Radyasyon Onkolojisinde Yapay Zeka Uygulamaları

Özet

Bu çalışma, radyasyon onkolojisinde yapay zekanın (YZ); teşhis, segmentasyon ve gerçek zamanlı tedavi adaptasyonu üzerindeki dönüştürücü etkisini teknik ve etik boyutlarıyla analiz etmektedir. Siemens Healthineers AI-Rad Companion ve Varian Ethos gibi platformlar, derin öğrenme algoritmalarıyla riskli organ konturlama süreçlerinde %95’i aşan klinik onay oranlarına ulaşmıştır. Ethos sistemi, bu başarıyı sadece çizimle sınırlamaz; sahip olduğu "Akıllı Optimizasyon Motoru" ile en karmaşık doz planlamalarını saniyeler içinde otomatikleştirerek hatasız bir iş akışı sunar. Benzer şekilde, Accuray Synchrony ve Elekta Unity, gerçek zamanlı regresyon modelleriyle tümör hareketini milimetrik hassasiyette senkronize etmektedir. RaySearch'ün ML tabanlı prediktif doz modelleri ve TheraPanacea’nın tam otomatize çizim başarıları, iş akışlarını standardize ederek "hassas onkoloji" hedefini güçlendirmektedir.

Ancak bu algoritmik ilerleme, beraberinde kritik etik, güvenlik ve yönetişim zorluklarını getirmektedir. Büyük dil modellerindeki (LLM) halüsinasyon riski ve klinik kılavuzlardan sapmalar, RAG gibi doğrulama mekanizmalarını zorunlu kılmaktadır. Veri gizliliği, bilgilendirilmiş onamın karmaşıklaşması ve algoritmalardaki sistematik yanlılıklar, YZ'nin şeffaflık ve yorumlanabilirlik ihtiyacını ön plana çıkarmaktadır. Özellikle hekimlerin modele duyduğu aşırı güven, hukuki sorumluluk ve hesap verebilirlik düzlemini belirsizleştirmektedir.

1. Giriş

Üretken yapay zeka, kullanıcı komutlarını temel alarak metin, resim ve çeşitli dijital içerikler oluşturma kabiliyetine sahip, çığır açan bir teknolojik gelişmedir. Kasım 2022'de ChatGPT'nin piyasaya sürülmesi, üretken yapay zeka alanında bir dönüm noktası oldu. İnsan benzeri diyaloglar kurabilen bu sistem, büyük miktarda veriyi işleyerek yeni içerikler oluşturan çok katmanlı sinir ağları, yani "büyük dil modelleri" (LLM) üzerinden çalışmaktadır. Bu teknolojik aile; Google Gemini, Microsoft Bing ve GitHub Copilot gibi platformları da kapsayan ve "temel model" olarak literatüre geçen devasa yapay zeka yapılarının bir parçasıdır (1).

Sağlıkta yapay zeka ise, sunduğu yenilikçi çözümlerle hem klinik süreçleri iyileştirmekte hem de hasta sonuçlarında gözle görülür bir fark yaratmaktadır. Sadece veriyi analiz etmekle kalmayıp, yeni tıbbi içerikler ve görsel veriler üretebilen bu sistemler, hastalıkların teşhis edilme biçimini modernize ederek, daha etkin bakım stratejileri ve genişletilmiş tedavi seçenekleri sunma yolunda emin adımlarla ilerlemektedir (2). Aynı zamanda, yapay zeka tabanlı sanal asistanlar kullanarak hasta bakım süreçlerini kişiselleştirmekte ve bu alandaki geleneksel işleyişi kökten değiştirme potansiyeli sergilemektedir (3).

Kanser, dünya genelinde ölüm oranlarının en yüksek olduğu sağlık sorunlarından biri olmaya devam ederken, bu alandaki tıbbi araştırmalar ve tedavi yöntemleri için yenilikçi çözüm arayışlarını zorunlu kılmaktadır. Tam da bu noktada yapay zeka, teşhis süreçlerinden tedavi planlamasına ve hasta yönetimine kadar onkolojinin her aşamasında devrim yaratma potansiyeline sahip stratejik bir güç olarak belirmektedir (4).

Kanser, günümüzde yıllık 20 milyon vaka ve 10 milyon ölümle küresel sağlığı tehdit etmeyi sürdürmektedir. Mevcut yaygın türlerin (akciğer, meme, kolorektal vb.) etkisiyle, 2050 yılında vaka sayısının 35 milyona yükselmesi beklenmektedir. Kanser ölümlerinin %70'i düşük ve orta gelirli ülkelerde yoğunlaşırken, ölüm oranlarının 2050 yılına kadar yüksek gelirli ülkelere kıyasla üç kat daha fazla artacağı öngörülmektedir (5). Dünya genelinde kanserle mücadelede başarıyı artırmak için, erken tanı ve doğru teşhisin kişiye özel tedavi stratejileriyle birleştirilmesi kritik bir öneme sahiptir (6). Makine öğrenmesi (ML), veri setlerinden otonom bir şekilde öğrenme yeteneği sunarken; derin öğrenme (DL), çok katmanlı sinir ağlarını kullanarak verilerdeki karmaşık örüntüleri gelişmiş soyutlama düzeylerinde tanımlar (7-8).

2. Sağlık Bilimlerinde Yapay Zeka Uygulamaları

Yapay zekanın temel paradigmalarından biri olan üretken modelleme, metodolojik açıdan tahmine dayalı (ayrımcı) modelleme ile belirgin bir zıtlık sergiler. Tahmine dayalı yaklaşımlar, veriyi bir girdiden hareketle yalnızca ilgili etiketi öngörmeye odaklanırken; üretken modeller verinin yapısal dağılımını doğrudan modellemeyi amaçlar. Örneğin, bir klinik notun kanser varlığına dair sınıflandırılması tahmine dayalı bir süreçken, üretken bir yaklaşım metnin dilsel dağılımını çözümleyerek yeni veri türetme yetisine odaklanır. Üretken modellerin veri dağılımının tamamını kapsayacak şekilde eğitilmesi, onlara sentetik veri üretimi noktasında stratejik bir kabiliyet kazandırmaktadır (9).

