Yazar : Prof. Dr. Artür Salmaslıoğlu
Giriş
Yapay zekâ (YZ) son yıllarda tıbbın birçok alanında olduğu gibi ultrasonografi alanında da önemli gelişmelere yol açmaktadır. Ultrasonografi, gerçek zamanlı görüntü sağlayan, radyasyon içermeyen ve yaygın kullanılan bir tanı aracıdır; ancak operatöre bağımlı olması ve görüntülerdeki gürültü/artefaktlar gibi sorunlar tanıyı zorlaştırabilmektedir. Derin öğrenme gibi YZ tekniklerinin uygulanmasıyla, düşük kaliteli ultrason görüntülerinin iyileştirilmesi, otomatik lezyon tespiti ve sınıflandırılması gibi pek çok işlemin yakın gelecekte YZ araçlarıyla gerçekleştirilmesi öngörülmektedir. Bu yazıda, radyoloji asistanları ve uzmanlarına yönelik olarak, YZ’nin ultrasonografideki başlıca kullanım alanları ve bu alanlardaki güncel akademik çalışmalar derlenerek sunulmuştur. Ayrıca YZ kullanımının etik/yasal boyutları ve eğitim süreçlerine etkileri de değerlendirilmektedir.
Görüntü İyileştirme
Ultrason görüntü kalitesini artırmak için yapay zekâ tabanlı görüntü iyileştirme teknikleri yoğun olarak araştırılmaktadır. Süper çözünürlük yaklaşımları, düşük çözünürlüklü ultrason görüntülerini yüksek çözünürlüğe çıkarmak ve detayları belirginleştirmek amacıyla derin öğrenmeden faydalanır. Örneğin, Super-Resolution Convolutional Neural Network (SRCNN) modeli, ultrason görüntülerindeki “speckle” gürültüsünü etkin biçimde azaltarak doku yapılarını daha net hale getirebilmiştir. Derin öğrenme tabanlı süper çözünürlük, klasik enterpolasyon yöntemlerine göre daha başarılı olup ultrason görüntülerinde yumuşak doku detaylarının üstün görselleştirilmesini sağlamaktadır.
Buna ek olarak gürültü giderme ve çoklu iyileştirme yaklaşımları da geliştirilmektedir. 2022 yılında Moinuddin ve arkadaşlarının çalışmasında, ultrason görüntülerinde çözünürlük artırma ve gürültü baskılama işlemleri tek bir derin konvolüsyonel sinir ağıyla eşzamanlı uygulanmıştır. Bu çalışmada önerilen model, yapay veri artırma için ultrason fizik prensiplerini de kullanarak, görüntü kalitesinde anlamlı iyileşmeler elde etmiştir. Sonuçlar, önerilen yöntemin hem görsel olarak daha net görüntüler ürettiğini hem de PSNR, SSIM gibi objektif kalite ölçütlerinde gelişim sağladığını göstermiştir. Ayrıca Generative Adversarial Network (GAN) tabanlı modeller de ultrason görüntü iyileştirmede umut vaat etmektedir. Örneğin, bir çalışma olan MedSRGAN modeli, düşük çözünürlüklü tıbbi görüntülerden yüksek kalitede ve detayları korunmuş görüntüler üretmeyi başarmıştır. Bu tür gelişmiş derin öğrenme mimarileri sayesinde ultrason görüntülerinin tanısal değeri artırılabilmekte, özellikle küçük lezyonların veya ince yapıların daha iyi görünür hale getirilmesiyle klinik yarar sağlanmaktadır.
