2016'da Nobel ödüllü Geoffrey Hinton, röntgen ve ultrason gibi görüntüleri okuyup teşhise yardım eden radyologların beş yıl içinde bilgisayarlarla değiştirileceğini öngörmüştü. Aradan on yıl geçti ve meslek hâlâ yerinde. Üstelik radyolog sayısının önümüzdeki otuz yılda yüzde 26 ya da daha fazla artması bekleniyor.

Ama Hinton'ın iş piyasası dinamikleri konusunda yanılmış olması, öngörüsünün doğru kısmını gölgelememeli. Haklı olduğu nokta şuydu: hekimlerin artık odada, kendi başarımını yakalayan ya da geçen silikon tabanlı bir meslektaşı var.

Aradaki farkı görmek için sayıya bakmak gerekiyor: Hinton'ın öngörüsü mesleğin yok olacağıydı, gerçekleşen ise mesleğin büyürken içeriğinin değişmesi oldu. Bu ayrım, yapay zekanın istihdam etkisini tartışırken sürekli karıştırılıyor.

Radyoloji bu yüzden önemli. Tıbbın yapay zeka açısından en yoğun alanı ve bu haliyle uzman karar sistemlerinin sağlıkta — belki başka alanlarda da — nasıl benimseneceğinin öncü göstergesi.

Ölçek

2026 başı itibarıyla, ABD'de onaylanmış 1.400 yapay zeka destekli tıbbi cihazın yaklaşık dörtte üçü radyoloji içindi. Bu araçlar iki farklı iş yapıyor:

  • Verimlilik — rapor taslağı hazırlamak ya da acil bakılması gereken görüntüleri işaretlemek.
  • Başarım — insan gözünün göremeyeceği anormallikleri tespit etmek, görüntüleri eğitimli bir radyolog kadar iyi, bazen daha iyi yorumlamak.

Kırk üç klinik çalışmanın çözümlemesi, yapay zeka destekli kolonoskopilerin geleneksel olanlardan daha fazla polip bulduğu sonucuna varmıştı.

Doğruluğu artırmak önemli, çünkü teşhis görüntülerinde ortalama insan hata oranı yüzde 3 ile 5 arasında tahmin ediliyor. Bu, dünya genelinde yılda milyonlarca hata anlamına geliyor. Ama çözüm insanları makinelerle değiştirmek kadar basit değil. Hinton'ın çarpıcı öngörüsünden on yıl sonra asıl soru, belirli bir görevde insanın mı yapay zekanın mı istatistiksel olarak daha iyi olduğu değil: yapay zekanın teknik hassasiyetiyle insanın deneyimi ve esnekliği nasıl birleştirilir?

İki farklı zeka

Stanford'da Tıpta ve Görüntülemede Yapay Zeka Merkezi'nin direktörü radyolog Curtis Langlotz meseleyi bir örnekle anlatıyor. Diyelim ki bir yapay zeka aracı göğüs tomografisindeki akciğer nodüllerinin yüzde 95'ini tespit ediyor, radyologlar ise yüzde 90'ını.

"Bazıları 'yapay zeka radyologlardan iyi, o hâlde bütün radyologları yapay zekayla değiştirelim' diyecektir," diyor Langlotz. "Ama size şunu söyleyeyim: radyolog, makinenin kaçırdığı o yüzde 5'in bir kısmını yakalayacak. Çünkü makine zekâsı ile insan zekâsı farklı türde zekâlar."

Fark şurada: yapay zeka bir görüntüdeki her pikseli yorulmadan, dikkati dağılmadan inceleyebiliyor ve onu daha önce gördüğü her görüntüyle karşılaştırabiliyor. Radyologun hastalık anlayışı ise görüntüleri yapay zekanın yapamayacağı biçimde yorumlamasını sağlıyor.

Yeni iş: her kararı değerlendirmek

Bu, iş tanımını değiştiriyor. Radyolog artık her yapay zeka kararını değerlendiren kişi konumunda — kararların büyük çoğunluğu doğru olacak — ve algoritmanın yanıldığı nadir durumları ayırt etmek zorunda.

