Radyolojide Yapay Zeka: Kullanım Alanları ve Örnekler

Radyolojide yapay zeka, tıbbi görüntülemede devrim niteliğinde yenilikler getiren bir teknolojidir. Son yıllarda radyolojide yapay zeka kullanımı hızla artmış ve dünya genelinde bu alanda pek çok uygulama hayata geçmiştir. Nitekim ABD’de FDA tarafından onaylanan tüm klinik yapay zeka cihazlarının yaklaşık %76’sı radyoloji alanına yöneliktir; bu da yapay zekanın en yoğun kullanım bulduğu tıp dallarından birinin radyoloji olduğunu göstermektedir. Bu yazıda radyolojide yapay zeka kullanım örnekleri ve yapay zekanın radyolojideki başlıca kullanım alanları, bilimsel veriler ve güncel örneklerle açıklanmaktadır.

Görüntü Analizi, Tarama ve Erken Tanı

Görüntü analizi, radyolojide yapay zeka uygulamalarının en yaygın kullanıldığı alanların başında gelir. Yapay zeka algoritmaları; röntgen, BT ve MR gibi görüntülerde tümör, nodül, kanama, kırık gibi anormallikleri tespit edebilmektedir. Örneğin, akciğer grafilerinde ve tomografilerinde geliştirilen derin öğrenme modelleri, milimetrik akciğer nodüllerini veya küçük bir pnömotoraksı insan gözünden daha erken fark edebilmektedir. Bu sayede hastalıkların erken tanısı mümkün olabilmektedir.

Tarama (screening) programlarında yapay zeka kullanımı da önemli başarılar vaat etmektedir. Özellikle mamografi ile meme kanseri taramasında yapay zeka, ikinci okuyucu olarak radyologlara ciddi destek sunmaktadır. İsveç’te 55 bin kadın üzerinde yapılan yakın tarihli bir çalışmada, tarama mamografilerinin bir radyolog + yapay zeka ile çift okunması, iki radyolog tarafından yapılan geleneksel çift okumaya kıyasla %4 daha fazla kanser saptamış; ayrıca yapay zekanın tek başına okuduğu senaryoda gereksiz geri çağırmaların (yalancı pozitif bulguların) %47 oranında azaldığı gösterilmiştir. Bu bulgular, yapay zekanın taramada hem tanı hassasiyetini artırabileceğini hem de yanlış pozitifleri azaltarak işleri kolaylaştırabileceğini ortaya koymaktadır. Benzer şekilde, bağımsız bir doğrulama çalışmasında akciğer nodülü tespiti için eğitilmiş bir yapay zeka modeli insan radyologlara üstünlük sağlamıştır; bu modelin nodül saptamadaki doğruluk göstergesi (AUC) 0.93 ile ortalama radyolog performansının (AUC ~0.81) üzerinde bulunmuştur. Görüntü analizinde bu gibi radyolojide yapay zeka örnekleri, yapay zekanın belirli dar alanlarda deneyimli radyolog seviyesine ya da kimi durumda üstüne çıkabildiğini göstermektedir.

Otomatik Segmentasyon ve Görüntü İşleme

Yapay zekanın radyolojideki bir diğer kritik kullanım alanı otomatik segmentasyon ve gelişmiş görüntü işleme teknikleridir. Segmentasyon, görüntülerde organ veya lezyonların sınırlarının çizilmesi ve hacim/alan ölçümlerinin yapılması işlemleridir. Derin öğrenme tabanlı segmentasyon araçları, beyin tümöründen akciğer nodülüne kadar pek çok patolojiyi otomatik olarak işaretleyip ölçebilmektedir. Bu otomasyon, erken tanı kadar tedavi takibinde de değerlidir; örneğin bir akciğer kanseri tedavisinde, ardışık taramalarda tümör hacmindeki değişimi yapay zeka çok daha tutarlı ve hızlı bir şekilde hesaplayabilir. Segmentasyonun otomatikleşmesi, ölçümlerdeki operatör bağımlı değişkenliği azaltır ve böylece tedavi yanıtının değerlendirilmesini objektifleştirir.

