Ürolojide Yapay Zeka Uygulamaları

Giriş

Yapay zekâ, ürolojide yalnızca bir araştırma konusu olmaktan çıkarak klinik karar süreçlerini etkileyen bir teknoloji haline gelmektedir. Görüntü analizinden cerrahi performans değerlendirmesine kadar geniş bir yelpazede geliştirilen algoritmalar, tanı doğruluğunu artırma, tedavi sonuçlarını öngörme ve hasta yönetimini kişiselleştirme potansiyeli taşımaktadır. Yapay zekâ (YZ), insan zekâsını taklit ederek öğrenme, akıl yürütme ve problem çözme gibi bilişsel görevleri yerine getirebilen sistemler bütünüdür (1). Tıbbi teknolojideki gelişmeler ve elektronik sağlık kayıtlarının artışı, ürolojide "büyük veri" dönemini başlatmıştır (2). Geleneksel istatistiksel yöntemlerin aksine, YZ algoritmaları özellikle Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) karmaşık, doğrusal olmayan veri setlerini analiz ederek daha hassas tanı, tedavi planlaması ve sonuç tahmini sunma potansiyeline sahiptir. Bu amaçla konvolüsyonel sinir ağları (CNN), random forest, destek vektör makineleri (SVM) ve U-Net gibi derin öğrenme mimarileri yaygın olarak kullanılmaktadır. (2–4). Günümüzde YZ, prostat kanserinden böbrek taşlarına, robotik cerrahiden infertiliteye kadar ürolojinin hemen her alanında kullanılmaya başlanmıştır (3,4).

Bu bölümde okuyucu,

• Ürolojide yapay zekânın başlıca klinik kullanım alanlarını
• Güncel kanıt düzeyi ve sınırlılıkları
• Klinik iş akışına olası entegrasyon biçimlerini
• Etik ve düzenleyici zorlukları öğrenecektir.

Kapsam

Bu bölüm erişkin ürolojide klinik uygulamalara odaklanmakta olup pediatrik üroloji, sağlık ekonomisi ve ayrıntılı düzenleyici süreçler kapsam dışı bırakılmıştır.

1.1 Üroonkolojide YZ: Tanı ve Prognoz

Ürolojik kanserler, YZ'nın en yoğun araştırıldığı alanların başında gelmektedir. Özellikle radyomik (görüntülerden yüksek verili özellik çıkarımı) ve patolojik görüntü analizi ön plana çıkmaktadır.

Prostat Kanseri: YZ, prostat kanseri tanısında MR görüntülerini analiz ederek lezyonları tespit etmede ve Gleason skorunu tahmin etmede radyologlara yardımcı olmaktadır (3,5). Örneğin, yapay sinir ağları (YSA) kullanılarak geliştirilen modeller, biyopsi sonuçlarını öngörmede ve gereksiz biyopsileri azaltmada kullanılmaktadır (6). Ayrıca, robotik cerrahi sonrası idrar kaçırma (inkontinans) gibi fonksiyonel sonuçların tahmin edilmesinde, cerrahın performans metriklerini ve klinik verileri birleştiren derin öğrenme modelleri geliştirilmiştir (1,7,8). mpMRI-tabanlı AI sistemleri henüz rutin klinik kararın yerini almamaktadır ancak radyolog destek sistemi olarak giderek yaygınlaşmaktadır. mpMRI görüntülerinin AI destekli ikinci değerlendirmesi, şüpheli lezyonların risk sınıflamasını iyileştirerek biyopsi karar sürecine yardımcı olabilir. Bu tür sistemlerin klinik kullanımı, hekim denetimi ve güven skorlarının şeffaf biçimde sunulması ile mümkün olacaktır.

Mesane Kanseri: Sistoskopi sırasında tümörlerin tespit edilmesi ve kas invaziv olup olmadığının belirlenmesi için YZ destekli görüntüleme sistemleri geliştirilmiştir (3,5,9). Ayrıca, idrar mikro-RNA profilleri veya patoloji görüntüleri kullanılarak tümör nüksünü ve tedavi yanıtını öngören algoritmalar, sistoskopi ihtiyacını azaltma potansiyeli taşımaktadır (2,3,10).