Görüntü modelleme alanında difüzyon modelleri, son dönemde baskın yöntem haline gelerek üretken çekişmeli ağların (GAN) başarısını geride bırakmıştır (10). Wornow ve ark., EMR verileri üzerinde eğitilen 84 farklı modeli inceleyerek bu alandaki en büyük sistematik değerlendirmeyi sunmuşlardır (11). Çalışmada, sağlık alanındaki temel modelleri; klinik metin işleyen dil modelleri ve hasta verilerinden dijital bir temsil (dijital ikiz) üreten EMR modelleri olarak ikiye ayırırlar. Bu modellerin tahmin doğruluğunu artırdığını kanıtlayan çalışma, aynı zamanda mevcut klinik sınırlamaların da altını çizmektedir (12). Üretken modellerin tıbbi görüntülemedeki başarısından yararlanan Sui vd. (2021), akciğer kanserinde radyolojik görüntüler ile genetik ifade profillerini eşleştiren derin öğrenme temelli bir radyogenomik model sunmuştur (13)

Onkolojide destek vektör makineleri ve rastgele orman gibi denetimli ML yöntemleri; veri kalıplarını analiz ederek tümör sınıflandırması ve prognoz tahmini için kullanılır (14). Radyolojide tümör tespiti için evrişimsel sinir ağları gibi derin öğrenme yöntemlerinden yararlanılırken (15) kanser patoloji raporlarından klinik bilgi çıkarımı yapılan doğal dil işleme uygulamalarında ise sıralı verileri analiz eden tekrarlayan sinir ağları yaygın olarak kullanılmaktadır (16).

2.1. Kanser Teşhisinde Yapay Zeka Uygulamaları

Makine öğrenimi yöntemleri, yapılandırılmamış hasta dokümanlarından klinik bağlamda kritik verilerin sistematik olarak ayrıştırılmasında etkin bir çözüm yolu sunmaktadır. Estevez ve ark. (17), patoloji raporları gibi yapılandırılmamış gerçek dünya verilerinin manuel yöntemlerle işlenmesindeki maliyet ve uygulama güçlüklerini incelemiştir. Yapılan çalışma, klinik verilerin insan eliyle ayıklanmasının yarattığı operasyonel kısıtlamaları mercek altına alarak bu sürecin verimlilik sorunlarını tartışmaktadır.

Wong ve arkadaşlarının yapmış olduğu çalışma, gastrointestinal kanserlerin yapay zeka ile tespiti ve sınıflandırılmasına yönelik algoritmaları kapsamlı bir biçimde ele almaktadır. Araştırma; patoloji laboratuvarlarındaki görüntü ön işleme kısıtlarını, mevcut YZ yöntemlerinin operasyonel sınırlarını ve bu teknolojilerin erken teşhisteki klinik potansiyelini bütüncül bir perspektifle ortaya koymaktadır (18).

Yapılan bir incelemede, hastalık yükünü azaltmada kritik öneme sahip olan tarama süreçlerinin iyileştirilmesinde makine öğreniminin (ML) rolü tartışılmıştır. Benning ve ark. (19), ML yaklaşımlarının teorik altyapısını ve erken teşhisteki uygulama potansiyellerini detaylandırırken; bu teknolojilerin klinik pratiğe güvenli entegrasyonu için net bir düzenleyici çerçeveye ihtiyaç duyulduğunu vurgulamaktadır.

2.2. Onkolojide Derin Öğrenme ve Yapay Zeka

Onkolojide, hem klinik iş akışlarını hem de hasta bakım kalitesini artıracak araçlara duyulan ihtiyaç kritiktir. Sağlık hizmetleri gibi hayati karar mekanizmalarında; şeffaflık ve güvenilirlik, hekim ve hasta güvenini tesis etmenin temel şartıdır. Bu doğrultuda bilim camiası, yapay zeka algoritmalarının tıbbi uygulama standartlarına ve yüksek güvenlik gereksinimlerine uygunluğunu titizlikle incelemekle yükümlüdür (19).

Günümüzde Varian (Siemens Healthineers), Elekta ve Accuray gibi sektör liderleri, YZ'yi doğrudan cihaz donanımlarına ve klinik iş akışlarına entegre ederek tedavi standartlarını yeniden tanımlamaktadır.

Son on yılda radyoterapi yöntemleri, 3B uygulamalardan hacimsel ayarlı tekniklere evrilerek tümör dokusuna odaklanan ve çevre organları koruyan çok daha hassas bir yapıya kavuşmuştur. Tedavi hassasiyetini artırmak amacıyla sürece dahil edilen Görüntü Kılavuzluğunda Radyoterapi (IGRT) kapsamında, modern cihazlara entegre CBCT sistemleri yaygın bir standart haline gelmiştir. Bu bağlamda Elekta’nın XVI sistemi gibi donanımlarla yapılan hacimsel taramalarda, hasta vücudunun maruz kaldığı ortalama doz miktarı 0.1 ile 3.5 cGy arasında değişkenlik göstermektedir. Son dönemde tıbbi görüntüleme teknolojilerinde görsel kaliteyi maksimize etmek amacıyla çeşitli derin öğrenme modelleri geliştirilmiştir. Bu alandaki iyileştirmelerde özellikle Evrişimli Sinir Ağları (CNN) ve Çekişmeli Üretici Ağlar (GAN), görüntü netliğini ve detay başarısını artıran temel mimariler olarak ön plana çıkmaktadır (20).

