Yapay zekâ modeli MR görüntülerini saniyeler içinde analiz ederek tanıya destek oluyor

Michigan Üniversitesi araştırmacıları, manyetik rezonans (MR) görüntülerini analiz ederek hekimlerin tanı koymasına yardımcı olabilecek bir yapay zekâ modeli geliştirdi. Araştırma aşamasındaki bu yaklaşım, değerlendirme süreçlerini hızlandırma ve hastaların sağlık hizmetlerine erişimini iyileştirme potansiyeli taşıyor. Ancak hekimlerin yerine geçen, bağımsız tanı koymak üzere rutin kullanıma alınmış bir sistem olarak görülmemeli. İşte öne çıkan noktalar.

Beyin görüntülemede MR teknolojisi nasıl çalışır?

Manyetik rezonans görüntüleme, organların ve diğer önemli vücut yapılarının ayrıntılı iki veya üç boyutlu görüntülerini oluşturmak için manyetik alanlardan ve radyo dalgalarından yararlanır. MR teknolojisi, İkinci Dünya Savaşı döneminde nükleer manyetik rezonans (NMR) üzerine yürütülen ilk çalışmalardan doğdu.

Felix Bloch ve Edward Purcell bu yaklaşımı geliştirerek 1952’de Nobel Ödülü aldı. Ancak organ ve dokuların iki boyutlu görüntülerinin oluşturulması, Paul Lauterbur’un uzaysal gradyanları devreye sokmasıyla mümkün oldu. MR incelemelerinde kullanılan radyo frekansı darbeleri, bilgisayarlı tomografinin aksine iyonlaştırıcı radyasyon üretmez; bu da önemli bir avantajdır.

Günümüzde MR incelemeleri yaygın biçimde kullanılıyor. Raporlara göre yılda 150–200 milyon inceleme yapılıyor. Ayrıca araştırmalar, çoğu bölgede işlem sayısının %3–6 arttığını gösteriyor. Dolayısıyla MR’ın sağlık sisteminin temel bileşenlerinden biri hâline gelmesi şaşırtıcı değil.

Beyin MR görüntülerini yorumlamak neden zordur?

MR kullanımına bağımlılık arttıkça bu teknolojinin bazı kısıtları da daha görünür oluyor. Görüntülerin yorumlanması zaman ve hassasiyet gerektiriyor. Sağlık sektöründeki personel açığı büyürken bu ihtiyacın da artması önemli bir sorun oluşturuyor.

Artan MR kullanımı, zaten yoğun baskı altındaki sağlık sistemini daha da zorluyor. Büyük hastanelerde aşırı hasta yoğunluğu, küçük merkezlerde ise MR görüntülerini yorumlayabilecek uzmanların bulunmaması farklı sorunlar yaratıyor. Ancak sonuç benzer: hastalar açısından riskler artıyor.

MR değerlendirmesindeki gecikmelerin klinik riskleri

MR ile tespit edilebilen birçok nörolojik hastalık acil müdahale gerektiriyor. Daha iyi tedavi sonuçları için zamanında tanı koymak kritik önem taşıyor; gecikmeler, müdahale açısından değerli zaman aralıklarının kaçırılmasına yol açabiliyor.

Beyin kanaması ve inme, MR görüntülemenin saptamaya yardımcı olabildiği ve acil tıbbi değerlendirme gerektiren durumlara örnektir. Ancak bu bulguların belirlenmesi güç olabilir ve uzman yorumunu gerektirir.

Beynin bölgeleri

Nörogörüntüleme, nörolojik hastalığı olan kişilerin değerlendirilmesinde önemli bir araçtır. Dünya genelinde MR talebinin sürekli artması sağlık sistemlerini zorluyor, sonuçların raporlanma süresini uzatıyor ve hekimlerde tükenmişliği artırıyor.

Michigan Üniversitesi MR için yapay zekâ modeli geliştirdi

Nature Biomedical Engineering dergisinde yayımlanan “Learning neuroimaging models from health system-scale data¹” başlıklı çalışma, MR görüntülerini saniyeler içinde analiz edebilen, özel olarak geliştirilmiş bir yapay zekâ modelini tanıtıyor. Bu araştırma, gelecekte sağlık hizmetlerini iyileştirme potansiyeli taşıyor.

