Bir kadın rutin meme kanseri taraması için hastaneye geliyor. Mamografi görüntüleri çekiliyor ve henüz radyolog görüntüleri incelemeye başlamadan yazılımdan birkaç saniye içinde şüpheli alanlar sonuç olarak hazır oluyor. Sistem, olası bir kanser bulgusunu işaretliyor ve vakayı öncelikli inceleme listesine taşıyor. Bundan birkaç yıl önce bilim kurgu olarak değerlendirebileceğimiz bu senaryo artık dünyanın birçok ülkesinde sağlık hizmetinin bir parçası haline gelmeye başladı.

Yapay zeka, son on yılda tıbbi görüntüleme alanında önemli bir gelişme gösterdi. Derin öğrenme algoritmaları bugün mamografilerde meme kanserinin, retina görüntülerinde diyabetik retinopatinin, bilgisayarlı tomografilerde akciğer nodüllerinin ve röntgenlerde bazı kırıkların tespit edilmesinde insanlarla yarışan, hatta belirli ve dar görevlerde insan performansını aşabilen sonuçlar ortaya koyuyor. Peki, yapay zeka bazı görüntüleme görevlerinde radyologlardan daha başarılı olabiliyorsa, görüntülerin bir hekim tarafından yeniden incelenmesi hâlâ zorunlu olmalı mı?

Bence ve bir çok sağlık yöneticisine göre bugün bu soruya verilecek cevap halen “evet”. Birkaç yıl sonra bu yazı ve cevap doğru olmayabilir. Ancak burada önemli bir ayrım yapmak gerekiyor. İnsan incelemesinin devam etmesi söz konusu olsa bile, mevcut iş yapış biçimleri değişmelidir. Yapay zeka, doğruluğu bilimsel olarak kanıtlanmış ve uygun biçimde doğrulanmış tıbbi görüntüleme alanlarında ilk okuyucu olabilir. Radyolog ise yalnızca görüntüyü baştan sona inceleyen kişi olmaktan çıkıp, yapay zekanın bulgularını değerlendirecek, klinik bilgilerle ilişkilendirecek, belirsizliği yöneten ve son kararı veren uzman konumuna geçecektir. Asıl dönüşüm tam olarak burada başlayacak. 

Modern yapay zeka sistemlerinin en güçlü olduğu alan örüntü tanımadır. Algoritmalar bir görüntünün içinde milyonlarca farklı özelliği aynı anda analiz edebilir. İnsan gözünün fark etmekte zorlanabileceği çok küçük yoğunluk farklılıklarını, şekilleri veya dokusal değişiklikleri tespit edebilir. Geniş ve doğru biçimde etiketlenmiş veri setleriyle eğitilen yapay zeka sistemleri, görüntü sınıflandırma görevlerinde yüksek duyarlılık ve özgüllük gösterebiliyor.

Meme kanseri taramalarında gerçekleştirilen MASAI çalışması bunun en güçlü örneklerinden biri oldu. İsveç’te 80 binden fazla kadının yer aldığı rastgele kontrollü araştırmada, yapay zeka destekli mamografi taraması standart çift radyolog değerlendirmesiyle karşılaştırıldı. Çalışmanın ilk sonuçları, yapay zeka desteği kullanılan taramalarda yaklaşık yüzde 20 daha fazla kanser vakasının tespit edildiğini ve radyologların görüntü okuma iş yükünün yaklaşık yüzde 44 oranında azaldığını gösterdi. Üstelik yanlış pozitif sonuçlarda belirgin bir artış görülmedi. Bu sonuçlar son derece önemli zira bize yapay zekanın yalnızca radyologların işini hızlandırmadığını, aynı zamanda doğru kullanıldığında tanı performansını ve sağlık sisteminin verimliliğini de artırabileceğini gösteriyor. 

Unutmamak gerekir ki tıbbi bir görüntüyü yorumlamak, tanı koyma sürecinin yalnızca bir bölümüdür. Radyolog görüntüyü incelerken hastanın yaşı, öyküsü, önceki tetkikleri, kullandığı ilaçlar, geçirilmiş operasyonları, laboratuvar sonuçları, genetik riskleri ve diğer klinik bulguları da dikkate alır. Aynı görüntü, farklı hasta öykülerinde farklı anlamlar taşıyabilir. Nadir görülen vaka tiplerinde ya da yapay zekanı eğitildiği veri setinde olmayan genetik özelikleri olan insanlardaki tanı işin içine girdiğinde makine tanısı yeterli kalmayabilir. 

Ayrıca yapay zeka bugün görüntüdeki örüntüyü çok iyi tanıyabilir. Ancak bugün için hastanın bütün hikâyesini, hastalığın sosyal ve psikolojik yönlerini ya da tedavi kararının yaratacağı sonuçları insan hekim kadar kapsamlı biçimde değerlendiremez. Neticede yapay zeka görüntüyü okur. İnsan hekim hastayı okur diye özetleyebilirim. 

Yapay zeka pikseli analiz ederken, hekim bağlamı değerlendirir. Yapay zeka şüpheli alanı gösterirken, hekim bu bulgunun hasta açısından ne anlama geldiğine karar verir.

Bu nedenle yapay zekanın belirli görüntüleme görevlerinde insan performansını geçse de, bütüncül klinik karar verme kapasitesine varmasına daha zaman var. Bu nedenle, halen insan denetiminin devam etmesi gerektiğini düşünüyorum. Sağlıkta kullandığımız görüntüleme tekniklerinde her görüntü aynı yöntemle ve aynı yoğunlukta incelenemez. Özellikle mamografi, akciğer grafisi veya bazı bilgisayarlı tomografi taramaları gibi yüksek hacimli alanlarda yapay zeka ilk okuyucu olarak kullanılabilir. Sistem görüntüleri saniyeler içinde değerlendirebilir, belirgin şekilde normal olan incelemeleri ayırabilir ve şüpheli vakaları radyoloğun önüne öncelikli olarak getirebilir. Böyle bir modelde radyoloğun zamanı, kritik vakalara öncelikli olarak dağıtılır. Uzmanın dikkati, gerçekten uzmanlık ve klinik muhakeme gerektiren karmaşık vakalara yönelir. Bu yaklaşım özellikle radyolog sayısının yetersiz olduğu sağlık sistemleri ve bazı bölgeler için büyük bir fırsat sunuyor.

Bugün birçok ülkede tıbbi görüntüleme talebi hızla artarken radyolog sayısı aynı hızla artmıyor. Yaşlanan nüfus, kanser tarama programlarının yaygınlaşması, kronik hastalıkların artması ve görüntüleme teknolojilerine erişimin kolaylaşması radyoloji hizmetlerine olan talebi büyütüyor. Yetişmiş bir radyoloğun eğitim süreci uzun. Sağlık sistemleri yalnızca daha fazla uzman yetiştirerek bu açığı kısa sürede kapatamaz. Burada yapay zeka, radyoloğun yerine geçen bir teknoloji olmak yerine mevcut radyolog kapasitesini büyüten bir çalışma arkadaşı........

© Forbes Türkiye