Modern radyoterapide hassasiyeti artıran CBCT (Cone-Beam Computed Tomography), standart FBCT (Fan-Beam Computed Tomography) çekimlerine göre gürültü ve saçılma nedeniyle daha düşük kaliteli görüntüler üretir. Bu sorunu çözmek için geliştirilen hibrit Cycle-Deblur GAN modeli, 9856 görüntü çiftiyle eğitilerek görüntü netliğini artırmıştır. MAE (Mean Absolute Error), PSNR (Peak Signal-to-Noise Ratio) ve SSIM (Structural Similarity Index) gibi ölçümlerle yapılan değerlendirmeler; bu modelin göğüs bölgesindeki dokularda CycleGAN ve RED-CNN (Residual Encoder-Decoder CNN) yöntemlerinden daha başarılı sonuçlar verdiğini ve yapısal detayları aslına uygun koruduğunu göstermiştir. (20).

2.3. Radyasyon Onkolojisinde Yapay Zekanın Mevcut Durumu

Hedef ve normal doku segmentasyonu (Image Segmentation), ters planlama (Inverse Planning), doz optimizasyonu (Dose Optimization), karar destek sistemleri (Decision Support) ve kalite güvencesi (Quality Assurance) gibi süreçler, güncel radyoterapide yapay zekânın odaklandığı temel alanlardır. Bu disipline özel konferansların artmasıyla birlikte, akademik ve ticari platformlarda (örneğin Google DeepMind, Siris Medical QuickMatch, Mirada DLCExpert ve Oncora Medical Precision Radiation Oncology Platform gibi) geliştirilen uygulamalara olan ilgi de hızla büyümektedir (21).

Buna karşın, makine öğrenimi (Machine Learning) yöntemlerinin vaat ettiği potansiyel ve bu teknolojiden beklentiler ile mevcut teknik kabiliyetler ve kısıtlamalar arasında belirgin bir boşluk bulunmaktadır (22).

Modern radyoterapi, devasa veri setlerinin ve kompleks biyofiziksel hesaplamaların yönetildiği bir disiplindir. Yapay zeka (YZ) ve derin öğrenme algoritmaları; veri madenciliği, görüntü segmentasyonu ve tedavi adaptasyonu gibi süreçlerde insan hatasını minimize ederek "kişiselleştirilmiş hassas onkoloji" hedefini gerçeğe dönüştürmektedir (23).

2.3.1. Siememens Healtineers AI-Rad ve Varian Medical Systems (Ethos Therapy)

Radyasyon onkolojisinde Risk Altındaki Organların (OAR) manuel konturlanması, personel üzerinde yoğun iş yükü yaratan, gözlemciler arası değişkenliğe açık ve zaman alıcı bir süreçtir. AI-Rad Companion Organs RT, bu operasyonel güçlükleri aşmak için derin öğrenme algoritmalarıyla entegre, bulut tabanlı bir otomatik konturlama çözümü sunar (24).

Klinik Değerlendirme Metodolojisi Fransa’daki CCGM onkoloji merkezinde yürütülen 5 aylık çalışmada, sistemin performansı; Baş-Boyun, Toraks, Abdomen ve Pelvis bölgelerinden oluşan bir veri seti ($N=55$) üzerinden analiz edilmiştir. Hekim ve tıbbi fizikçi, çıktıları 4 puanlık ölçekle değerlendirmiş; manuel süreler ile yapay zeka süreleri kıyaslanmıştır (25).

Otomatik konturların %77'si hiçbir düzeltme gerektirmeden doğrudan klinik kullanıma uygun bulunmuş (4 puan); %95'i ise en fazla küçük düzeltmelerle onaylanmıştır (3-4 puan). Bölgesel Performans: Toraks ve Pelvis (erkek/kadın) bölgelerinde %95'in üzerinde başarı oranı yakalanmıştır. Hata Payı: Tamamen yeniden çizim gerektiren (1 puan) vaka oranı sadece %7-8 ile sınırlı kalmıştır. Stratejik kazanım olarak sistem, iş akışını standardize ederek manuel iş yükünü azaltmış ve verilerin Tedavi Planlama Sistemine (TPS) doğrudan aktarımıyla (DICOM RTStruct) operasyonel verimliliği artırmıştır (25).

Radyoterapide uyarlanabilir tedavi; tümördeki ve anatomik yapıdaki değişimlere bağlı olarak radyoterapi planını anlık güncelleme yeteneğidir. Buradaki temel amaç, sağlıklı dokuyu koruyarak tedavi sonuçlarını iyileştirmektir. Ancak klasik yöntemlerde bu süreç; ya seans aralarında zaman alan yeniden planlamalar ya da hastanın masada bekletildiği verimsiz işleyişler nedeniyle oldukça zordur. Özellikle hedef yapıların her seans öncesi manuel belirlenmesi, ciddi bir zaman kaybı yaratırken plan kalitesini tamamen uygulayıcının kişisel becerisine bağımlı hale getirir.