Görüntü işleme alanında da yapay zeka önemli katkılar sunmaktadır. Yeni nesil “AI rekonstrüksiyon” algoritmaları, özellikle BT ve MR görüntülemede, ham verileri işlemden geçirerek görüntü kalitesini artırmaktadır. Bu sayede daha düşük radyasyon dozu veya daha kısa tarama süreleriyle yüksek kaliteli görüntüler elde etmek mümkün olmaktadır. Örneğin, yapay zeka destekli bir BT görüntü rekonstrüksiyon algoritması gürültüyü azaltıp metal artefaktlarını giderebilir; böylece ince detaylar (örneğin stent içi damar lümeni) daha net görülebilir. Büyük üretici firmaların çoğu, BT cihazlarında bu tür yapay zeka tabanlı görüntü işleme tekniklerini entegre etmeye başlamıştır.

Otomatik segmentasyon ve görüntü işleme, radyologların iş yükünü hafifletmekle kalmayıp hız ve verimlilik kazandırır. Örneğin, ortopedik radyolojide geliştirilen bir yapay zeka aracı, uzun kemik grafilerinde bacak uzunluğu ölçümü ve diz açısı hesaplama gibi işlemleri radyoloğun manuel ölçümüne kıyasla yaklaşık %90 daha hızlı gerçekleştirebilmiştir. Benzer şekilde, kalın bağırsak kolonoskopi BT incelemelerinde polip tespiti veya kardiyak MR’da ventrikül hacmi ölçümü gibi zaman alan işlemler de AI ile otomatikleştirilerek radyologların bu rutin görevlere harcadığı süre en aza indirilmektedir. Kısacası, yapay zeka destekli segmentasyon ve görüntü işleme araçları, hem zamandan tasarruf sağlayarak iş akışı otomasyonuna katkıda bulunur hem de ölçümlerin tekrarlanabilirliğini artırarak klinik kararları güvence altına alır.

Yapay Zeka Destekli Radyoloji Raporlama

Raporlama, radyolojik tanı sürecinin nihai ve en kritik aşamasıdır. Yapay zeka destekli radyoloji raporlama, bu aşamada radyologlara yardımcı olmayı hedefleyen uygulamaları içerir. Günümüzde birçok PACS ve raporlama yazılımı, yapay zeka algoritmalarıyla entegre biçimde geliştirilmektedir. Bu sistemler, görüntü analizi sonuçlarını radyoloji raporuna otomatik olarak aktarabilmekte, kritik bulguları önceden tespit edip işaretleyerek radyoloğa sunabilmektedir.

Örneğin, beyin MRG’de otomatik tespit edilen bir mikrohemoraji veya karaciğer BT’de segmentasyonla hesaplanan bir tümör hacmi, doğrudan yapay zeka tarafından rapor taslağına eklenebilmektedir. Bu sayede radyolog, rutin ölçümleri manuel yapmak yerine doğrudan yapay zekanın hazırladığı değerleri onaylayıp yorum kısmına odaklanabilir. Yapay zeka ile otomatik raporlama, özellikle struktürlü rapor formatlarında büyük avantaj sağlar: Standart bir şablon içindeki boşluklar (ölçümler, evreleme kriterleri vb) otomatik doldurularak her radyoloğun benzer içerikte raporlar sunması mümkün olur. Bu da gözden kaçan bulguları ve raporlar arası tutarsızlıkları azaltır.

Son dönemde, doğal dil işleme ve büyük dil modellerinin gelişimiyle beraber, görüntülerden otomatik metin üreten yapay zeka uygulamaları da ortaya çıkmaya başladı. Örneğin, akciğer grafisinde yapay zeka “normal” bulguları saptayarak otomatik bir ön rapor cümlesi oluşturabilir veya tespit ettiği anormalliğe dair (örneğin “sağ üst lobda 5 mm nodül”) hazır bir cümle önerisinde bulunabilir. Radyolog bu taslağı düzenleyip onaylayarak raporu sonlandırabilir. Bu tip uygulamalar henüz yaygın kullanımda olmasa da pilot çalışmalar umut vaat etmektedir. Gelecekte yapay zekanın, dikteyle söylenen raporları anında yazı metnine çevirmenin ötesine geçip, doğrudan görüntüden anlam çıkararak rapor yazımını büyük ölçüde hızlandırması beklenmektedir.