Prima: MR değerlendirmesi için bir görsel-dil modeli

Geliştiricileri, Prima adlı modeli “tıbbi görüntülemenin ChatGPT’si” olarak tanımlıyor. Sistem, tıbbi görüntü yorumlamanın karmaşık aşamalarını sadeleştirmeyi ve belirli analiz görevlerini otomatikleştirmeyi amaçlıyor.

Prima, görüntüleri ve metinsel bilgileri birlikte işleyen bir görsel-dil modeli (VLM) olmasıyla bazı önceki MR yapay zekâ sistemlerinden ayrılıyor. Hiyerarşik görsel mimarisi, görüntü dizilerindeki bilgilerin klinik bağlamla birlikte değerlendirilmesine olanak tanıyor.

Prima tanısal yardımcı olarak nasıl çalışıyor?

Geliştiriciler, tıbbi görüntüleme incelemelerini yorumlamak için güvenilir bir yardımcı oluşturmayı hedeflediklerini belirtiyor. Prima’nın yaklaşımı, tek bir durumla sınırlı kalmak yerine geniş bir tanı yelpazesini değerlendirebilmesini sağlıyor.

Önceki sistemler çoğunlukla MR görüntülemenin belirli bir alt alanına odaklanıyordu. Daha kapsamlı bir veri kümesiyle eğitilen Prima, MR verilerini daha geniş bir klinik çerçevede ele alabiliyor. Bu özellik, tanı desteğinden iş akışlarının düzenlenmesine kadar çeşitli iyileştirmeler sağlayabilir; ancak uzman değerlendirmesinin yerini almaz.

200.000’den fazla MR incelemesiyle eğitim

Araştırmacılar, Prima’yı eğitmek için büyük bir veri havuzuna ihtiyaç duydu. Michigan Üniversitesi Sağlık Sistemi, 5,6 milyondan fazla görüntü dizisi içeren 200.000’i aşkın MR incelemesine erişim sağladı.

Ekip, her incelemenin bulgularını, hasta öykülerini ve görüntüleme isteminin gerekçelerini de verilerle ilişkilendirdi. Bilimsel makalede bildirilen tanısal değerlendirme 52 farklı tanıyı kapsıyor.

Yapay zekâ ayırıcı tanıları nasıl oluşturuyor?

Prima, tanısal değerlendirmeyi hızlandırmak üzere tasarlandı. MR görüntüleri ile ilgili klinik bilgileri birlikte değerlendirerek farklı nörolojik durumlara ilişkin olası tanıları sıralayabiliyor. Hastanın öyküsü gibi bağlamsal bilgiler, çıktının kişiye özgü koşullara göre yorumlanmasına yardımcı oluyor. Sonuçların hekim tarafından değerlendirilmesi gerekiyor.

Acil durum triyajına yapay zekâ desteği

Araştırmada Prima’nın, acil tıbbi değerlendirme gerektirebilecek bulguları önceliklendirme potansiyeli incelendi. Uygun biçimde doğrulanıp klinik iş akışına entegre edildiğinde bu özellik, sağlık çalışanlarının zaman açısından kritik incelemeleri daha hızlı fark etmesine yardımcı olabilir. Bu, modelin tek başına acil tedavi başlattığı veya gecikmeleri tamamen ortadan kaldırdığı anlamına gelmez.

İlgili uzmana bildirim iş akışı

Modelin hedeflenen kullanım alanlarından biri, önemli bir bulgunun uygun uzmanlık alanına yönlendirilmesini desteklemektir. Örneğin olası bir inme bulgusu, yerel klinik protokollere göre ilgili ekibin hızla değerlendirme yapması için işaretlenebilir. Hangi uzmanın bilgilendirileceği ve hangi müdahalenin yapılacağı klinik sorumluluk altında belirlenir; araştırma sonuçları, bağımsız ve rutin kullanımda bir bildirim sistemi bulunduğunu kanıtlamaz.

Modelin klinik verilerle sınanması ve doğrulanması

Araştırmada bir yıllık döneme ait 29.431 MR incelemesi üzerinde değerlendirme yapıldı. Modelin ürettiği tanısal çıktılar klinik referanslarla karşılaştırıldı. Bu tür değerlendirmeler, rutin hasta bakımındaki güvenli ve etkili kullanımı göstermek için gereken ek doğrulamanın yerine geçmez.

