Adli Tıpta Yapay Zeka Uygulamaları

Giriş

Adli tıp, tıp bilimi ile hukuk arasında köprü kurarak adalet sisteminin işleyişinde kritik rol üstlenen disiplinler arası bir uzmanlık alanıdır. Temel işlevi; ölüm nedenlerinin belirlenmesi (otopsi), yaralanmaların ağırlık derecesinin saptanması, cinsel saldırı ve çocuk istismarı gibi vakaların tıbbi yönden belgelenmesi, toksikolojik analizlerin yürütülmesi ve kimliklendirme süreçlerinde bilimsel, tarafsız ve nesnel delil sunmaktır. Bununla birlikte adli tıp yalnızca ölü muayenesi ve otopsi ile sınırlı olmayıp, yaşayan bireyler üzerindeki hukuki uyuşmazlıklarda da bilirkişilik yaparak maddi gerçeğin ortaya çıkarılmasında yargı makamlarına güvenilir bilimsel dayanak sağlamaktadır.

Dijitalleşme ve büyük veri analitiğinin gelişmesiyle birlikte yapay zekâ ve derin öğrenme temelli modeller adli tıp pratiğinde giderek daha fazla yer bulmaya başlamıştır. Bu uygulamaların; adli rapor yükünü azaltma, raporlama sürecini hekimin kontrol mekanizması altında hızlandırma, yargı süreçlerine zaman kazandırma, asistan eğitimine katkı sağlama ve karmaşık vakalarda karar destek sistemi olarak kullanılma potansiyeli bulunmaktadır. Bu bölüm, adli tıpta yapay zekâ uygulamalarının mevcut durumunu, potansiyel yararlarını ve sınırlılıklarını değerlendirmeyi amaçlamaktadır.

Büyük Dil Modelleri (LLM) kullanılarak yapılan bir çalışmada, adli rapor yazımında kullanılan rehberler ve örnek taslaklar modele öğretildikten sonra, yapay zekânın %96,2 oranında doğru rapor sonucu oluşturabildiği gösterilmiştir (1). Bu bulgu, yapay zekânın yapılandırılmış veri ve standart rehberlerle desteklendiğinde yüksek doğrulukta çıktı üretebildiğini ortaya koymaktadır. Farklı LLM’lerin intihar yöntemini tahmin etme performansının değerlendirildiği bir başka çalışmada ise doğruluk oranlarının modele göre %42,9 ile %76,09 arasında değiştiği bildirilmiştir (2). Bu sonuçlar, dil modellerinin adli psikiyatrik analizlerde potansiyel taşıdığını ancak henüz klinik kararın yerini alabilecek düzeyde olmadığını göstermektedir.

Derin öğrenme temelli konvolüsyonel sinir ağları (CNN), adli görüntü analizinde dikkat çekici sonuçlar vermektedir. Önceden eğitilmiş bir CNN modelinin, 537 otopsi sonrası postmortem makroskopik organ diseksiyon görüntülerini %95’in üzerinde doğru şekilde sınıflandırabildiği gösterilmiştir (3). Postmortem BT görüntülerinde suda boğulma tanısının araştırıldığı bir çalışmada, yapay zekâ modeli canlandırma uygulanmayan olgularda %92 doğruluk sağlarken, resüsitasyon uygulanan vakalarda bu oran %81’e düşmüştür (4). Bu durum, görüntü tabanlı modellerin postmortem tanılara katkı sağlayabileceği ancak komplike vakalarının yorumlanmasında performansın etkileyebileceğini düşündürmektedir.

Kan lekesi örüntülerinin sınıflandırılmasına yönelik derin öğrenme modeli ise 366 test görüntüsünü 30 saniyede %99,73 doğruluk oranıyla analiz etmiş ve olay yeri bulgularının hızlı ve standart biçimde tasnif edilebileceğini göstermiştir (5). Ateşli silah yaralarının sınıflandırılmasında kullanılan ConvNeXt Tiny mimarisi, giriş ve çıkış yaralarını ayırt etmede %87,99 test doğruluğu sağlamıştır (6). Çalışmalar, yapay zekâ tabanlı sistemlerin hem tanısal doğruluğu artırma hem de karar verme süreçlerini standardize etme potansiyelini açıkça ortaya koymaktadır.

Çin’de yürütülen bir psikolojik otopsi çalışmasında, Çok Katmanlı Algılayıcı (MLP) ve Geri Yayılım (BP) sinir ağları kullanılarak geliştirilen intihar tahmin modellerinin %90’ın üzerinde AUC değerine ulaştığı ve lojistik regresyon yöntemlerini geride bıraktığı bildirilmiştir (7). Bu sonuç, yapay zekâ tabanlı modellerin klinik risk değerlendirmesinde güçlü bir alternatif olabileceğini göstermektedir.