Ethos sistemi, bu zorlukları aşmak için klinisyenin bilişsel yükünü hafifleten ve süreci öngörülebilir karar noktalarına indirgeyen bir iş akışı sunar. Günlük değişimleri hatasız yakalamak için devreye giren evrimsel sinir ağları, kV-CBCT görüntülerinde hedefi etkileyen kritik komşu organları otomatik olarak konturlar. Özellikle "Akıllı Optimizasyon Motoru" sayesinde planlama süreci o kadar otomatikleşmiştir ki; sistem klinik beklentileri karşılayan doğru doz dağılımını saniyeler içinde hazırlar. Bu teknolojik entegrasyon, %95’i aşan klinik onay oranlarıyla iş akışlarını standardize ederek "hassas onkoloji" hedefini güçlendirir. (26)

2.3.2. Elekta Unity MR-Linac Hareket Yönetimi ve Sistem Entegrasyonu

MR-Rehberliğinde Hassasiyet ve Akıllı İş Akışları BT tabanlı adaptasyona karşılık Elekta, Unity MR-Linac ile yüksek alanlı (1.5T) MR görüntülemeyi tedavi anına taşıyarak yumuşak doku kontrastında üstünlük sağlamaktadır Bu çalışma, 1.5T Elekta Unity MR-Linac sisteminde Anatomik Pozisyon İzleme (APM) ve gerçek zamanlı radyasyon ışını kontrolü süreçlerinin klinik devreye alınma parametrelerini ve performansını ortaya koymaktadır.

Dinamik 4D hareket fantomları ve düzensiz solunum paternleri üzerinde yapılan testlerde; sistemin hedef konumunu 1.5 mm hata payı içerisinde %95 doğrulukla tahmin ettiği ve maksimum sapmanın 2 mm'yi geçmediği kanıtlanmıştır (27).

2.3.3. RayStation: Makine Öğrenimi Otomatik Tedavi Planlaması

RaySearch, radyoterapi planlama süreçlerine (TPS) makine öğrenimi (ML) tabanlı prediktif modelleri entegre eden öncü kuruluştur. RayStation sistemi, bilgi tabanlı radyoterapi (KBRT) prensiplerini kullanarak geçmiş tedavi verilerinden öğrenilen doz-hacim histogramlarını (DVH) yeni hasta anatomilerine yansıtır. Bu sayede, saniyeler içinde kişiselleştirilmiş 3D doz öngörüleri oluşturulabilmektedir.

Yapay zeka destekli bu otomasyonun, manuel planlama süreçlerindeki operatör bağımlı değişkenliği (inter-observer variability) ortadan kaldırdığı ve planlama süresinde %70 oranında bir verimlilik artışı sağladığını klinik olarak kanıtladığını belirtmiştir (28).

2.3.4. Accuray Synchrony: (CyberKnife/Radixact)

Gerçek Zamanlı Adaptif Teknoloji: Accuray'in Synchrony teknolojisi, solunum gibi istemsiz hareketlere maruz kalan tümörleri (akciğer, prostat, karaciğer) tedavi sırasında yapay zeka ve makine öğrenimi algoritmalarıyla takip eder. Bu sistem, harici sensörlerden gelen solunum verileri ile dahili tümör konumunu (X-ışını görüntüleri) ilişkilendiren dinamik bir "hasta modeli" oluşturur. Synchrony, ışın demetini tümörün hareketiyle eş zamanlı olarak kaydırır. Bu sayede, tümörün hareket edeceği varsayılan geniş emniyet paylarına (ITV/PTV marjları) gerek kalmaz. Klinik veriler, bu hassasiyetin sağlıklı doku dozunu %20-%30 oranında azalttığını ve özellikle akciğer vakalarında radyasyon pnömonisi riskini düşürdüğünü göstermektedir (29).

2.3.5. TheraPanacea (ART-Plan)

Fransız menşeli bu firma tarafından geliştirilen ART-Plan, radyoterapide yapay zekayı (YZ) kullanarak organ sınırlandırma (konturlama) sürecini tam otomatize eden öncü bir platformdur. Sistem, derin öğrenme mimarisi sayesinde 100’den fazla organı anatomik hassasiyetle tanımlayarak radyasyon onkolojisi iş akışlarını standardize etmektedir.

Baş-boyun kanserlerinde YZ ile yapılan otomatik çizimlerin uzman hekimler tarafından %100'e yakın bir oranda klinik olarak kabul edilebilir bulunduğu saptanmıştır (30).

3. Etik, Güvenlik VE Yönetişim

Doğal dil işleme ve makine öğrenimi alanındaki kayda değer ilerlemeler, veri madenciliği süreçleri için etkin alternatifler üretmektedir. Bununla birlikte, geliştirilen bu yöntemlerin farklı veri setleri üzerindeki geçerlilik ve genellenebilirlik düzeyleri, uygulama aşamasında temel kısıtlamalar ve metodolojik zorluklar yaratmaya devam etmektedir (31).

Üretken yapay zeka arayüzleri henüz gelişim aşamasındadır ve bu sistemlerin klinik karar destek süreçlerine etkisi halen keşfedilmeye muhtaçtır. Nitekim, söz konusu arayüzlerin operasyonel risklerine dair somut veriler şimdiden literatüre yansımıştır. Örneğin Hager ve ark. yaptıkları değerlendirmede büyük dil modellerinin (LLM) gerçek hasta vakalarında tanısal kılavuzlara uyum sağlama oranının %36 düzeyinde bir sapma gösterdiğini ortaya koymuştur (32).

Yapay zekanın sağlık hizmetlerindeki potansiyelinden tam kapasiteyle yararlanılabilmesi, bir dizi operasyonel ve teknik kısıtlamanın aşılmasına bağlıdır. Aşağıda, üretken arayüzler ve sağlık hizmetleri arasındaki zorluklar ele alınmıştır.

3.1. Bilgilendirilmiş Onamın Sağlanması

Tıbbi etiğin temel direklerinden biri olan bilgilendirilmiş onam; hastanın, uygulanacak tıbbi işlemin riskleri, faydaları ve alternatifleri konusunda eksiksiz bilgilendirilmesini zorunlu kılar. Ancak yapay zeka modellerinin klinik süreçlere entegrasyonu, bilgilendirilmiş onamın standart uygulama biçimlerine dair günümüzde aktif olarak tartışılan yeni ve karmaşık zorluklar doğurmaktadır (33,34).

