanı radyolog Paul Yi, "Bu, tüm zihinsel yeniden yapılanmayı gerektiriyor" diyor.
Doktorlar bilgisayarları geçersiz kılmaya alışkındır, ancak bu an farklıdır. Kural tabanlı algoritmalar tarafından tetiklenen elektronik tıbbi kayıt uyarıları, doktorları on yıllardır potansiyel olarak tehlikeli ilaç etkileşimleri gibi konularda uyarmaktadır. Langlotz, doktorların tipik olarak bu uyarıları yarı yarıya geçersiz kıldığını söylüyor. "Bilgisayardan bazı tavsiyeler alacağım ve bunu hasta hakkındaki diğer tüm bilgiler bağlamında değerlendirip en iyi kararı vermem gerekecek."
Buna karşılık, radyolojideki yapay zeka görüntü analiz sistemleri genellikle tümör alt tiplerini tanımlayabilen, lezyonların sınırlarını çizebilen ve diğer teşhis görevlerini yüksek doğrulukla yerine getirebilen sinir ağlarına dayanır. Doktorların kendi tıbbi bilgilerine dayanarak hızlıca yorumlayabilecekleri cevaplar veya komutlar veren kural tabanlı algoritmaların aksine, sinir ağları "kara kutu sistemleri" olarak adlandırılır. Bu yapay zeka modelleri genellikle kararlarına nasıl ulaştıklarını açıklamazlar, bu da bir radyologun bu kararı veto edip etmeyeceğine karar verme işini çok daha belirsiz hale getirir.
Radiological Society of North America'nın bir yayını olan Radiology: Artificial Intelligence'ın editörü Charles Kahn, "Gerçekten bir anormallik mi, yoksa yapay zekanın ince zekası veya her neyse onun belirlediği bir şeyi mi kaçırıyorum? Ve bu bizim için gerçekten zorlayıcı." diyor.
Veto Gücü
Langlotz, göğüs BT'deki akciğer nodüllerinin yüzde 95'ini tespit edebilen teorik bir yapay zeka aracını örnek veriyor, oysa radyologların yüzde 90'ını tespit ettiği biliniyor. "Bazıları 'Ah, yapay zeka radyologlardan daha iyi, bu yüzden tüm radyologları yapay zeka ile değiştirmeliyiz' diyecektir. Ama makine tarafından kaçırılan o yüzde 5'lik dilimin bir kısmını radyoloğun tespit edeceğini söyleyeceğim. Ve bunun nedeni, makine zekası ile insan zekasının farklı türde zekalar olmasıdır."
Yapay zeka, yorulmadan veya dikkati dağılmadan bir görüntünün her pikselini inceleyebilir ve karşılaştığı diğer tüm görüntülerle karşılaştırabilir. Buna karşılık, radyologların hastalık anlayışı, görüntüleri yapay zekanın yapamayacağı şekillerde yorumlamalarını sağlar.
Mosaic Clinical Technologies'in baş tıbbi yapay zeka sorumlusu Nina Kottler, "Yapay zeka ve radyologlar doğal olarak farklı bir şey düşündüğünde, radyoloğun her zaman yapay zeka doğru olduğunda kabul etmesini ve yanlış olduğunda reddetmesini nasıl sağlarsınız? Bu necessarily kolay değil, ama bunu yapmanın yolları var." diyor.
İdeal bir yapay zeka/insan ekibi oluşturma hedefiyle, dünya genelindeki radyologlar yapay zeka ile nasıl işbirliği yapacağını öğrenmek için çalışıyorlar, böylece hem kendileri hem de hastaları bu teknolojinin faydalarından yararlanabilir. Bu işbirliği, bir doktorun yapay zekaya çok fazla güvenmesine veya yanıtlarını uygunsuz bir şekilde reddetmesine neden olan bilinçsiz önyargılarla başa çıkmayı gerektirir. Bu nedenle, bu sistemlerle en iyi şekilde çalışmak için radyologların yapay zekanın genel güvenilirliğini takdir etmeleri, ancak aynı zamanda hatalarını da fark edebilmeleri gerekir.
Langlotz, "Bu sistemlerin nasıl çalıştığına dair biraz bilgi sahibi olmak, bir algoritmanın sizi ne zaman yanlış yönlendirebileceğini daha iyi anlamanıza yardımcı olur" diyor.
