Göğüs Hastalıkları ve Göğüs Cerrahisinde Yapay Zeka Uygulamaları

1. Yapay Zekanın Göğüs Hastalıklarında Tanı ve Klinik Yönetimdeki Rolü

Son yıllarda yapay zeka (YZ), özellikle makine öğrenmesi (ML) ve derin öğrenme (DL) tabanlı yaklaşımlar sayesinde göğüs hastalıklarının tanı ve yönetim süreçlerinde önemli bir dönüşüm başlatmıştır. Akciğer kanseri, kronik obstrüktif akciğer hastalığı (KOAH), tüberküloz, pnömokonyoz ve interstisyel akciğer hastalıkları gibi yüksek morbidite ve mortaliteye sahip hastalıklarda YZ algoritmaları; erken tanı, risk sınıflaması ve hastalık progresyonunun öngörülmesi açısından klinisyene destek sağlayabileceği ön görülmektedir (1) . Rutin kullanımı konusunda ise öneri yoktur.

Radyolojik görüntüleme, YZ uygulamalarının göğüs hastalıklarında en yoğun kullanıldığı alanların başında gelmektedir. Akciğer grafileri ve toraks BT görüntülerinde geliştirilen derin öğrenme modelleri; küçük pulmoner nodüllerin saptanması, diffüz parankimal hastalık paternlerinin ayrımı ve akciğer kanseri tarama programlarında duyarlılığın artırılması gibi alanlarda radyolog performansına yakın ya da tamamlayıcı sonuçlar ortaya koymuştur (2) . Ülkemizde bazı hastanelerde otomasyona bağlı şekilde destek sunmaya başlamıştır (Görsel 1). Özellikle düşük doz BT ile yapılan akciğer kanseri taramalarında YZ destekli sistemlerin, okuma süresini azalttığı ve klinik olarak anlamlı nodül saptama oranlarını artırdığı bildirilmektedir (3) . Bu sayede YZ’nın sağlıkta insan iş gücünü verimli şekilde kullanmayı artıracağı açıktır.

Buna ek olarak, KOAH gibi kronik hastalıklarda YZ; solunum fonksiyon testleri, görüntüleme verileri, biyobelirteçler ve elektronik sağlık kayıtlarını entegre ederek erken risk tahmini, alevlenme öngörüsü ve kişiselleştirilmiş izlem stratejilerinin geliştirilmesine olanak tanımaktadır. (4) Bu yaklaşım, klasik tek parametreli değerlendirmelerin ötesine geçerek hastalığın bütüncül bir şekilde yönetilmesini hedeflemektedir. Ancak YZ verileri analiz ederek çıktı üretir o yüzden YZ kullanılacakken fizik muayene, anamnez gibi insan tarafından veri girilmesi gerektiği akıldan çıkartılmamalı YZ yardımcı olarak görülmelidir.

2. Göğüs Cerrahisinde Yapay Zeka: Preoperatif Değerlendirme ve Cerrahi Karar Destek Sistemleri

Göğüs cerrahisinde YZ uygulamaları, tanı aşamasından ameliyat sonrası izleme kadar uzanan geniş bir klinik yolak içerisinde değerlendirilmektedir. Özellikle preoperatif dönemde geliştirilen makine öğrenmesi modelleri; akciğer rezeksiyonu planlanan hastalarda postoperatif komplikasyon riski, mortalite ve yoğun bakım gereksinimi gibi kritik sonuçları öngörmede umut verici sonuçlar göstermiştir (5).

Akciğer nodüllerinin benign–malign ayrımında klinik, radyolojik ve patolojik verileri bir araya getiren YZ tabanlı karar destek sistemleri, gereksiz cerrahi girişimlerin azaltılmasına katkı sağlayabilecek potansiyele sahiptir. Bu sistemler, cerrahın klinik deneyimini ikame etmekten ziyade, karar verme sürecini nicel verilerle destekleyen tamamlayıcı araçlar olarak konumlandırılmaktadır (5).