52 tanıda ortalama tanısal AUC: 0,920

Yatay kaydırmak için sürükleyin →

Bilimsel makale, 52 tanı genelinde ortalama tanısal AUC değerini 0,920 olarak bildiriyor. AUC, farklı karar eşiklerinde modelin ayırt etme gücünü ölçer; doğru tanı konulan vakaların yüzdesi değildir. Üniversitenin açıklamasındaki “%97,5’e kadar” ifadesi ayrı bir üst sınır ifadesidir ve tüm tanılar için geçerli doğruluk ya da ortalama AUROC olarak sunulmamalıdır. Modelin saniyeler içinde çıktı üretmesi de bir hekimin görüntü okuma süresinin günler olduğu anlamına gelmez; klinik raporlama süresi bekleme ve iş akışı aşamalarını da içerir.

Sonuçlar, acil değerlendirme gerektiren görüntülerin daha erken belirlenmesine ve uzmanlara öncelikli olarak sunulmasına yönelik bir potansiyele işaret ediyor. Böyle bir kullanım için kurumun bilgi sistemleriyle entegrasyon, ileri doğrulama ve klinik gözetim gerekir. Araştırma, gerçek dünyada hasta sonuçlarının kesin olarak iyileştiği şeklinde yorumlanmamalıdır.

Yapay zekâ destekli MR yorumlamanın olası yararları

Bu teknolojinin en önemli potansiyel yararlarından biri, görüntülerin değerlendirilmesi ve raporlanması için gereken süreyi azaltmaktır. Bu, personel açığına rağmen hastaların daha hızlı değerlendirilmesine yardımcı olabilir. Görüntü yorumlamanın hızlanması, MR çekiminin fiziksel süresinin de otomatik olarak kısaldığı anlamına gelmez.

Yapay zekâ desteğinin potansiyelini gösteriyor

Çalışma, yapay zekânın mevcut tıbbi süreçleri nasıl destekleyebileceğine ilişkin bir örnek sunuyor. Uygun şekilde uygulandığında sağlık çalışanlarının iş yükünü azaltabilir ve değerlendirmelerin tutarlılığını artırabilir. Bunun klinik faydaya dönüşmesi ayrıca sınanmalıdır.

Tanı desteği

Nasıl bir sonuca ulaştığını açıklamayan bazı yapay zekâ sistemlerinden farklı olarak Prima, açıklanabilir ayırıcı tanılar sunmayı amaçlıyor. Böylece hekimler olası tanıları gözden geçirebilir, sonuçları kontrol edebilir ve gerektiğinde ikinci görüş alabilir.

Gerçek dünya uygulamaları ve kullanıma geçiş görünümü

En belirgin uygulama alanı, mevcut tıbbi görüntüleme süreçlerini iyileştirmektir. Benzer yaklaşımlar mamografi, akciğer grafisi ve ultrason gibi diğer görüntüleme alanlarında da araştırılabilir. Her yeni kullanım alanı için ayrı eğitim ve klinik doğrulama gerekir.

Düzenleyici süreç ve ticari takvim

Kaynak makale teknolojinin beş yıl içinde pazara çıkabileceğini öne sürüyor; bu kesinleşmiş bir takvim değildir. Kullanıma geçiş, ileri klinik doğrulamaya, gerekli düzenleyici süreçlere ve kurumların uygulama koşullarına bağlıdır. Sağlık hizmetlerini iyileştirirken çalışanların yükünü azaltan çözümlere yönelik talep ise güçlüdür.

Araştırma ekibi ve kurumsal destek

Çalışma, Michigan Üniversitesi araştırmacıları tarafından yürütüldü. Ekipte öne çıkan isimler arasında üniversitenin tıp fakültesinde nöroşirürji öğretim üyesi ve beyin cerrahı Todd Hollon ile Nöroşirürjide Makine Öğrenmesi Laboratuvarı veri bilimcisi Samir Harake bulunuyor.

