Sağlık hizmetlerinde tanı için görüntü yapay zekâsı araçları

Doktorlar uzun vardiyaların ardından röntgenleri incelerken veya yüzlerce tıbbi görüntüyü analiz ederken önemli bulgular zaman zaman gözden kaçabilir. Sağlık tanılamasında bu sık karşılaşılan bir sorundur.

Küçük gecikmeler veya gözden kaçan ayrıntılar bile hasta bakımını etkileyebilir. Bu tür sorunları ele almak için klinisyenlere destek olmak üzere yapay zekâ (AI) sistemleri kullanılıyor.

Tıbbi görüntülemede hastalıkların erken tespitinden tanı kararlarına desteğe kadar yapay zekâ, sağlık kuruluşlarının işleyişinin temel bir parçası hâline geliyor. Nitekim yapay zekâ araçları çeşitli sağlık teknolojilerine entegre ediliyor.

Buna görsel verileri analiz eden Vision AI modelleri, inceleme sırasında klinisyenlere yardımcı olan tanı yazılımları ve gerçek dünya sağlık ortamlarında çalışan, klinik kullanıma alınmış yapay zekâ sistemleri dahildir. Her yapay zekâ aracı farklı bir amaca hizmet etse de hepsinin ortak hedefi tanıların daha doğru, tutarlı ve güvenilir olmasını sağlamaktır.

Bu makalede, klinik ortamlarda sağlık hizmetlerine yönelik tanılama için kullanılan popüler yapay zekâ araçlarından bazılarına daha yakından bakacağız.

Yapay zekâ teknolojisine ve sağlık tanılamasına genel bakış#

Yapay zekâ, sağlık tanılamasının birden fazla aşamasında destek sağlayabilir. Tıbbi verilerin ilk incelemesinden nihai kararlar sırasında içgörü sunmaya kadar kullanılabilir.

Bu tür yetenekler, yapay zekâyı yoğun veri kullanan sağlık sistemlerinde değerli bir araç hâline getirir. Bu nedenle birçok sağlık profesyoneli çeşitli kullanım senaryoları için yapay zekâ destekli araçlardan yararlanmaya başlıyor.

Örneğin Vision AI algoritmaları, tıbbi görüntülemede bir insanın manuel inceleme sırasında gözden kaçırabileceği örüntüleri bulmak için röntgenleri ve BT taramalarını analiz edebilir. Bilgisayarlı görü çözümü şüpheli bölgeleri otomatik olarak işaretleyip tanı sürecini hızlandırabilir.

Bunu yaparak mevcut klinik iş akışlarını yavaşlatmadan tanı doğruluğunu artırır ve profesyonellerin diğer işlere odaklanması için daha fazla zaman kazandırır. Nitekim küresel sağlık hizmetlerinde bilgisayarlı görü pazarının 2025 ile 2030 arasında $10,97 milyar büyüyeceği öngörülüyor; bu da söz konusu teknolojilerin giderek daha fazla benimsendiğini gösteriyor.

Vision AI araçları, insan dokusunun mikroskobik ölçekte analiz edilmesine bile yardımcı olabilir. Makine öğrenimi ve derin öğrenme modelleri, saniyeler içinde hücreleri sayma gibi mikroskobik veri analizi görevlerinde kullanılabilir. Böylece sağlık profesyonelleri en önemli şeye, yani hastaya odaklanabilir.

Buna ek olarak bazı gelişmiş klinik yapay zekâ sistemleri, tıbbi görüntüleme verilerini elektronik sağlık kayıtlarından (EHRs) alınan hasta verileri ve klinik araştırmalardan elde edilen içgörülerle birleştirebilir. Doktorlar, tüm bu verileri yapay zekâ kullanarak birlikte işleyip her hasta için kişiselleştirilmiş bir tedavi planı oluşturabilir. Bu, özellikle meme kanseri veya kardiyovasküler hastalık gibi karmaşık rahatsızlıklarda yararlıdır.

Sağlık hizmeti sağlayıcılarının kullandığı yapay zekâ araçlarının türleri#

Sağlık hizmetlerinde tanılama, her biri belirli bir role sahip çeşitli yapay zekâ araçlarıyla gerçekleştirilebilir. Bazıları tıbbi görüntü analizine odaklanırken diğerleri sağlık ortamlarındaki klinik iş akışlarını, karar almayı veya sistem düzeyindeki operasyonları destekler.