Bir insan veya makine bir tıbbi görüntünün yorumlanmasında evet/hayır hatası yaptığında, iki olası yanlış yol vardır: Yanlış negatif, hastalığın varlığını kaçırır; yanlış pozitif ise aslında orada olmayan bir şeyi görür.
Nadir görülen hastalıklar (ve çoğu hastalık nispeten nadirdir) için, tanı herhangi bir sayıda yanlış pozitif üretebilir çünkü hastalığı olmayan büyük sayıda insanla karşılaşır ve bu da daha fazla yanlış alarm verme fırsatı sunar. Bir doktorun, makinenin nispeten nadir doğru teşhisini doğru bir şekilde tanımlarken bu yanlış pozitifleri tanıyabilmesi ve geçersiz kılabilmesi gerekir. Makinenin sonuçlarına aşırı derecede inanmaya "otomasyon yanlılığı" denir.
Ancak yanlış negatifleri de kabul etmekten kaçınmak önemlidir. Örneğin, bir yapay zeka sistemi aslında orada varken BT veya MR taramasında beyindeki kan varlığını gözden kaçırabilir. Bu tür gözden kaçırmalara güvenmeye "otomasyon rehaveti" denir.
Kottler, "Bunların her ikisi de yapay zekanın radyoloğun şüphe düzeyini farkında olmadan değiştirmesine izin verme sorunlarıdır" diyor. Zamanla insanlar yapay zekanın cevaplarına fazla inanmaya başlayabilir. Bir çalışma, deneyimli radyologların bile, kararları yanlış yapay zeka tahminlerinin etkisi altında alındığında mamografi yorumlama doğruluklarında büyük düşüşler gördüğünü ortaya koymuştur.
Diğer yandan, yapay zeka güvensizliği meselesi biraz daha sezgiseldir. Birçok insan, özellikle de potansiyel olarak işlerini alacağı suçlamasıyla karşı karşıya kalmış bir teknolojiye karşı doğal olarak şüpheci olacaktır, ta ki değerini kanıtlayana kadar. Ve aksi takdirde güvenilir yapay zeka sistemlerinin insan hatalarından farklı bariz hatalar yapması da işe yaramaz. "Yani anlamsız bir hata, anlamsız bir yanlış pozitif görüyorsun ve 'Elbette yapay zeka akıllı değil' diyorsun ve onu sonra reddedebilirsin," diyor Kottler.
Bu önyargıların, radyologların yapay zeka meslektaşlarıyla ne kadar aynı fikirde olduğunu veya anlaşmazlığa düştüğünü zamanla izleyerek ve eğer bir yöne veya diğerine fazla gidiyorlarsa müdahale ederek ele alınabileceğini savunuyor. Kottler, "Eğer radyologlar yapay zekanın sonucunu yüz kere yüzünden doksandokuz kere kabul ediyorlarsa ve biz bunun sadece yüzde 95 doğru olduğunu biliyorsak, o radyologla konuşmaya gideriz." diyor.
Ancak Kottler, radyologlara bir yapay zeka aracının yüzde 95 doğru olduğunu söylemek yeterli değil. Doktorların ne zaman ve neye bakacaklarını bilmeleri için eğitim esastır. Örneğin, bir hastanın tarayıcıda hareket etmesi durumunda belirli bir yapay zeka aracının taramaların yüzde 30'unda yanlış olacağını bilmeleri gerekir. Ancak 2026'da Amerikan Tıp Derneği'nin bir anketine yanıt veren doktorların dörtte birinden fazlası yapay zeka hakkında hiçbir eğitim almadıklarını, sadece yüzde 11'inin ise bolca eğitim aldıklarını belirtmiş.
Kottler ayrıca, hiçbir radyoloğun birden fazla yapay zeka sisteminin inceliklerini bilmesinin beklenemeyeceği için, yapay zeka araçlarının basit bir evet/hayır yanıtı yerine her değerlendirme için bir güven tahmini rapor etmesini savunuyor. Ve bu sistemlerin sayısı ve karmaşıklığı giderek artacaktır.
Langlotz, "İnsan/makine sistemini optimize etme yolunda henüz başlangıç aşamasındayız" diyor. Radyologların bugün takdir etmesi gerekenin, yapay zekanın babasının tahminine karşı çıktığında neredeyse on yıl önce söylediği şeyle aynı olduğunu ekliyor: Yapay zeka radyologları değiştirmeyecek. Yapay zekayı kullanan radyologlar, kullanmayan radyologları değiştirecek.
