Radyoloji, dijital görüntüler üzerinden tanı koymayı temel alan, ölçülebilir kriterlerle çalışan bir alan olarak yapay zeka otomasyonuna en uygun tıp dallarından biri olarak görülüyor. Ancak yayınlanan bir rapora göre, yapay zekaya rağmen insan radyologlara olan talep tarihinin en yüksek seviyesinde bulunuyor.
2017’de tanıtılan CheXNet adlı model, 100.000’den fazla akciğer röntgeni üzerinde eğitildi ve zatürreyi sertifikalı uzmanlardan oluşan bir kuruldan bile daha yüksek doğrulukla tespit edebildi. Üstelik bu sistem hızlı, ücretsiz ve yalnızca tek bir tüketici sınıfı GPU üzerinde çalışabiliyor. Bir hastane, bu teknolojiyle yeni bir taramayı bir saniyeden kısa sürede sınıflandırabiliyor.
O günden bu yana Annalise.ai, Lunit, Aidoc ve Qure.ai gibi şirketler, farklı taramalarda yüzlerce hastalığı tespit eden modeller geliştirdi. Bazı ürünler kritik vakaları önceliklendirmek için radyologların iş listelerini yeniden sıralayabiliyor, bakım ekiplerine sonraki adımları önerebiliyor veya hastane kayıt sistemine entegre olacak şekilde taslak raporlar üretebiliyor. Hatta LumineticsCore, doktor onayı olmadan da çalışabiliyor. Günümüzde FDA onaylı 700’den fazla radyoloji modeli bulunuyor ve bu rakam, tüm tıbbi yapay zeka cihazlarının dörtte üçünden fazlasına karşılık geliyor.
Gerçekte tablo farklı
Teorik olarak radyoloji, insan emeğinin yerine geçmeye en uygun alan gibi görünse de tablo farklı. 2025’te ABD’de tanısal radyoloji uzmanlık programları 1.208 kontenjanla rekor kırdı, radyoloji 2025 itibarıyla yıllık ortalama geliri 520.000 dolar ile en yüksek maaşlı ikinci tıp dalı konumunda.
Bu durumun üç temel nedeni var. Modeller laboratuvar testlerinde başarılı olsa da hastane koşullarında performansları düşüyor, tam otomasyon hukuki ve sigorta engelleri nedeniyle sınırlı ve radyologlar esasında zamanlarının büyük kısmını tanı dışında görevlerde kullanıyor.
Radyoloji modellerinin sınırlılıkları tıbbi veri setlerinin yapısından kaynaklanıyor. Eğitim görüntüleri genellikle net tanılı, standart açılardan çekilmiş ve iyi kalitede vakalardan oluşuyor. Bu nedenle modeller, karmaşık ya da nadir durumlarda zorlanıyor.
Bu farkın çarpıcı örneklerinden biri meme kanseri taramalarında bilgisayar destekli tanı uygulamaları oldu. 1990’larda geliştirilen bu ilk nesil yapay zeka sistemleri, mamografi sonuçlarını değerlendirmede insanlara yardımcı oluyordu. Klinik deneylerde radyologlarla birlikte kullanıldığında daha yüksek doğruluk oranları sağladı. Bunun üzerine 1998’de FDA, bu sistemleri onayladı ve 2001’de ise Medicare, radyologlara bilgisayar yardımıyla incelenen her mamografi için 7 dolar ek ödeme yapmaya başladı. 2010’a gelindiğinde ABD’deki mamografilerin yaklaşık yüzde 74’ü bilgisayar destekli tanı ile birlikte okunuyordu. Ancak geniş ölçekli klinik çalışmalar hayal kırıklığı yarattı. 1998–2002 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. Fakat buna rağmen, önceki döneme kıyasla ek kanser vakası bulunmadı. Daha sonra yapılan pek çok büyük araştırma da benzer sonuçlar verdi. 2018’de Medicare ek ödemeyi sonlandırdı.
Hatta algoritmaların performansını ölçmek için farklı bir araştırmada her mamografi ikinci bir uzman ile incelendi. On klinik deney ve 17 çalışmanın sonucuna göre, bilgisayar destekli sistemler kanser tespit oranını artırmadı ancak hastaların yüzde 10 daha fazla geri çağrılmasına neden oldu. Buna karşılık, iki uzman birlikte çalıştığında daha fazla kanser yakalanıyor ve geri çağırma oranları hafifçe düşüyordu.
Yani bilgisayar destekli sistemlerin standart uygulamadan kötü, ikinci bir uzmanın eklendiği senaryodan ise çok daha kötü olduğu ortaya çıktı.