St. Jude Çocuk Araştırma Hastanesi'nden radyolog Paul Yi durumu şöyle özetliyor: "Bu, zihnin baştan kablolanmasını gerektiriyor."

Bu rol, alıştığımız "insan karar verir, makine yardım eder" kalıbından farklı. Burada makine önce karar veriyor, insan onu denetliyor. Karar sırası tersine dönmüş durumda ve sorumluluk hâlâ insanda.

Hekimler bilgisayarları geçersiz kılmaya alışkın. Kural tabanlı algoritmaların tetiklediği elektronik kayıt uyarıları onlarca yıldır tehlikeli ilaç etkileşimleri gibi konularda uyarı veriyor ve hekimler bu uyarıları yaklaşık yarı yarıya geçersiz kılıyor. Ama bu an farklı.

Kara kutu sorunu

Fark, aracın türünden geliyor. Kural tabanlı algoritmalar, hekimin kendi tıbbi bilgisiyle hızla yorumlayabileceği yanıtlar veriyor. Radyolojideki yapay zeka görüntü çözümleme sistemleri ise genellikle sinir ağlarına dayanıyor: tümör alt türlerini tanımlayabiliyor, lezyon sınırlarını çizebiliyor, yüksek doğrulukla teşhis görevleri yapabiliyorlar. Ama bir karara nasıl vardıklarını göstermiyorlar.

Radiology: Artificial Intelligence dergisinin editörü Charles Kahn zorluğu şöyle tarif ediyor: "Bu gerçekten bir anormallik mi, yoksa yapay zekanın o ince aklıyla yakaladığı bir şeyi mi kaçırıyorum? Bu bizim için gerçekten çok zor."

İki yönlü tuzak

Bir görüntü yorumunda iki tür hata yapılabiliyor: yanlış negatif hastalığı kaçırıyor, yanlış pozitif olmayan hastalığı görüyor. Nadir hastalıklarda — ve hastalıkların çoğu görece nadir — her teşhis aracı çok sayıda yanlış pozitif üretme eğiliminde, çünkü hastalığı olmayan pek çok kişiyle karşılaşıyor.

Buradan iki ayrı yanlılık doğuyor:

  • Otomasyon yanlılığı — makinenin sonucuna gereğinden fazla inanmak.
  • Otomasyon gevşekliği — makinenin gözden kaçırdığı bir bulguyu, örneğin beyindeki kanamayı, sorgusuz kabul etmek.

Mosaic Clinical Technologies'in tıbbi yapay zeka başkanı Nina Kottler ikisini birleştiriyor: "Bunların ikisi de yapay zekanın, radyologun şüphe düzeyini o farkında olmadan değiştirmesi meselesi." Zamanla insanlar yapay zekanın yanıtlarına fazla inanmaya başlayabiliyor. Bir çalışma, deneyimli radyologların bile mamografi yorumlarında, kararları yanlış yapay zeka tahminlerinin etkisi altında verildiğinde doğrulukta büyük düşüş yaşadığını buldu.

Ters yön daha sezgisel. Yeni bir teknolojiye — üstelik işini elinden almakla suçlanan bir teknolojiye — kendini kanıtlayana kadar şüpheyle bakmak doğal. Kottler'ın belirttiği bir ayrıntı bunu besliyor: güvenilir yapay zeka sistemleri, insan hatalarına benzemeyen bariz hatalar yapıyor. "Saçma bir yanlış pozitif görüyorsunuz ve 'tabii ya, yapay zeka akıllı değil' deyip onu bir kenara atabiliyorsunuz."

Nadir hastalık, bol yanlış alarm

Yanlış pozitiflerin neden bu kadar çok çıktığını anlamak, radyologun işini anlamanın anahtarı. Mesele aracın kötü olması değil, hastalığın nadir olması.

Bir tarama aracı, hastalığı olmayan çok sayıda kişiyle karşılaşıyor. Bu kişilerin her biri, aracın yanlış alarm verebileceği ayrı bir fırsat. Hastalık ne kadar nadirse, doğru teşhis başına düşen yanlış alarm sayısı o kadar artıyor — aracın doğruluk oranı hiç değişmese bile.