Kullanım Kolaylığı – Taramayı Kolaylaştırma
Ultrasonografinin operatöre bağımlı doğası, kullanıcıya yönelik akıllı asistan sistemlerinin geliştirilmesine zemin hazırlamıştır. Yapay zekâ, probun konumlandırılması ve uygun pencerenin bulunması konularında operatöre gerçek zamanlı geri bildirim vererek cihaz kullanımını kolaylaştırmaktadır. Örneğin obstetrik ultrason alanında geliştirilen bir sistem, ultrason videosu ve prob üzerindeki ataletsel sensör verilerini işleyerek kullanıcıya standart düzlemi elde etmek için nasıl hareket etmesi gerektiğini gerçek zamanlı olarak göstermiştir. Bu çalışmada geliştirilen ağ (US-GuideNet), deneyimli operatörlerin hareketlerini taklit ederek “probu biraz sola kaydır” veya “açıyı değiştir” gibi yönlendirmeler üretebilmiştir. Sonuçlara göre, sistem hedef düzleme ulaşma konusunda %88-90 doğrulukla yol göstererek az deneyimli kullanıcılarda bile standart görüntülerin elde edilmesine yardımcı olmuştur. Bu tür otomatik prob pozisyon önerileri, ultrasonun öğrenme eğrisini kısaltarak daha az deneyimli kullanıcıların dahi kaliteli inceleme yapabilmesini mümkün kılmaktadır. Nitekim, travma ultrasonu (eFAST) alanında yapılan bir çalışmada da YZ rehberliği sayesinde kritik anatomi noktalarının tanınıp uygun prob yerleşiminin sağlandığı ve böylece işlemin uzman olmayan personelce bile daha kolay yapılabildiği gösterilmiştir. Bu sayede YZ desteği, yalnızca uzmanların değil, acil hekimleri gibi farklı branşların da ultrasonu daha etkin kullanmasına olanak tanıyarak cihaz kullanımını geniş kitleler için kolaylaştırmaktadır.
YZ’nin taramayı kolaylaştırmasının bir diğer yolu, operatöre gerçek zamanlı rehberlik sunmasıdır. Sistem, alınan görüntü karelerini anbean analiz ederek kullanıcının hedef düzlemden sapıp sapmadığını algılayabilir ve gerektiğinde yönlendirme yapabilir. Örneğin kardiyak ultrasonografi için geliştirilen bir YZ destekli navigasyon çerçevesi, prob hareketlerini kontrol eden bir algoritma ile en uygun akustik pencereyi otomatik arayarak yüksek kalitede görüntü elde etmeyi başarmıştır. Bu araştırmada, ultrason probuna bağlı bir robotik kol ve kamera kombinasyonu kullanılarak “görme-duyma” yeteneği sağlanmış; simülasyon ortamında en uygun prob konumunun bulunmasında %96 üzeri doğruluk elde edilmiştir. Böylece, YZ sayesinde taramanın otomasyonu dahi mümkün olabilirken, bugünden pratik uygulamada taramayı kolaylaştıran en önemli katkı tarama süresinin azalmasıdır. Sonuç olarak YZ, tarama işlemini daha hızlı, kolay ve tutarlı hale getirerek hem hasta konforunu hem de klinisyen verimliliğini yükseltmektedir.
Sınıflandırma Desteği
Ultrasonografide saptanan lezyonların iyi huylu veya kötü huylu olup olmadığını belirlemek, klinik yönetimi doğrudan etkileyen kritik bir adımdır. Yapay zekâ, lezyon sınıflandırması konusunda radyologlara yardımcı olacak şekilde kullanılmaktadır. Güncel derin öğrenme modelleri, büyük görüntü veri setleri üzerinde eğitilerek nodüllerin ya da kitlelerin bening/malign ayrımını yüksek doğrulukla yapabilmektedir. Örneğin tiroid nodüllerinin ultrason görüntülerinden sınıflandırılması konusunda 2022 yılında yapılan bir çalışmada, ResNet tabanlı bir derin öğrenme modeli %98.4 doğruluk ve %99.7 AUC değeri ile benign-malign ayrımını gerçekleştirmiştir. Bu yüksek performans, YZ’nin uygun eğitildiğinde insan düzeyinde (hatta bazı durumlarda üzerinde) bir ayırt etme yeteneğine ulaşabildiğini göstermektedir. Benzer şekilde, meme ultrasonunda da YZ destekli sistemlerin BI-RADS kategorizasyonunda radyologlara önemli ölçüde yardım ettiği kanıtlanmıştır. 2024 yılında yayınlanan prospektif bir çalışmada, rutin sağlık taramalarında tesadüfen saptanan meme kitlelerinin sınıflandırılmasında YZ yazılımının radyologlarla birlikte kullanımını değerlendirilmiştir. Sonuçlar, YZ yardımı alan genç radyologların malignite tahmin performansının belirgin şekilde arttığını ve tecrübeli radyologlara yakınlaştığını ortaya koymuştur. YZ’nın gelişmiş makine öğrenimi algoritmaları, ultrason görüntülerinin yorumlanmasındaki zorlukların üstesinden gelmeye yardımcı olarak daha doğru tanısal bilgiler sağlamıştır. Özellikle daha az deneyimli hekimlerin YZ desteğiyle tanısal isabetliliğinin yükselmesi, klinikte hata payını azaltıp hasta bakımını iyileştirebilir. Ancak burada önemli olan, YZ’nin nihai kararı değil, destekleyici bir ikinci görüş sunmasıdır. Radyoloji uzmanı, YZ’nin sınıflandırma önerisini kendi klinik değerlendirmesiyle birlikte ele alarak en doğru sonuca varır. Özetle, YZ tabanlı sınıflandırma araçları, lezyonların objektif ve tutarlı bir şekilde değerlendirilmesine katkı sunarak tanı süreçlerini desteklemektedir.