Özetle, yapay zeka destekli raporlama sistemleri rapor oluşturma sürecini hızlandırır, standartlaştırır ve radyoloğun yükünü azaltır. Radyologlar da daha hızlı rapor üretebildikleri için hasta bakım döngüsü kısalır; hasta sonuçları daha çabuk iletilir ve klinisyenler tedavi kararlarına daha erken geçebilirler.

İş Akışı Otomasyonu ve Klinik Karar Desteği

Radyoloji departmanlarında iş akışı otomasyonu, yapay zekanın en somut fayda sağladığı alanlardan biridir. Gün içinde yüzlerce görüntüleme tetkiki üretilen büyük merkezlerde, yapay zeka algoritmaları bu tetkikleri arka planda tarayarak kritik bulgular içerenleri önceliklendirebilmektedir. Örneğin, bir acil serviste çekilen beyin BT’de yapay zeka ciddi bir inme bulgusu (örneğin büyük bir damar tıkanıklığı veya beyin kanaması) saptadığında, daha görüntüler PACS sistemine tam yüklenmeden ilgili inme ekibine otomatik alarm gönderebilmektedir. Bu sayede radyolog henüz görmeden hasta bakım ekibi hazırlanmakta, görüntüler gelir gelmez hızlıca doğrulama yapılıp tedaviye geçilmektedir. Gerçek dünyadaki uygulamalarda, bu tür bir yapay zeka tabanlı inme uyarı sistemi sayesinde hastaların “kapıdan-iğneye” (acile varıştan trombolitik tedaviye) sürelerinin ortalama 20 dakika kadar kısaldığı raporlanmıştır. Benzer şekilde, Viz.ai gibi FDA onaylı ticari yazılımlar, beyin BT anjiyografilerinde büyük damar tıkanıklıklarını tespit ederek inme tedavi ekiplerini anında haberdar etmekte ve tedaviye hız kazandırmaktadır.

Acil durumların dışında da yapay zeka ile iş akışı optimizasyonu mümkündür. Göğüs radyolojisinde geliştirilen bazı yapay zekalar, akciğer grafilerindeki çoklu bulguları tarayarak normal olanları ayırmakta; yalnızca anormal olanları radyoloğun öncelikli okuma listesine koymaktadır. Örneğin bir yapay zeka yazılımı, günde gelen yüzlerce akciğer röntgenini saniyeler içinde tarayıp içlerinden pnömotoraks, kitle, yoğun infiltrat gibi patoloji saptadıklarını “acil” olarak işaretleyebilir. Radyolog böylece kritik vakaları bekletmeden okuyabilir. Bu tür otomatik triaj sistemleri birçok PACS platformuna entegre edilmeye başlanmıştır ve özellikle raporlanma sürelerini günlerden saatlere indirdiğine dair veriler bulunmaktadır. Neticede, yapay zekanın iş listesini yönetmesi hem doktorların verimliliğini artırır hem de ciddi vakaların gözden kaçma riskini azaltır.

Klinik karar destek sistemleri de radyolojide yapay zekanın değer kattığı bir diğer alandır. Bu sistemler, radyolojik bulguları hastanın diğer klinik verileriyle birleştirip tanı veya tedavi önerilerinde bulunabilir. Örneğin, bir akciğer BT taramasında yapay zeka bir nodül saptadığında, hastanın elektronik sağlık kaydındaki risk faktörlerini (yaş, sigara öyküsü, aile anamnezi gibi) de dikkate alarak bu nodülün malign olma olasılığını hesaplayabilir. Elde ettiği olasılığa göre radyoloğa “yüksek riskli, PET ile değerlendirme önerilir” gibi bir uyarı sunabilir. Yine beyin MRG incelemelerinde demans bulgularını derecelendiren, ya da kalp MR sonucunda ejeksiyon fraksiyonu ve diğer parametreleri analiz ederek belirli bir kalp yetmezliği alt türünü (ör. korunmuş EF’li kalp yetmezliği) tanıyabilen yapay zeka yazılımları mevcuttur. Hatta bazı yapay zeka sistemleri, bu analizler sonucunda hastanın alabileceği optimal tedavi konusunda literatüre dayalı tavsiyeler verebilmektedir.