Sonuç, radyologun işinin çoğunlukla "hayır" demekten ibaret olması. Makinenin işaretlediği bulguların büyük bölümünü geçersiz kılarken, aralarındaki nadir doğru teşhisi kaçırmaması gerekiyor. Bu, sürekli şüphe ile sürekli dikkatin aynı anda sürdürülmesini isteyen, yorucu bir zihinsel iş.

Nasıl yönetiliyor

Kottler'ın önerisi ölçmek: radyologların yapay zeka meslektaşlarıyla ne sıklıkta hemfikir olduğunu zaman içinde izlemek ve bir yöne fazla kaydıklarında müdahale etmek. "Radyologlar yapay zeka sonucunu yüzde 99 oranında kabul ediyorsa ve biz aracın yalnızca yüzde 95 doğru olduğunu biliyorsak, gidip o radyologla konuşuyoruz."

Ama bir araca yüzde 95 doğru demek yetmiyor. Eğitim şart: hekimlerin neye, ne zaman bakacaklarını bilmesi gerekiyor. Örneğin belirli bir aracın, hasta cihazda hareket ettiyse taramaların yüzde 30'unda yanılacağını bilmeleri gerekiyor.

Burada bir açık var. 2026'da yapılan bir hekim anketinde katılımcıların dörtte birinden fazlası yapay zeka konusunda hiç eğitim almadığını söyledi; yalnızca yüzde 11'i çok eğitim aldığını belirtti.

Kottler ayrıca araçların basit bir evet/hayır yanıtı yerine her değerlendirme için bir güven tahmini bildirmesini savunuyor. Gerekçesi pratik: hiçbir radyologdan birden çok yapay zeka sisteminin inceliklerini bilmesi beklenemez — ve bu sistemlerin sayısı da karmaşıklığı da artacak.

Türkiye için ne anlama geliyor

Buradaki tablo Türkiye'de de doğrudan karşılık buluyor. Yapay zeka destekli görüntüleme araçları büyük hastanelerde kullanılmaya başlandı ve bu araçların çoğu yurt dışında, başka hasta popülasyonlarının verisiyle eğitildi. Bir modelin doğruluk oranı, eğitildiği veriden farklı bir popülasyonda düşebiliyor.

Bu da yazının ana bulgusunu yerelde daha da keskinleştiriyor: aracın kutunun üzerinde yazan doğruluk oranı, sizin hastanenizde geçerli olmayabilir. Kottler'ın önerdiği ölçüm — radyologların araçla ne sıklıkta hemfikir olduğunu izlemek — tam da bu yüzden kurum düzeyinde yapılması gereken bir iş. Satın alınan araç, yerinde ölçülmediği sürece bilinmeyen bir doğrulukla çalışıyor demektir.

Radyolojinin ötesinde

Langlotz'un özeti alanın mevcut olgunluk düzeyini gösteriyor: "İnsan/makine sistemini nasıl en iyi hâle getireceğimizi anlamanın daha en başındayız."

Bu tablo yalnızca radyologları ilgilendirmiyor. Uzman kararının makine tarafından desteklendiği her meslek aynı sırayı izleyecek: önce araç geliyor, sonra iş tanımı değişiyor, en son da o değişimi yönetecek eğitim ve ölçüm geliyor. Şu an eksik olan hep sonuncusu.

Sıralamanın tersine dönmemesi de önemli. Bir kurum aracı önce satın alıp sonra eğitimi düşünürse, arada kalan sürede çalışanlar aracı sezgiyle kullanıyor — ve bu sezgi, yazının anlattığı iki yanlılıktan birine kayıyor. Kimisi makineye fazla güveniyor, kimisi bir saçma hatadan sonra tamamen bir kenara atıyor. İkisi de ölçülmediği sürece görünmüyor.

Langlotz'un on yıl önce, yapay zekanın vaftiz babasının öngörüsünü çürütürken söylediği cümle hâlâ geçerli: yapay zeka radyologların yerini almayacak. Yapay zekayı kullanan radyologlar, kullanmayanların yerini alacak.