Ayrıca robotik cerrahi alanında pekiştirmeli öğrenme (reinforcement learning) temelli algoritmaların kullanımı, cerrahi hareketlerin optimizasyonu ve simülasyon tabanlı eğitim modellerinin geliştirilmesine olanak tanımaktadır. Henüz rutin klinik uygulamaya tam olarak entegre olmamakla birlikte, bu yaklaşımlar gelecekte cerrahi hassasiyetin ve hasta güvenliğinin artırılmasında önemli rol oynayabilir (6).

3. Etik, Yasal ve Klinik Sınırlılıklar

Yapay zekanın göğüs hastalıkları ve cerrahisindeki hızlı gelişimine rağmen, bu teknolojilerin klinik pratiğe entegrasyonunda önemli sınırlılıklar bulunmaktadır. En temel sorunlardan biri, YZ modellerinin büyük ve yüksek kaliteli veri setlerine olan bağımlılığıdır. Veri heterojenliği, etnik ve demografik farklılıkların yeterince temsil edilmemesi, model genellenebilirliğini sınırlayan faktörler arasında yer almaktadır (1).

Bunun yanı sıra, “kara kutu” problemi olarak tanımlanan model yorumlanabilirliği eksikliği, özellikle cerrahi gibi yüksek riskli alanlarda klinisyenlerin YZ çıktılarının güvenilirliğini sorgulamasına yol açmaktadır. Avrupa Birliği başta olmak üzere birçok bölgede YZ destekli tıbbi cihazların yasal sorumluluğu, veri güvenliği ve hasta mahremiyeti konuları halen tartışma konusudur (5).

Dolayısıyla YZ uygulamalarının yaygın klinik kullanımı için; prospektif, çok merkezli çalışmalarla etkinliğinin gösterilmesi, şeffaf algoritma tasarımları ve klinisyen–YZ etkileşimini merkeze alan düzenleyici çerçevelerin oluşturulması gerekmektedir.

4. Sonuç ve Gelecek Perspektifi

Yapay zeka, göğüs hastalıkları ve göğüs cerrahisi alanında tanı doğruluğunu artıran, klinik karar verme süreçlerini destekleyen ve hasta yönetimini daha kişiselleştirilmiş hale getiren güçlü bir araç olarak öne çıkmaktadır. Mevcut veriler, YZ’nin özellikle radyolojik görüntüleme, risk öngörüsü ve cerrahi planlama alanlarında belirgin katkılar sunduğunu göstermektedir. Bununla birlikte, bu teknolojilerin klinik pratiğe güvenli ve etkin şekilde entegrasyonu için metodolojik, etik ve yasal sorunların çözülmesi kritik önem taşımaktadır. Gelecekte, çok modlu veri entegrasyonu ve açıklanabilir yapay zeka yaklaşımlarının gelişmesiyle birlikte, YZ’nin göğüs hastalıkları ve cerrahisindeki rolünün daha da belirginleşmesi beklenmektedir (3) .

Kaynakça

1. Hussain A, Marlowe S, Ali M, Uy E, Bhopalwala H, Gullapalli D, et al. A Systematic Review of Artificial Intelligence Applications in the Management of Lung Disorders. Cureus. 2024;16(1):e51581.
2. Mostafa FA, Elrefaei LA, Fouda MM, Hossam A. A survey on AI techniques for thoracic diseases diagnosis using medical images. Diagnostics. 2022;12(12):3034.
3. Hwang EJ, Goo JM, Park CM. AI applications for thoracic imaging: considerations for best practice. Radiology. 2025;314(2):e240650.
4. Wang M, Li L, Feng M, Liu Z. Advances in artificial intelligence applications for the management of chronic obstructive pulmonary disease. Frontiers in Medicine. 2025;12.
5. Etienne H, Hamdi S, Le Roux M, Camuset J, Khalife-Hocquemiller T, Giol M, et al. Artificial intelligence in thoracic surgery: past, present, perspective and limits. European Respiratory Review. 2020;29(157).
6. Bellini V, Valente M, Del Rio P, Bignami E. Artificial intelligence in thoracic surgery: a narrative review. Journal of Thoracic Disease. 2021;13(12):6963.

Görsel 1. Kayseri Şehir Hastanesi veri tabanından ilgili hastadan onam alınarak kullanılan bu görüntüde akciğer grafisinin YZ yorumu klinisyenlere yorum olarak sunulmaktadır.