Raporlama Kolaylığı
Ultrasonografi incelemelerinin raporlanması, ölçümlerin yapılması, bulguların tanımlanması ve yorumlanması gibi adımları içerir. Yapay zekâ bu süreçte de zamandan tasarruf ve tutarlılık sağlama potansiyeline sahiptir. Otomatik ölçüm araçları, ultrason görüntülerinde belirli yapıları tespit edip metrik hesaplamaları anında yapabilir. Örneğin, obstetrik ultrasonografide fetüsün biyometrik ölçümleri (baş çevresi, femur boyu vb.) YZ ile otomatikleştirilmiş ve bu sayede hem muayene süresi azalmış hem de operatörler arası ölçüm farklılıkları minimize edilmiştir. Benzer şekilde, kardiyak ultrasonografide sol ventrikül ejeksiyon fraksiyonunun otomatik hesaplanması ya da karotis ultrasonunda intima-media kalınlığının YZ ile ölçülmesi gibi uygulamalar raporlama sürecini hızlandırmaktadır. YZ, görüntü üzerinde tespit ettiği yapının sınırlarını belirleyip (segmantasyon) ölçümü alabilir ve rapora not düşülmek üzere bu değeri sistemde hazır bulundurur.
Bulguların tanınması da YZ ile desteklenen bir başka raporlama kolaylığıdır. Derin öğrenme modelleri, ultrason görüntülerinde kist, taş, tümör gibi belirgin patolojileri algılayarak bunları işaretleyebilir. Örneğin safra kesesi ultrasonunda YZ, lümen içindeki bir taşın varlığını saptayıp görüntü üzerinde vurgulayabilir; akabinde bu bilgi rapor taslağına otomatik olarak “Safra kesesinde taş izlenmiştir” şeklinde eklenebilir.
YZ’nin raporlamaya en yenilikçi katkılarından biri de otomatik rapor taslağı oluşturma üzerine olmaktadır. Metin oluşturma alanındaki ilerlemeler ile görüntüden klinik anlamlı cümleler türetebilen sistemler ortaya çıkmıştır. Örneğin 2024 yılında yapılan bir çalışmada, meme ultrasonu taramalarında radyoloğun işaretlemeleri ile derin öğrenme analizleri birleştirilerek yapısal bir rapor otomatik olarak oluşturulmuştur. Bu sistem, rutin taramalarda radyolog tarafından işaretlenen bulguları ve YZ’nin görüntü sınıflandırma sonuçlarını entegre ederek ortalama 3.8 dakikada kapsamlı bir rapor üretebilmiştir. Otomatik oluşturulan raporların, değerlendirme yapılan vakalarda deneyimli radyologların hazırladığı raporlarla bire bir örtüştüğü bildirilmektedir. Bu başarı, YZ’nin uygun şekilde insan girdileriyle (ör. hekimin vurguladığı alanlar) beslendiğinde, rapor yazım yükünü ciddi oranda azaltabileceğini göstermektedir. Özellikle standart incelemelerde normal bulgular için rutin ifadelerin otomatik eklenmesi, yalnızca anormal bulgulara odaklanılması gibi yaklaşımlar, raporlama verimliliğini artırabilir.
YZ destekli raporlama araçlarının bir diğer avantajı da tutarlılık sağlamasıdır. Farklı operatörlerin aynı bulguyu farklı cümlelerle raporlaması yerine, YZ sistemleri standart bir şablon dâhilinde homojen raporlar üretebilir. Bu da ileriye dönük izlemelerde veya büyük veri analizlerinde daha yapılandırılmış ve karşılaştırılabilir raporlar anlamına gelir. Örneğin, belirli bir hasta grubunun otomatik tiroid nodülü raporları, hekimler arası değişkenlik olmaksızın benzer formatta olacağından, yapay zekâ yardımıyla büyük ölçekli verilerden epidemiyolojik içgörüler elde etmek kolaylaşabilir. Sonuç olarak, yapay zekâ raporlama sürecinde ölçüm yapma, bulguları tespit edip not düşme ve taslak rapor hazırlama gibi adımlarda yardımcı olarak radyoloğun üzerindeki yükü azaltır; hekimin daha karmaşık karar verme aşamalarına odaklanmasına imkân tanır.