Bu performans farkının nedenlerinden biri, doktorların klinik ortamda yapay zeka araçlarına aşırı güvenme eğilimi. Kontrollü laboratuvar koşullarında gösterilmeyen bu davranış, günlük hasta bakımında belirginleşiyor. Bu güven, hata oranlarına da yansıyor. 2011’de yapılan bir başka incelemede sistemin yanlış yönlendirmesi olduğunda doktorların hata yapma olasılığının, desteksiz meslektaşlarına kıyasla yüzde 26 daha fazla olduğu ortaya çıktı. Daha iyi modeller ve daha fazla otomasyonun, radyoloji için günümüzün yapay zeka sorunlarını birlikte çözebileceği düşünülüyor. Ancak yasal gereklilikler ve sigorta politikaları, tamamen otonom radyoloji yapay zekasının benimsenmesini yavaşlatıyor. Zira otonom sistemler için çok katı kriterler bulunuyor. Sistemlerin bulanık görüntüleri reddetmek, alışılmadık tarayıcıları tanımamak ve yetkinlik sınırları dışında okumayı durdurmaları zorunlu. Bu nedenle Amerikan hastanelerinde veya diğer ülkelerde AI kullanımı halen çok sınırlı.
2024 yılında yapılan bir araştırmada, radyologların yüzde 48’inin muayenehanelerinde AI kullandığı tahmin ediliyor. 2025 yılında yapılan bir ankette, radyolojide AI kullanım örneklerini denemeye veya uygulamaya başlayan katılımcıların sadece yüzde 19’u “yüksek” derecede başarı elde ettiğini bildiriyor.
Daha iyi AI, daha fazla MRI
Öte yandan yapay zeka, taramaları tek başına okuyabilecek kadar gelişse ve bu yetkiyi alsa bile bu durum radyologların iş yükünü azaltmak yerine artırabilir. Çünkü radyologların görevi yalnızca görüntü okumaktan ibaret değil. 2012’de üç farklı hastanede yapılan bir çalışmaya göre, radyologların zamanlarının sadece yüzde 36’sı doğrudan görüntü yorumlamaya ayrılıyor. Geri kalan zaman taramaların yürütülmesini denetlemeye, sonuçları klinisyenlere veya hastalara aktarmaya, asistan ve teknisyenlere eğitim vermeye ve görüntüleme protokollerini gözden geçirmeye gidiyor.
Bunun yanında, işlemler ucuzladığında veya hızlandığında talep de artabiliyor. Bu durum ekonomide Jevons paradoksu olarak biliniyor. Verimlilik arttığında toplam kullanım miktarı azalmak yerine artabiliyor.
Bu olgu, radyolojide daha önce yaşanmış bir süreç. 2000’lerin başında hastaneler film klasörlerinden dijital sistemlere geçti. Bu değişim, radyologların verimliliğini belirgin şekilde artırdı. Filmden dijitale geçiş sonrası üretkenlik düz radyografi için yüzde 27, BT taramaları için yüzde 98 arttı. Buna rağmen hiçbir radyolog işten çıkarılmadı. Bu artışa rağmen hiçbir radyolog işten çıkarılmadı, aksine ihtiyaç daha da arttı. Çünkü 1000 hasta başına düşen toplam görüntüleme oranında yüzde 60 artış görüldü. Bu artış hasta sayısıyla değil, her muayenede daha fazla görüntüleme yapılmaya başlanmasıyla ilişkili. Dijitalleşme öncesi dönemde görüntüleme süreci yavaştı: acil servisten taburcu edilen hastalarda röntgen raporu için 76 saat, yatan hastalarda ise 84 saat bekleniyordu. Dijitalleşmenin ardından bu süreler sırasıyla 38 ve 35 saate düştü.
AI vaatleri abartılıyor
Son on yılda, görüntü yorumlama teknolojilerindeki gelişmeler benimsenme hızının çok önüne geçti. Yüzlerce yapay zekâ modeli kanama, nodül ve pıhtıları tespit edebiliyor; ancak pratikte AI genellikle yalnızca bazı taramalarda yardımcı araç olarak kullanılıyor. Tüm öngörülere rağmen, radyolog sayısı ve maaşlar artmaya devam etti. Bu durum, yalnızca kıyaslama testlerine dayalı olarak yapılan AI vaatlerinin abartıldığını gösteriyor. Gelecekte, çok görevli (multi-task) temel modeller kapsama alanını genişletebilir ve farklı eğitim veri setleri eksiklikleri azaltabilir. Ancak bazı engeller sadece daha iyi modellerle aşılabilecek türden değil. Düzenleyici kurumlar, hastaya danışmanlık yapmak, malpraktis riskini üstlenmek bunlardan bazıları.
Bu engeller, tam otomasyonu pahalı ve riskli kılarken insan ve makine işbirliğini de varsayılan olarak bırakıyor. Elbette yapay zekadaki ilerlemeler dinamikleri değiştirebilir ancak mevcut durumda çok başarılı benchmark testlerinden çok öteye gidemiyorlar.