3.2. Gizlilik ve Güvenliğin Korunması

Tıbbi verilerin barındırdığı yüksek hassasiyet ve mevcut yasal düzenlemeler ışığında, üretken modellerin klinik alandaki kullanımı ciddi gizlilik ve güvenlik kısıtlamalarını beraberinde getirmektedir (35). Üretken modellerin optimum performansı için gereken çok merkezli eğitim süreçleri, kurumlar arası veri paylaşımında gizliliğin korunması noktasında kritik bir sorunsal doğurmaktadır. Araştırmacılar için anonimleştirilmiş geniş veri setlerinin oluşturulması, üretken model çalışmalarını hızlandıracak kritik bir katalizördür; bu süreç, kurumların ve politika yapıcıların stratejik desteğini zorunlu kılmaktadır (36,37).

3.3. Şeffaflığın ve Yorumlanabilirliğin İyileştirilmesi

İlk temel zorluk şeffaflık eksikliğidir. Üretken modellerin eğitim verileri, yöntemleri, mimarisi, yetenekleri, kısıtlamaları ve barındırdığı riskler gibi kritik ayrıntılar genellikle kamuoyuyla paylaşılmamaktadır. 2023 yılında yapılan bir inceleme, popüler modellerin şeffaflık puanının 100 üzerinden yalnızca 37 olduğunu ortaya koymuştur (38). Ancak Mayıs 2024’te bu ortalamanın 58’e yükselmesi, şeffaflığın artırılabileceğini ve sistematik denetimlerin bu gelişimdeki kritik rolünü kanıtlamaktadır (39). Bir diğer kritik zorluk yorumlanabilirliktir. Modelin tüm ayrıntıları açıklansa dahi, belirli bir çıktıyı neden ürettiğini anlamak son derece güçtür. Bu mekanizma çözülmeden, modele ne zaman güvenileceğini veya sistemin nerede hata yapacağını öngörmek imkansızdır. Örneğin; sağlık modellerinin tahmin yürütürken yanıltıcı verilere dayandığı bilinmektedir; hangi özelliklerin kullanıldığı netleşmedikçe bu tür hata türlerini tespit etmek mümkün değildir (40).

3.4. Halüsinasyonların Azaltılması

Güncel çalışmalar, üretken modellerin hatalı veya halüsinasyon ürünü (hayali) tıbbi veriler üretebildiğini ortaya koymaktadır. Klinik karar süreçleri gibi yüksek riskli ortamlarda, bu tür gerçeğe aykırı çıktılar hayati tehlike arz edebilecek sonuçlar doğurma potansiyeline sahiptir (41-42). Üretken modellerdeki halüsinasyon riskini minimize etmeye yönelik en vaat edici yaklaşımlardan biri, Veri Erişimiyle Güçlendirilmiş Üretim (RAG) yöntemidir. RAG; geleneksel bilgi erişim yöntemlerini üretken modellerle entegre ederek, modelin çıktılarını doğrulanmış bir bilgi tabanı üzerinden yapılandırır. Bu metodolojinin, büyük dil modellerindeki (LLM) halüsinasyon oranını düşürdüğü ve bilgi kaynaklarını şeffaflaştırarak kullanıcıların sistem güvenilirliğini denetleme kapasitesini artırdığı kanıtlanmıştır (43).

Buna karşın henüz tam olarak çözümlenmemiş ciddi kullanılabilirlik sorunlarını ve metodolojik zorlukları da beraberinde getirmektedir. Kapsamlı çalışmalar, üretken yapay zeka platformlarından doğru ve işlevsel çıktılar almayı sağlayacak 'istem' (prompt) tasarlamanın, son kullanıcılar için ciddi bir bariyer teşkil ettiğini doğrulamaktadır (44).

3.5. Kullanılabilir Arayüzler Tasarlama

Üretken yapay zeka ile etkileşim süreci; kullanıcıların kesin komutlar tanımlamak yerine doğrudan niyetlerini (örneğin; semptom, tedavi ve yönetim stratejilerini içeren bir melanom özeti oluşturma) bildirebildikleri bir yapıya evrilmiştir. Bu 'niyet odaklı' yaklaşım, etkileşim maliyetini düşürerek verimliliği artırmakta ve yeni sağlık müdahalelerinin tasarımı ile geliştirilmesinde inovatif bir metodoloji sunmaktadır (9).

3.6. Eşitsizliklerin Ortadan Kaldırılması

Literatür, tıbbi veri setlerindeki yanlılıkların yapay zeka modellerine transfer olduğunu kapsamlı şekilde belgelemiştir (45). Dolayısıyla, üretken modellerin klinik kullanımda hakkaniyet ve eşitlik temelli ciddi riskler barındırması beklenen bir sonuçtur (46). İlk temel zorluk, üretilen metinlerdeki klinik ön kabulleri ve sistematik yanlılıkları minimize etmektir. Tıpkı klinisyenlerde görülebildiği gibi, büyük dil modellerinin de (LLM) yerleşik algı kalıplarını yeniden ürettiği saptanmıştır. Örneğin; GPT-4, sarkoidoz vakalarını kurgularken %97 oranında Siyah hastaları seçmiş ve gerçek popülasyondaki dağılımı temsiliyet açısından çarpıtarak verideki eğilimi olduğundan fazla göstermiştir (47,48). Bu yerleşik önyargılar nedeniyle, hastalar demografik verilerini paylaştığında modellerin ırk veya cinsiyet gibi faktörleri sonuca aşırı yansıtma riski doğmaktadır. Benzer şekilde, tıp eğitimi için kurgulanan vakalarda demografik korelasyonların aşırı vurgulanması, eğitim alanların klinik muhakemesini yanlış yönlendirebilir (49).