Etkileşimli Makine Öğrenimi yaklaşımıyla geliştirilen sanal otopsi sistemi; makroskopik, mikroskopik, radyolojik ve moleküler verileri entegre ederek enfarktüs ile otolizi ayırt edebilmekte ve bulaşıcı hastalıklarda sağlık personelini kontaminasyon riskinden koruyan dijital bir tanı ortamı sunmaktadır (8). Bu yaklaşım, adli patolojide multidisipliner veri entegrasyonunun önemini ortaya koymaktadır.

Üç boyutlu voksel tabanlı derin öğrenme modeli kullanılarak geliştirilen sistem, mandibula ve femur BT görüntülerinden yaş tahmininde 5,15 yıl ortalama mutlak hata ile yüksek doğruluk sağlamıştır (9). Modifiye edilmiş AlexNet mimarisiyle pelvik radyografiler üzerinden yapılan bir çalışmada ise 10–25 yaş aralığında 0,94 yıl ortalama mutlak hata ile otomatik yaş tahmini gerçekleştirilmiştir (10). Adli yaş tayininde yüksek doğruluk ve düşük hata payı ile objektif değerlendirme olanağı sunduğunu göstermektedir.

Mevcut literatür, yapay zekânın adli tıp pratiğinde rapor yazımında standardizasyon ve hız kazandırma, görüntü analizinde objektiflik sağlama, risk tahmin modellerinde prediktif gücü artırma, sanal otopsi uygulamalarında veri entegrasyonu sağlama ve yaş tayininde nicel, tekrarlanabilir ölçüm imkânı sunma potansiyeline sahip olduğunu göstermektedir. Bununla birlikte, algoritmaların geniş ve çok merkezli veri setleriyle dış doğrulama çalışmalarına tabi tutulması, etik ve hukuki sorumluluk çerçevesinin netleştirilmesi ve insan denetimli yapay zekâ modellerinin geliştirilmesi gerekmektedir. Yapay zekâ sistemleri, adli tıp uzmanının yerini alan değil; karar destek sağlayan, hata oranını azaltan ve süreci hızlandıran yardımcı araçlar olarak konumlandırılmalıdır.

Kaynakça

1. Aydogan HC, , Yıkar, B., Balandız, H., & Özsoy, S. (2025). Assessing ChatGPT-4’s ability to generate forensic reports: a study of artificial intelligence in forensics. Egyptian Journal of Forensic Sciences , 15 (1), 30.
2. Aydogan HC, Yaşar Teke, H., Sevindik, M., & Öztürk, Z. U. (2026). Inferential performance and temporal stability of large language models in suicide method prediction: A forensic psychiatric analysis. Health Informatics Journal , 32 (1), 14604582251414578.
3. Garland, J., Hu, M., Kesha, K., Glenn, C., Morrow, P., Stables, S., ... & Tse, R. (2021). Identifying gross post‐mortem organ images using a pre‐trained convolutional neural network. Journal of Forensic Sciences , 66 (2), 630-635.
4. Ogawara T, Usui A, Homma N, Funayama M. Diagnosing drowning in postmortem CT images using artificial intelligence. Tohoku J Exp Med. 2023;259(1):65-75.
5. Bergmann T, Klöden M, Dreßler J, et al. Deep learning methods for automatic classification of bloodstains. Künstl Intell. 2022;36:135-141. doi:10.1007/s13218-022-00760-y.
6. Cheng J, Schmidt C, Wilson A, Wang Z, Hao W, Pantanowitz J, et al. Artificial intelligence for human gunshot wound classification. J Pathol Inform. 2024;15:100361.
7. Lyu J, Shi H, Zhang J, Norvilitis J. Prediction model for suicide based on back propagation neural network and multilayer perceptron. Front Neuroinform. 2022;16:961588.
8. O'Sullivan S, Holzinger A, Zatloukal K, Saldiva P, Sajid MI, Wichmann D. Machine learning enhanced virtual autopsy. Autops Case Rep. 2017;7(4):3-7.
9. Pham CV, Lee SJ, Kim SY, Lee S, Kim SH, Kim HS. Age estimation based on 3D post- mortem computed tomography images of mandible and femur using convolutional neural networks. PLoS One. 2021;16(5):e0251388.
10. Li Y, Huang Z, Dong X, et al. Forensic age estimation for pelvic X-ray images using deep learning. Eur Radiol. 2019;29:2322-2329