Klinik karar destek amaçlı yapay zeka uygulamaları, henüz tanı ve tedavi sorumluluğunu tek başına üstlenecek konumda değillerdir; ancak bir ikinci okuyucu veya danışman gibi davranarak özellikle kompleks vakalarda radyologlara güvence sağlamaktadır. İnsan hatasını azaltmaya yardımcı olan bu sistemler, nihayetinde daha doğru tanılar ve daha uygun tedavi kararları ile hasta bakım kalitesini yükseltir.

Sonuç

Yapay zeka, görüntü analizi, segmentasyon, raporlama, iş akışı optimizasyonu ve eğitim gibi pek çok alanda radyoloji pratiğini derinden etkilemeye başlamıştır. Radyolojide yapay zeka kullanımı, doğru uygulandığında teşhis süreçlerini hızlandırmakta, tanısal doğruluğu artırmakta ve radyologların iş yükünü azaltmaktadır. Dünya genelindeki uygulamalar incelendiğinde, FDA onaylı yüzlerce yapay zeka algoritmasının halihazırda klinik kullanıma girdiği görülmektedir. Örneğin, onaylı yapay zeka yazılımları sayesinde inme, akciğer embolisi, aort anevrizması gibi acil durumlar anında tespit edilip ilgili ekipler uyarılmakta; mamografi ve akciğer grafisi taramalarında yapay zeka ile daha fazla hastalık yakalanmaktadır.

Bununla birlikte, yapay zekanın radyolojideki yükselişi radyologların önemini azaltmamaktadır – aksine, teknolojiyi bilen ve onunla birlikte çalışan radyologlara duyulan ihtiyaç artmaktadır. Yapay zeka, rutin ve tekrarlayan işleri devralarak radyoloğa daha karmaşık vakalara odaklanma imkanı verir. Sonuç olarak, yapay zeka destekli bir radyoloji pratiği, erken tanı ve tedavide önemli kazanımlar sağlayarak hasta bakım kalitesini yükseltecektir. Bu dönüşüm sürecinde etik kurallara bağlı kalmak, yapay zeka sistemlerini titizlikle doğrulamak ve radyoloji topluluğu içinde deneyimleri paylaşarak en iyi uygulamaları geliştirmek de büyük önem taşıyacaktır. Geleceğin radyolojisinde, yapay zeka ve radyologların uyum içinde çalışmasıyla hem verimlilik hem de klinik başarı açısından yeni bir döneme girilmektedir.

Kaynakça

1. Dave Fornell. “PHOTO GALLERY: Examples of FDA-cleared AI in radiology.” Health Imaging, 29 Ağustos 2024. (FDA onaylı yapay zeka algoritmalarının %76’sının radyoloji alanında olduğunu ve yapay zekanın radyolojideki bazı uygulamalarını aktarmaktadır)
2. Amerigo Allegretto. “Breast AI comparable to radiologist double reading.” AuntMinnie.com, 11 Eylül 2023. (Yapay zekanın mamografi taramasında tek başına veya bir radyolog ile birlikte, çift radyologlu okuma kadar başarılı olduğunu ve yanlış pozitif oranlarını %47 azaltabildiğini bildiren çalışma özeti)
3. Lunit (Basın Bülteni). “Lunit Presents Seven Study Results at ECR 2024: Showcasing AI’s Robust Performance in Diverse Clinical Settings.” 28 Şubat 2024. (Akciğer radyografilerinde nodül tespitinde yapay zekanın ortalama radyoloğa kıyasla AUC 0.93 vs 0.81 ile üstün performans gösterdiğini ve yapay zekanın tarama programlarındaki rolünü anlatan güncel örnekler)
4. Taha A. Kass-Hout et al. “Current Stroke Solutions Using Artificial Intelligence: A Review of the Literature.” Diagnostics, 2024; 14(17): 3544. (Bir yapay zeka triaj sisteminin inme hastalarında kapı-iğne süresini 132.5 dakikadan 110 dakikaya düşürdüğünü ve genel olarak yapay zeka platformlarının inme tanı-tedavi süreçlerini hızlandırdığını ortaya koyan derleme makalesi)p
5. Health Imaging (Dave Fornell). “RSNA 2023: AI ile ortopedik ölçümlerde 90% zaman tasarrufu.” (IB Lab LAMA yapay zeka algoritmasının bacak uzunluğu ve diz açısı ölçümü gibi görevlerde manuel yönteme kıyasla %90 daha hızlı sonuç verdiğini gösteren klinik uygulama örneği)