Bu sorunların, daha hassas prompt yapıları ve sıkı içerik denetimiyle hafifletilmesi mümkündür. İkinci temel zorluk, hastaların üretken yapay zeka arayüzlerine yönelik farkındalık düzeyleri ve bu teknolojileri kullanma eğilimlerindeki eşitsizliklerdir. Dahası, bu modeller teknoloji okuryazarlığı yüksek kullanıcılar için çok daha erişilebilirdir (50). Bu riski minimize etmek için, arayüz okuryazarlığını etkileyen temel faktörlerin analiz edilmesi ve bu teknolojilerin toplumun her kesimi için geniş çapta erişilebilir kılınması zorunludur (51).

3.8. Sorumluluğun Açıklığa Kavuşturulması

Hesap verebilirlik, 'aşırı güven' (over-reliance) olgusuyla karmaşık bir yapıya bürünmektedir. Sağlık çalışanlarının kararlar için modele, geliştiricilerin ise denetim için çalışana eş zamanlı güvenmesi, sorumluluk düzleminin belirsizleşmesine yol açar. Bu durum, hekimlerin bağımsız karar yetisini zayıflatırken sistem hatalarını tespit etmelerini de güçleştirmektedir (52).

Üretken yapay zekanın sağlıkta kullanımı; olası zararlar ve yasal düzenlemeler konusundaki sorumluluk paydaşlarını belirsizleştirmektedir. Yapay zeka hatalarının kaçınılmazlığına rağmen, sorumluluğun uygulayıcı hekim, sistem geliştiricisi veya ilgili kurum arasındaki dağılımı henüz netlik kazanmamıştır (53).

Politika yapıcılar; eğitim veri setleri, model mimarileri, kısıtlamalar ve yanlılıklar gibi kritik detayların paylaşılmasını zorunlu tutarak geliştirme süreçlerinde şeffaflığı artırabilirler. Ayrıca, genellikle raporlanmayan olumsuz sonuçların beyan edilmesini teşvik etmek, modellerin hesap verebilirliğini güçlendirecektir.

4. Tartışma ve Sonuçlar

Onkoloji disiplininde yapay zeka; malignitelerin saptanması ve teşhis süreçlerinden, kişiye özel tedavi protokollerinin belirlenmesine ve hastaların sağkalım projeksiyonlarının öngörülmesine kadar geniş bir yelpazede klinik karar destek mekanizması olarak kullanılmaktadır.

Osman, R. ve Arslan, H. (2025) çalışmalarında 2020-2024 yılları arasında Türkiye merkezli onkoloji araştırmalarını inceleyerek, yapay zeka uygulamalarının mevcut durumunu ve kısıtlılıklarını ortaya koymaktadır. Analiz edilen 41 çalışmanın tamamının retrospektif karakterde olduğu, çoğunlukla teşhis odaklı ilerlediği ve yerel, dar kapsamlı veri setlerine dayandığı saptanmıştır. Bulgular, modellerin teknik başarısına rağmen klinik entegrasyonun yetersiz kaldığını göstermekte; bu durumun aşılması için "klinisyen- denetimli" hibrit yaklaşımların geliştirilmesi ve ulusal düzeyde standardize bir onkoloji veri havuzunun oluşturulması gerektiğini vurgulamaktadır (54). Xu ve arkadaşları tarafından 158 çalışmanın incelendiği kapsamlı analizde, yapay zekanın sekiz ana kanser türünde non-invaziv teşhis performansı değerlendirilmiştir. Merkezi sinir sistemi kanserlerinde doğruluk oranlarının %48 ile %100 arasında değişen yüksek bir heterojenlik sergilediği, diğer sistemlerde ise benzer tanısal başarıların elde edildiği saptanmıştır. Sonuç olarak bulgular, yapay zekanın onkolojik tanıda yüksek potansiyel taşıdığını ancak model başarısının standart veri ve yöntemlere duyduğu ihtiyacı vurgulamaktadır (55).

Yapay zeka, tümör tanısında sunduğu devrimsel potansiyeli somut klinik kazanımlara ve iyileştirilmiş hasta sonuçlarına dönüştürebilmek için mevcut teknik bariyerlerin aşılmasına ihtiyaç duymaktadır. Bu dönüşümün başarısı; klinisyenlerin, araştırmacıların ve politika yapıcıların multidisipliner bir iş birliği içerisinde hareket etmesine bağlıdır.

Radyasyon onkolojisi, yapay zekanın (YZ) teorik bir vaatten çıkıp küresel teknoloji liderlerinin entegrasyonlarıyla doğrudan klinik pratiğe dönüştüğü bir disiplin haline gelmiştir. Bu çalışma; Siemens Healthineers (AI-Rad Companion) sisteminin OAR segmentasyonunda %95 oranında klinik onay alarak operasyonel verimliliği standartlaştırdığını, Varian Ethos platformunun ise adaptif iş akışlarını hekim denetimine açarak tedavi sürelerini optimize ettiğini ortaya koymaktadır. Hareket yönetimi alanında, Accuray Synchrony teknolojisinin sağlıklı doku dozunu %20-30 oranında azalttığı, Elekta Unity sisteminin ise Anatomik Pozisyon İzleme (APM) ile tümör konumunu 1.5 mm hata payı içerisinde doğruladığı saptanmıştır. Ayrıca, RaySearch'ün makine öğrenimi tabanlı planlama modelleriyle %70 zaman tasarrufu sağladığı, TheraPanacea’nın ise karmaşık anatomilerde %100'e yakın doğrulukla otomatik çizim gerçekleştirdiği görülmektedir.