Böbrek ve Testis Kanseri: YZ, böbrek kitlelerinin benign (iyi huylu) veya malign (kötü huylu) ayrımını yapmak için BT ve MR görüntülerindeki doku özelliklerini analiz edebilmektedir (1,5). Testis kanserinde ise patolojik evreleme ve lenfovasküler invazyonun tespiti için derin öğrenme modelleri kullanılmaktadır (5,7).

1.2 Taş Hastalığı ve Endoüroloji

Ürolithiazis (taş hastalığı) yönetiminde YZ, taşın kendiliğinden düşme ihtimalini, taşın kimyasal kompozisyonunu (BT görüntüleri üzerinden) ve cerrahi sonrası taşsızlık oranlarını tahmin etmek için kullanılmaktadır (2,4,6). Örneğin, yapay sinir ağları, Perkütan Nefrolitotomi (PCNL) veya Şok Dalga Litotripsi (SWL) sonrası başarı oranlarını, geleneksel skorlama sistemlerinden (örn. Guy’s Stone Score) daha yüksek doğrulukla öngörebilmektedir (4).

1.3 Fonksiyonel Üroloji, İnfertilite ve Chatbotlar

Fonksiyonel Üroloji: Ürodinami testlerinin yorumlanması, operatöre bağımlı ve zaman alıcıdır. YZ algoritmaları, mesane çıkış darlığı veya detrusor aşırı aktivitesi gibi durumları ürodinamik eğrilerden otomatik olarak tespit edebilmekte ve tanısal standardizasyon sağlayabilmektedir (8,11).

Erkek İnfertilitesi: Bilgisayar destekli sperm analizi (CASA) sistemleri ve YZ tabanlı görüntüleme, sperm morfolojisini ve hareketliliğini manuel yöntemlere göre daha objektif bir şekilde değerlendirmektedir (3,12). Ayrıca azospermik hastalarda sperm elde etme şansını öngören modeller geliştirilmiştir (12).

Üretken YZ (Generative AI) ve Chatbotlar: ChatGPT gibi büyük dil modelleri (LLM), hasta eğitimi, karmaşık tıbbi verilerin özetlenmesi ve klinik notların oluşturulması gibi alanlarda kullanılmaya başlanmıştır (13,14). Bu sistemler, hastaların tıbbi jargonla yazılmış raporları anlamasına yardımcı olabilir, ancak "halüsinasyon" (yanlış bilgi üretme) riski nedeniyle hekim denetimi şarttır (14). Bununla birlikte, üretken yapay zekâ sistemlerinin klinik karar destek amacıyla güvenli kullanımı için doğruluk, veri gizliliği ve medico-legal sorumluluklar açısından dikkatli entegrasyon gereklidir.

1.4 Robotik Cerrahi ve Eğitim

YZ, cerrahi eğitimi ve performansı değerlendirmede devrim yaratmaktadır. Robotik cerrahi sırasında kaydedilen video ve kinematik veriler (alet hareketleri), cerrahın beceri düzeyini otomatik bir şekilde puanlayabilmektedir (2,3,15). Ayrıca, hastaya özgü 3 boyutlu anatomik modellerin oluşturulması (artırılmış gerçeklik), cerrahi planlamayı iyileştirerek komplikasyon risklerini azaltabilir (3,7).

1.5 Gelecek Perspektifi ve Sınırlılıklar

Türkiye’de yapay zekâ uygulamalarının yaygınlaşması; ulusal veri tabanlarının oluşturulması, KVKK uyumlu veri paylaşım modelleri ve klinik–mühendislik iş birliklerinin artması ile mümkün olacaktır. Son yıllarda üniversite ve teknopark merkezli çalışmalar bu alanda artış göstermektedir.

Yapay zekâ ürolojide büyük bir potansiyele sahip olsa da, "kara kutu" (sonucun nasıl elde edildiğinin bilinmemesi) sorunu, veri gizliliği, etik sorumluluklar ve yasal düzenlemeler gibi zorluklar devam etmektedir (12–14,16). Algoritmaların genellenebilir olması için çok merkezli, geniş ve çeşitli veri setleriyle eğitilmesi ve prospektif çalışmalarla doğrulanması gerekmektedir (7,9,11). Önümüzdeki yıllarda yapay zekânın ürolojideki rolünün, klinik karar destek sistemlerinden kişiselleştirilmiş tedavi planlamasına kadar genişleyerek, veri odaklı ve öngörülebilir bir üroloji pratiğinin temel bileşenlerinden biri haline gelmesi beklenmektedir.