Sağlık tanılamasında kullanılan bazı temel yapay zekâ aracı türleri şunlardır:

• Vision AI modelleri: Bunlar, tıbbi görüntülerde ve patoloji preparatlarında tespit, konum belirleme, segmentasyon ve nesne sayımı gibi görsel anlama görevlerine odaklanan temel yapay zekâ modelleridir. Kendi başlarına klinik kararlar almazlar; görüntü tabanlı tanı uygulamalarına güç veren temel görüntü düzeyindeki içgörüleri sağlarlar.
• Tanı amaçlı yapay zekâ yazılımları: Bu araçlar temel modellerden yararlanır ve klinik karar almayı destekleyecek şekilde tasarlanmıştır. Örüntüleri belirlemek, olası anormallikleri işaretlemek, vakalara öncelik vermek ve tanı incelemesi sırasında klinisyenlere yardımcı olmak için tıbbi görüntüler, elektronik sağlık kayıtları (EHRs), laboratuvar sonuçları ve klinik notlar gibi birden fazla kaynaktan gelen verileri analiz edip birleştirirler.
• Klinik kullanıma alınmış yapay zekâ sistemleri: Bunlar, gerçek dünyada klinik kullanım için onaylanmış, tam entegre ve düzenlemeye tabi yapay zekâ çözümleridir. Tanımlanmış kullanım senaryolarında güvenli biçimde çalışmak için genellikle birden fazla yapay zekâ modelini, klinik kuralları, doğrulama katmanlarını ve izleme mekanizmalarını bir araya getirirler. Mevzuata uygunluk onayına bağlı olarak bu sistemler; performans, güvenlik ve veri gizliliği açısından katı gereklilikleri karşılayarak otonom veya yarı otonom tanı görevlerini yerine getirebilir.

Sağlık tanılaması için popüler yapay zekâ destekli araçlar#

Farklı yapay zekâ araçlarının tanılama iş akışlarını nasıl destekleyebileceğini artık daha iyi anladığımıza göre, bugün sağlık tanılamasında kullanılan önde gelen yapay zekâ araçlarından bazılarını inceleyelim.

1. Ultralytics YOLO modelleri#

Ultralytics YOLO modelleri, görüntüler ve videolar üzerinde çeşitli görsel yapay zekâ görevlerini yerine getirmek üzere tasarlanmış gerçek zamanlı bir bilgisayarlı görü model ailesidir. Sağlık alanında bu modeller, yapay zekâ sistemlerinin tıbbi görüntüleri analiz edip anlamasına yardımcı olan temel yapı taşları olarak kullanılabilir.

Ultralytics YOLO model ailesinde Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 ve en yeni sürüm olan Ultralytics YOLO26 yer alır. Bu modeller, kutudan çıktığı hâliyle tıbbi anomalileri tespit etmez.

Tümörleri, lezyonları, kırıkları veya diğer anormallikleri belirlemek için bu modeller, tıbbi görüntülerde hangi nesne veya anormallikleri arayacaklarını öğreten Brain Tumor ya da çocuklarda el bileği travmaları için GRAZPEDWRI-DX gibi etiketli tıbbi görüntüleme veri kümeleriyle ince ayardan geçirilebilir veya özel olarak eğitilebilir.

Şekil 1. Röntgen görüntülerini analiz etmek için YOLO kullanımı (Kaynak)

İnce ayar yapıldıktan sonra Ultralytics YOLO26 gibi modeller, tanılama iş akışlarında görsel asistan olarak işlev görebilir. Özellikle hızı, büyük miktarda görüntüleme verisinin hızla incelenmesi gereken yoğun klinik ortamlarda yarar sağlar.

2. Viz.ai#

Viz.ai, tıbbi görüntüleri analiz edebilen bir yapay zekâ tanılama aracıdır. İnme ve damar hastalıkları gibi acil klinik müdahale gerektiren durumları belirlemek için tıbbi görüntüleri analiz eder.

Bu yapay zekâ aracı doğrudan hastane sistemleriyle bütünleşerek manuel görüntü inceleme süreçlerine bir alternatif sunar. Viz.ai, tedavinin zamanlamasının hasta sonuçlarını doğrudan etkilediği durumlarda tıbbi tanılama ekiplerinin daha hızlı yanıt vermesini sağlar.

Başlıca uygulamalarından biri, taramalarda büyük damar tıkanıklıklarını (LVO) otomatik olarak tespit etmektir. Yapay zekâ sistemi, hızlı müdahaleyi desteklemek için cerrahi ekibe mobil cihazlar üzerinden anında uyarılar göndermek amacıyla da kullanılır.

Şekil 2. Viz.ai nasıl kullanılabilir (Kaynak)

3. PathAI#

Patoloji, doku örneklerini incelemenin ve hastalık belirtilerini bulmanın önemli bir parçasıdır. PathAI gibi yapay zekâ araçları, yüksek kaliteli lamları analiz etmek ve ince örüntüleri belirlemek için yapay zekâ algoritmalarını kullanır.

Patologlar biyopsileri incelerken bu aracı kullanır. Uygulamalarından bazıları hücreleri saymak ve lamlar üzerindeki kanser sınırlarını belirlemektir. Bu, tanılama sürecini daha verimli hâle getirir ve sağlık uzmanlarının bulgularına daha fazla güven duymasına yardımcı olur.

4. Aidoc#

Aidoc, öncelikle radyoloji ve kardiyovasküler ve nörolojik durumlar dâhil görüntüleme temelli tanılama için tasarlanmış bir yapay zekâ aracıdır. Aidoc, yazılı tıbbi raporları analiz etmek yerine acil ve klinik açıdan önemli bulguların öne çıkarılmasına yardımcı olmak için tıbbi görüntüleme verilerine odaklanır.