Ancak bu teknolojik yetkinlik; veri gizliliği, algoritmik şeffaflık ve hekimlerin kararlarında modele duyduğu aşırı güven gibi kritik etik bariyerleri de beraberinde getirmektedir. Büyük dil modellerindeki halüsinasyon riski ve modellerin genellenebilirliği konusundaki kısıtlamalar, yapay zekanın tamamen otonom bir yapıdan ziyade, uzman-denetimli (clinician-in-the-loop) bir karar destek mekanizması olarak konumlandırılması gerektiğini kanıtlamaktadır.

Sonuç olarak, YZ’nin onkolojideki muazzam potansiyelinin iyileştirilmiş hasta sağkalımına dönüşmesi; yalnızca algoritmik başarıyla değil, araştırmacıların, sağlık uygulayıcılarının ve politika yapıcıların multidisipliner bir etik yönetişim çerçevesinde buluşmasıyla mümkün olacaktır.

Kaynakça

1. Raza MM, Venkatesh KP, Kvedar JC. Generative AI and large language models in health care: pathways to implementation. NPJ Digit Med. 2024;7(1):62.

2. Reddy S. Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implement Sci. 2024;19(1):27.

3. Topol EJ. As artificial intelligence goes multimodal, medical applications multiply. Science. 2023;381(6663):adk6139.

4. Huhulea EN, Huang L, Eng S, Sumawi B, Huang A, Aifuwa E, et al. Artificial Intelligence Advancements in Oncology: A Review of Current Trends and Future Directions. Biomedicines. 2025;13(4):951.

5. Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74:229–263.

6. Neal RD, Tharmanathan P, France B, Din NU, Cotton S, Fallon-Ferguson J, et al. Is increased time to diagnosis and treatment in symptomatic cancer associated with poorer outcomes? Systematic review. Br J Cancer. 2015;112:S92–S107.

7. Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28:31–38.

8. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, et al. Artificial intelligence: A powerful paradigm for scientific research. Innovation. 2021;2:100179.

9. Shanmugam D, Agrawal M, Movva R, Chen IY, Ghassemi M, Jacobs M, et al. Generative Artificial Intelligence in Medicine. Annu Rev Biomed Data Sci. 2025;8(1):199–226.

10. Yang L, Zhang Z, Song Y, Hong S, Xu R, et al. Diffusion models: a comprehensive survey of methods and applications. ACM Comput Surv. 2023;56(4):105.

11. Wornow M, et al. Elektronik sağlık kayıtları için büyük dil modellerinin ve temel modellerin sallantılı temelleri. NPJ Digit Med. 2023;6:135.

12. Venkatesh KP, Raza MM, Kvedar JC. Hassas tıp için araç olarak sağlık dijital ikizleri: Hesaplama, uygulama ve düzenleme hususları. NPJ Digit Med. 2022;5:150.

13. Sui D, Guo M, Ma X, Baptiste J, Zhang L. Imaging Biomarkers and Gene Expression Data Correlation Framework for Lung Cancer Radiogenomics Analysis Based on Deep Learning. IEEE Access. 2021;9:125247–125257.

14. Guo L, Wang Z, Du Y, Mao J, Zhang J, Yu Z, et al. Random-forest algorithm based biomarkers in predicting prognosis in the patients with hepatocellular carcinoma. Cancer Cell Int. 2020;20:1–12.

15. Rajpurkar P, Irvin J, Ball RL, Zhu K, Yang B, Mehta H, et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med. 2018;15:e1002686.

16. Chandrashekar M, Lyngaas I, Hanson HA, Gao S, Wu XC, et al. Path-BigBird: An AI- driven transformer approach to classification of cancer pathology reports. JCO Clin Cancer Inform. 2024;8:e2300148.

17. Estevez M, Benedum CM, Jiang C, Cohen AB, Phadke S, Sarkar S, et al. Considerations for the Use of Machine Learning Extracted Real-World Data to Support Evidence Generation: A Research-Centric Evaluation Framework. Cancers. 2022;14:3063.

18. Stadlbauer A, Meyer-Bäse A. Artificial Intelligence in Oncology: A Topical Collection in 2022. Cancers. 2023;15(4):1065.

19. Benning L, Peintner A, Peintner L. Advances in and the Applicability of Machine Learning-Based Screening and Early Detection Approaches for Cancer: A Primer. Cancers. 2022;14:623.

20. Tien HJ, Yang HC, Shueng PW, Chen JC. Cone-beam CT image quality improvement using Cycle-Deblur consistent adversarial networks (CNN tabanlı Cycle-Deblur GAN) for chest CT imaging in breast cancer patients. Sci Rep. 2021;11(1):1133.

21. Thompson RF, Valdes G, Fuller CD, Carpenter CM, Morin O, Aneja S, et al. Artificial intelligence in radiation oncology: A specialty-wide disruptive transformation? Radiother Oncol. 2018;129(3):421–426.

22. Obermeyer Z, Lee TH. Lost in thought—The limits of the human mind and the future of medicine. N Engl J Med. 2017;377:1209–11.

23. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJW. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500–510.

24. Aland T, et al. Varian Ethos online adaptive radiotherapy for prostate cancer: Early results of contouring accuracy, treatment plan quality, and treatment time. J Appl Clin Med Phys. 2022.

25. Siemens Healthineers. Whitepaper: AI-Rad Companion Organs RT – The power of automated contouring at CCGM Montpellier [Internet]. 2026 [Erişim 01.02.2026]. Erişim adresi: https://academy.siemens-healthineers.com/en-us/whitepaper-ai-rad-companion-organs- rt-the-power-of-automated-contouring-at-ccgm-montpellier

26. URL:https://www.siemens-healthineers.com/fr-lu/infrastructure-it/artificial- intelligence/ai-campaign/ethos-therapy

27. Smith BR, St-Aubin J, Hyer DE. Commissioning of a motion management system for a 1.5T Elekta Unity MR-Linac: A single institution experience. J Appl Clin Med Phys. 2025;26(4):e70005.