Bununla birlikte, birçok yapay zekâ modeli tek merkezli ve retrospektif veri setleriyle geliştirilmiş olup dış doğrulama çalışmalarında performans düşüşleri bildirilmiştir. Veri setlerindeki örneklem yanlılığı (dataset bias), etiketleme hataları ve overfitting, klinik genellenebilirliği sınırlayan başlıca sorunlar arasındadır.

Kaynakça

1. Ferro M, Tataru OS, Carrieri G, Busetto GM, Falagario UG, Maggi M, et al. Artificial intelligence and radiomics applications in adrenal lesions: a systematic review. Ther Adv Urol. 2025 Jul 2;17.

2. Chen J, Remulla D, Nguyen JH, Dua A, Liu Y, Dasgupta P, et al. Current status of artificial intelligence applications in urology and their potential to influence clinical practice. BJU Int. 2019 Oct 6;124(4):567–77.

3. Hameed BMZ, S. Dhavileswarapu AVL, Raza SZ, Karimi H, Khanuja HS, Shetty DK, et al. Artificial Intelligence and Its Impact on Urological Diseases and Management: A Comprehensive Review of the Literature. J Clin Med. 2021 Apr 26;10(9):1864.

4. Shah M, Naik N, Somani BK, Hameed BZ. Artificial intelligence (AI) in urology-Current use and future directions: An iTRUE study. Türk Üroloji Dergisi/Turkish Journal of Urology. 2020 Dec 1;46(Supp1):S27–39.

5. Froń A, Semianiuk A, Lazuk U, Ptaszkowski K, Siennicka A, Lemiński A, et al. Artificial Intelligence in Urooncology: What We Have and What We Expect. Cancers (Basel). 2023 Aug 26;15(17):4282.

6. Chen AB, Haque T, Roberts S, Rambhatla S, Cacciamani G, Dasgupta P, et al. Artificial Intelligence Applications in Urology. Urologic Clinics of North America. 2022 Feb;49(1):65– 117.

7. Cicchetti R, Amparore D, Tamborino F, Tătaru OS, Ferro M, Digiacomo A, et al. The Use of Artificial Intelligence in Urologic Oncology: Current Insights and Challenges. Res Rep Urol. 2025 Aug;Volume 17:293–308.

8. GALLO ML, MORICONI M, PHÉ V. Current applications and future perspectives of artificial intelligence in functional urology and neurourology: how far can we get? Minerva Urology and Nephrology. 2025 Apr;77(1).

9. Gelikman DG, Rais-Bahrami S, Pinto PA, Turkbey B. AI-powered radiomics: revolutionizing detection of urologic malignancies. Curr Opin Urol. 2024 Jan;34(1):1–7.

10. Abbas S, Shafik R, Soomro N, Heer R, Adhikari K. AI predicting recurrence in non-muscle- invasive bladder cancer: systematic review with study strengths and weaknesses. Front Oncol. 2025 Jan 7;14.

11. Huang HH, Cheng PY, Tsai CY. Exploring artificial intelligence in functional urology: A comprehensive review. Urol Sci. 2025 Mar 12;36(1):2–10.

12. Ghayda RA, Cannarella R, Calogero AE, Shah R, Rambhatla A, Zohdy W, et al. Artificial Intelligence in Andrology: From Semen Analysis to Image Diagnostics. World J Mens Health. 2024;42(1):39.

13. Talyshinskii A, Naik N, Hameed BMZ, Juliebø-Jones P, Somani BK. Potential of AI-Driven Chatbots in Urology: Revolutionizing Patient Care Through Artificial Intelligence. Curr Urol Rep. 2024 Jan 19;25(1):9–18.

14. Khalil W, Sheikh M, Islam JU. Generative Artificial Intelligence in Urology: Navigating the Frontier of Ethical, Legal, and Clinical Challenges. Cureus. 2025 Nov 17;

15. Goldenberg MG. Surgical Artificial Intelligence in Urology. Urologic Clinics of North America. 2024 Feb;51(1):105–15.

16. Liu X, Shi J, Li Z, Huang Y, Zhang Z, Zhang C. The Present and Future of Artificial Intelligence in Urological Cancer. J Clin Med. 2023 Jul 29;12(15):4995.