Araç, tıbbi görüntüleme iş akışları için sürekli çalışan bir arka plan güvenlik izleyicisi gibi işlev görür. Taramaları otomatik olarak analiz eder ve klinisyenlerin hemen incelemesi için önceliklendirilebilecek yüksek riskli vakaları işaretler. Bu, yoğun hastane ortamlarında tanılama gecikmelerini azaltmaya ve tutarlı hasta bakımını desteklemeye yardımcı olur.

Aidoc, hastane sistemleriyle radyologların iş listelerine entegre olarak akciğer embolisi ve kafa içi kanama gibi acil durumların belirlenmesine yardımcı olur. Acil vakalara öncelik veren Aidoc, mevcut iş akışlarını aksatmadan daha hızlı klinik müdahaleyi destekler.

Şekil 3. Aidoc tarafından tespit edilen kafa içi kanamalar. (Kaynak)

5. Tempus#

Tempus, doktorların daha bilinçli tedavi kararları almasına yardımcı olmak için kanser bakımında kullanılan yapay zekâ destekli bir araçtır. Hastaların tıbbi kayıtlarının yanı sıra genetik ve moleküler verilerini de analiz eder.

Platform; klinik açıdan yararlı bilgiler sunmak için hasta öyküleri, test sonuçları ve genomik veriler gibi bilgileri bir araya getirir. Tempus, bu bilgileri birlikte inceleyerek doktorların hastalığı daha iyi anlamasına ve belirli bir hasta için en uygun tedavileri değerlendirmesine yardımcı olur.

Tempus, çoğunlukla onkologlar tarafından tedavi seçimini desteklemek için kullanılır. Hastanın genetik profilini büyük klinik ve moleküler veri kümelerinde bulunan örüntülerle karşılaştırarak kişiselleştirilmiş kanser bakımına yön vermeye yardımcı olur.

6. Cleerly#

Cleerly, özellikle koroner BT anjiyografisi olmak üzere kardiyak BT taramalarını analiz etmek için kullanılan yapay zekâ destekli bir tanılama aracıdır. Doktorların, yalnızca standart görsel incelemeyle belirlenmesi zor olabilecek kalp görüntüleme ayrıntılarını görmesine yardımcı olur.

Araç, kalp hastalığının temel göstergeleri olan plak birikimini ve koroner arterlerdeki daralmayı değerlendirmek için BT taramalarını analiz eder. Bu analizle Cleerly, hastanın koroner arter hastalığı riskini göstermeye yardımcı olan ayrıntılı bir rapor oluşturur.

Sağlık alanında yapay zekânın değişen rolü#

Yapay zekânın sağlık alanındaki ilerlemesi, tıbbi görüntülemenin yanı sıra başka alanları da etkiliyor. Yapay zekâ, tıbbi görüntüleri daha verimli ve tutarlı biçimde analiz etmede özellikle etkili olsa da yeni uygulamalar, tanılama iş akışının daha geniş bir bölümündeki rolünü artırıyor.

Günümüzde yapay zekâ sistemleri otomatik analizi, vaka önceliklendirmesini ve klinik karar desteğini sağlayarak klinisyenlerin daha hızlı ve bilinçli kararlar almasına yardımcı olurken tıbbi görüntülemeyi tanılama bakımının merkezinde tutabilir. Tıbbi yapay zekâdaki bu geniş kapsamlı ilerlemenin bilinen örneklerinden biri, Google DeepMind tarafından geliştirilen AlphaFold sistemidir.

AlphaFold klinik tanılamada doğrudan kullanılmasa da yapay zekânın karmaşık biyomedikal verileri analiz ederek proteinlerin üç boyutlu yapısını doğru biçimde tahmin edebileceğini gösterir. Bu başarı, biyolojik araştırmaları ve ilaç keşfini önemli ölçüde hızlandırmıştır. Bu tür ilerlemeler, yeni tanılama testleri ve hedefe yönelik tedaviler için bilimsel altyapının oluşturulmasına yardımcı olur.

Şekil 4. AlphaFold kullanılarak bir proteinin 3B yapısının tahmin edilmesi (Kaynak)

Önemli çıkarımlar#

Yapay zekâ; klinik iş akışlarında hızı, doğruluğu ve verimliliği artırarak sağlık tanılamasını hızla yeniden şekillendiriyor. Tıbbi görüntüleme ve patolojiden kişiselleştirilmiş tedavi planlamasına kadar yapay zekâ araçları, manuel iş yükünü azaltırken klinisyenlerin daha bilinçli kararlar almasına yardımcı oluyor. Bu teknolojiler gelişmeye devam ettikçe zamanında sunulan, veriye dayalı ve hasta odaklı bakımda giderek daha önemli bir rol üstlenecek.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Üretimde yapay zekâ ve lojistikte bilgisayarlı görü uygulamaları hakkında bilgi edinmek için çözümler sayfalarımızı incele. Lisanslama seçeneklerimizi keşfet ve görsel yapay zekâ modelleri geliştirmeye başla.