Eğitim Uygulamaları
Yapay zekâ, sadece klinik tanı ve iş akışında değil, aynı zamanda eğitim alanında da güçlü bir araç olarak karşımıza çıkmaktadır. Radyoloji asistanları ve genç uzmanlar için sanal hasta simülasyonları ve YZ destekli eğitim platformları, ultrasonografi becerilerini geliştirmede kullanılmaktadır. Ultrason simülatörleri, gerçek cihazın probuna benzer aparatlar ve sanal/yarı-sanal ortamlar kullanarak çeşitli klinik senaryoları eğitim amaçlı sunar. Günümüzde bu simülatörlere yapay zekâ entegre edilmeye başlanmıştır. Örneğin, bir ultrason simülatörü senaryosunda YZ, eğitimin bir parçası olarak farklı hasta tipleri ve patolojiler oluşturabilir, böylece öğrenen kişi çok sayıda olgu üzerinde pratik yapabilir. WFUMB’un (Dünya Ultrason Derneği) ultrason eğitiminde simülatör kullanımıyla ilgili raporunda, simülasyonun klinik öğrenme çıktılarını iyileştirdiği, öğrenme sürecini hızlandırdığı ve öğrencinin özgüvenini artırdığı belirtilmektedir. Simülatör teknolojisi henüz emekleme döneminde olsa da, hızla gelişmekte ve farklı anatomi-bölge için yüksek gerçeklikli eğitim imkânları sunmaktadır. Gelecekte, yapay zekâ destekli bu tür simülasyonların, özellikle her vakada gerçek hastaya erişimin kısıtlı olduğu durumlarda, eğitimde standart bir araç haline gelmesi beklenmektedir.
Bunun yanı sıra, yapay zekânın eğitimdeki belki de en dikkat çekici kullanımı performans değerlendirme ve geri bildirim sağlama konusunda olmaktadır. YZ destekli değerlendirme sistemleri, bir asistanın tarama sırasında probu nasıl hareket ettirdiğini, hangi açılardan görüntü aldığını ve hangi önemli yapıları görüntüleyip görüntülemediğini takip ederek objektif ölçütler sunabilir. Örneğin bir eğitim yazılımı, asistanın gerçekleştirdiği karaciğer ultrasonunda sağ böbreği görüntülemeyi ihmal ettiğini algılayıp uyarı verebilir veya standart bir obstetrik ultrason protokolünde ölçülmesi gereken tüm biyometrileri tamamlayıp tamamlamadığını kontrol edebilir. Ticari olarak da bazı eğitim platformları, çekilen ultrason görüntülerini otomatik olarak analiz edip eğitici geri bildirimler sunmaya başlamıştır (örn. “Görüntü kontrastını artırmalısın” veya “Daha kaudal açıyla tekrar dene” gibi). Bu sayede asistanlar, hata yaparak öğrenme sürecini hızlandırma ve güvenli bir ortamda kendilerini geliştirme fırsatı bulurlar.
Etik ve Yasal Boyutlar
Ultrasonografide yapay zekâ uygulamalarının gelişimi, beraberinde bazı etik ve hukuki soruları da gündeme getirmektedir. Veri gizliliği, bu boyutların başında gelir. YZ modellerinin eğitimi ve kullanımı için genellikle büyük hacimli hasta verisine ihtiyaç duyulur. Bu verilerin anonimleştirilmesi, saklanması ve paylaşılması süreçlerinde hasta mahremiyetinin korunması kritik önemdedir. Toplum nezdinde de YZ’nin sağlık verilerine geniş ölçekte erişmesi, olası veri ihlalleri ve izinsiz bilgilere erişim risklerinden dolayı endişe yaratmaktadır. Örneğin bir YZ geliştirme projesinde binlerce hastanın ultrason görüntüsü kullanılıyorsa, bu verilerin kötü niyetli kişilerin eline geçmesi halinde hassas sağlık bilgilerinin ifşa olması söz konusu olabilir. Bu nedenle, YZ uygulamalarında HIPAA gibi sağlık bilişimi gizlilik standartlarına ve KVKK/GDPR gibi yasal düzenlemelere uyum zorunludur. Verilerin şifrelenmesi, anonim hale getirilmesi ve sadece gerektiği kadarına erişim sağlanması gibi önlemler alınmalıdır.