28. RaySearch Laboratories. Whitepaper: Machine Learning Automated Planning in RayStation [Internet]. 2026 [Erişim 01.02.2026]. Erişim adresi: https://www.raysearchlabs.com/siteassets/about-overview/media-center/wp-re-ev-n- pdfs/white-papers/whitepaper_ml_automatedplanning_raystation.pdf

29. Matsuo Y, Ueki N, Takayama K, Nakamura M, Miyabe Y, et al. Evaluation of dynamic tumour tracking radiotherapy with real-time monitoring for lung tumours using a gimbal mounted linac. Radiother Oncol. 2014;112(3):360–364.

30. Bourigault E, et al. Clinical validation of deep learning-based auto-segmentation for radiotherapy of head and neck cancers. Front Oncol. 2022.

31. Stadlbauer A, Meyer-Bäse A. Artificial Intelligence in Oncology: A Topical Collection in 2022. Cancers. 2023;15:1065.

32. Hager P, Jungmann F, Holland R, Bhagat K, Hubrecht I, et al. Evaluation and mitigation of the limitations of large language models in clinical decision-making. Nat Med. 2024;30(9):2613–22.

33. Kirby MD. Informed consent: What does it mean? J Med Ethics. 1983;9(2):69–75.

34. Pierson L, Pierson E. Patients cannot consent to care unless they know how much it costs. BMJ. 2022;378:o1747.

35. Chen Y, Esmaeilzadeh P. Generative AI in medical practice: in-depth exploration of privacy and security challenges. J Med Internet Res. 2024;26:e53008.

36. Mullainathan S, Obermeyer Z. Solving medicine's data bottleneck: Nightingale Open Science. Nat Med. 2022;28(5):897–99.

37. Johnson AE, Bulgarelli L, Shen L, Gayles A, Shammout A, et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data. 2023;10(1):1.

38. Bommasani R, Klyman K, Longpre S, Kapoor S, Maslej N, et al. 2023. The Foundation Model Transparency Index. arXiv:2310.12941 [cs.LG]

39. Bommasani R, Klyman K, Kapoor S, Longpre S, Xiong B, et al. 2024. The Foundation Model Transparency Index v1.1: May 2024. arXiv:2407.12929 [cs.LG]

40. Winkler JK, Fink C, Toberer F, Enk A, Deinlein T, et al. Association between surgical skin markings in dermoscopic images and diagnostic performance of a deep learning convolutional neural network for melanoma recognition. JAMA Dermatol. 2019;155(10):1135-41. [Crossref] [Medline] [Web of Science] [Google Scholar]

41. Chen S, Kann BH, Foote MB, Aerts HJW, Savova GK, et al. Use of artificial intelligence chatbots for cancer treatment information. JAMA Oncol. 2023;9(10):1459–62.

42. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233–39.

43. Shuster K, Poff S, Chen M, Kiela D, Weston J. Retrieval augmentation reduces hallucination in conversation. arXiv preprint arXiv:2107.07566. 2021.

44. Zamfirescu-Pereira J, Wong RY, Hartmann B, Yang Q. Why Johnny can't prompt: how non-AI experts try (and fail) to design LLM prompts. In: Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. New York: Assoc Comput Mach; 2023. p. 121.

45. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–53.

46. Pfohl SR, Cole-Lewis H, Sayres R, Neal D, Asiedu M, et al. A toolbox for surfacing health equity harms and biases in large language models. Nat Med. 2024;30:3258.

47. Hoffman KM, Trawalter S, Axt JR, Oliver MN. Racial bias in pain assessment and treatment recommendations, and false beliefs about biological differences between blacks and whites. PNAS. 2016;113(16):4296–301.

48. Zack T, Lehman E, Suzgun M, Rodriguez JA, Celi LA, et al. Assessing the potential of GPT-4 to perpetuate racial and gender biases in health care: a model evaluation study. Lancet Digit Health. 2024;6(1):e12–22.

49. Ripp K, Braun L. Race/ethnicity in medical education: an analysis of a question bank for Step 1 of the United States Medical Licensing Examination. Teach Learn Med. 2017;29(2):115–22.

50. Weidinger L, Uesato J, Rauh M, Griffin C, Huang PS, et al. Taxonomy of risks posed by language models. In: Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency. New York: Assoc Comput Mach; 2022. p. 214–29.

51. Long D, Magerko B. What is AI literacy? Competencies and design considerations. In: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. New York: Assoc Comput Mach; 2020. p. 1–16.

52. Vicente L, Matute H. Humans inherit artificial intelligence biases. Sci Rep. 2023;13(1):15737.

53. Antoniak M, Naik A, Alvarado CS, Wang LL, Chen IY. NLP for maternal healthcare: perspectives and guiding principles in the age of LLMs. In: Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency. New York: Assoc Comput Mach; 2024. p. 1446–63.

54. Osman R, Arslan H. Türkiye'de Onkoloji Araştırmalarında Yapay Zekanın Uygulanması: Etki ve Gelecek Yönelimler. Gazi Üniversitesi Bilim Dergisi Bölüm A: Mühendislik ve İnovasyon. 2025;12(3):894-917.

55. Xu H, Gong T, Song X, Chen Q, Bao Q, et al. Artificial Intelligence Performance in Image- Based Cancer Identification: Umbrella Review of Systematic Reviews. J Med Internet Res. 2025;27:e53567.