Bir diğer önemli husus, karar destek sistemlerinin sorumluluğu ve hukuki yükümlülük konusudur. Eğer bir yapay zekâ sistemi ultrason görüntüsünde bir bulguyu atlar ya da yanlış yorumlarsa, bunun sorumluluğu kime ait olacaktır? Şu anki yasal çerçevelerde, tıbbi yapay zekâ araçları genellikle hekim sorumluluğundan bağımsız düşünülemez; yani son kararı veren hekim, YZ’den gelen öneriyi de değerlendirse, nihai rapordan sorumlu tutulur. Bununla birlikte, YZ yazılımı bir hata yaptığında hasta zarar görürse, üretici firmanın mı yoksa hekimi denetlemekle yükümlü kurumların mı sorumlu olacağı belirsiz alanlar barındırmaktadır. Literatürde bu durum “herkesin ve hiç kimsenin” sorumlu olması ikilemiyle tanımlanmıştır; bir görüşe göre hata halinde hekim, yazılım geliştiricisi ve cihaz üreticisi dahil herkes dava edilebilir. Bu belirsizlik, YZ uygulamalarının yaygınlaşmasında çekincelere yol açabilir.
Regülasyonlar konusunda da dünya genelinde hareketlilik vardır. ABD Gıda ve İlaç Dairesi (FDA) ve CE belgelendirme gibi süreçlerle birçok YZ tabanlı görüntüleme yazılımı tıbbi cihaz onayı almıştır. Ocak 2023 itibariyle FDA tarafından onaylanmış 500’ün üzerinde tıbbi yapay zekâ algoritmasının büyük kısmını radyoloji uygulamaları oluşturmaktadır. Ultrasonografi özelinde de onaylanmış otomatik görüntü analizi yazılımları mevcuttur. Bu düzenleyici onaylar, ilgili YZ aracının belirli bir performans ve güvenlik standardını karşıladığını gösterir. Yine de, düzenleyici denetim onay sonrası da devam etmelidir; örneğin YZ sistemleri gerçek klinik pratikte performans takibine tabi tutulmalı, beklenmedik bir sistematik hata oranı artışı fark edilirse müdahale edilmelidir. Ayrıca, YZ algoritmalarının açıklanabilirliği (neden belli bir karar verdiğinin izah edilebilir olması) hem etik hem yasal açıdan üzerinde durulan bir noktadır. Karar mekanizması tamamen kara kutu olan bir algoritmaya, mahkemede hesap sorulması veya tıbbi gerekçelendirme beklenmesi mümkün olmaz. Bu nedenle, “açıklanabilir YZ” kavramı sağlıkta giderek önem kazanmakta; algoritmaların mümkün mertebe insana okunur gerekçeler sunacak şekilde tasarlanması hedeflenmektedir. Özetle, YZ’nin ultrasonografideki kullanımında veri gizliliği, sorumluluk paylaşımı ve yasal onay süreçleri gibi konular, teknolojik gelişime paralel olarak ele alınmakta ve güvenli, etik bir uygulama için gerekli adımlar atılmaktadır.
Sonuç olarak, yapay zekânın ultrasonografide artan rolü, eğitim süreçlerinin de evrim geçirmesini gerektirmektedir. Radyoloji asistanları, YZ’yi bir rakip olarak görmek yerine bir iş arkadaşı olarak konumlandırmayı öğrenmelidir. YZ destekli bir gelecekte, radyoloğun rolü tanı koymaktan ziyade YZ’nin koyduğu tanıyı doğrulayan, kompleks vakalarda son kararı veren ve insan dokunuşunu katan bir şekle evrilebilir. Bunu sağlamak için bugünden asistanların YZ’nin güçlü ve zayıf yönlerini anlamaları, onu etkin kullanma pratikleri kazanmaları önem taşır. Eğitim programlarında YZ’ye yer verilmesi, hem daha donanımlı uzmanlar yetişmesine hem de YZ sistemlerinin kullanıcı geri bildirimleriyle gelişmesine katkı sağlayacaktır. Yapay zekânın eğitici potansiyeli doğru kullanıldığında, yeni nesil radyologlar için bir ivme kazandırıcı olacak; ancak bu süreçte insanın yerini değil, insanın kapasitesini genişleten bir araç olarak kalmasına özen gösterilmelidir.