Çalışmada katkıda bulunanlar arasında Vikas Gulani, M.D., Ph.D., Asadur Chowdury, M.S., Soumyanil Banerjee, M.S., Rachel Gologorsky, Shixuan Liu, Anna-Katharina Meissner, M.D., Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, M.D., Volker Neuschmelting, M.D., Ashok Srinivasan, M.D., Dawn Kleindorfer, M.D., Brian Athey, Ph.D., Aditya Pandey, M.D. ve Honglak Lee, Ph.D. sayılıyor. Finansman desteği, ABD Ulusal Sağlık Enstitülerine bağlı Ulusal Nörolojik Bozukluklar ve İnme Enstitüsünden sağlandı.

Nörogörüntülemede yapay zekânın geleceği

Araştırmacılar çalışmaların henüz erken aşamada olduğunu, ancak sonuçların umut verdiğini belirtiyor. Gelecekte hedef, tıbbi kayıtları ve mevcut diğer verileri daha kapsamlı kullanarak kişiselleştirilmiş, gerçek zamanlı tanı desteği sağlamaktır.

Yapay zekâ ve sağlık hizmetlerinin birleşimine yatırım

Yapay zekânın tıbbi görüntülemeye etkisi giderek artıyor. Çok çeşitli cihazlar üreten şirketlerden farklı olarak yeni bir şirket kuşağı, tanı desteğini hızlandırmak, iş akışını verimli hâle getirmek ve klinik kararları desteklemek için yapay zekâ odaklı radyoloji platformları kuruyor. Aşağıdaki halka açık şirket, bu alanda doğrudan faaliyet gösteren örneklerden biridir.

RadNet (RDNT)

RadNet (RDNT ), ABD’nin en büyük ayaktan tanısal görüntüleme sağlayıcılarından biridir ve ülke genelinde yüzlerce merkez işletir. 1981’de kurulan şirket, DeepHealth iştiraki aracılığıyla radyoloji hizmetlerini yapay zekâyla birleştiren dikey bütünleşik bir görüntüleme platformuna dönüştü.

RadNet, yapay zekâyı ek bir özellik olarak görmek yerine makine öğrenmesini doğrudan görüntüleme iş akışlarına yerleştiriyor. Satın almalar ve şirket içi geliştirmeler yoluyla meme kanseri, akciğer nodülleri, nörolojik anormallikler ve diğer durumların daha erken ve daha tutarlı saptanmasında radyologlara yardımcı olacak araçlar geliştirdi.

RadNet’in yapay zekâ birimi DeepHealth’in büyümesi önemli bir dönüm noktası oldu. Birim, FDA tarafından kullanımına izin verilen algoritmaların şirketin görüntüleme ağında uygulanmasına odaklanıyor. RadNet, kendi görüntü verilerini yapay zekâ geliştirmeyle birleştirerek hem hizmet gelirlerinden hem de yazılımla desteklenen tanısal yeteneklerden yararlanıyor.

Dikey bütünleşik yapı rekabet avantajı sağlıyor: gerçek klinik veriler algoritmaların geliştirilmesini beslerken yapay zekâ araçları şirketin kendi merkezlerinde işlem kapasitesini ve tanısal hassasiyeti artırabiliyor.

Yapay zekâ destekli görüntüleme platformunun genişlemesi

RadNet, ortaklıklar ve satın almalar yoluyla yapay zekâ portföyünü genişletmeye devam ediyor. Hedef, farklı radyoloji alt uzmanlıklarında tanısal destek araçlarını ölçeklenebilir biçimde kullanmak. Geri ödeme modelleri değiştikçe ve görüntüleme hacmi arttıkça yapay zekâ destekli triyaj ve saptama sistemleri, radyologların iş yükünü azaltırken kâr marjlarını iyileştirebilir.

Yapay zekâ destekli tıbbi görüntülemenin doğrudan operasyonel etkilerinden yararlanmak isteyen yatırımcılar açısından RadNet, çeşitlendirilmiş medikal teknoloji gruplarına kıyasla radyoloji otomasyonuna daha odaklı bir yatırım seçeneği sunuyor.

RadNet (RDNT) hakkında son haberler ve performans

Sonuç: Beyin görüntülerinin yapay zekâyla değerlendirilmesi

Bu araştırma, hastalar ve sağlık çalışanları için daha hızlı ve tutarlı görüntü değerlendirmesine yönelik umut verici bir yol açıyor. Böyle sistemler, uygun doğrulama ve klinik gözetimle sağlık hizmetlerinin günün her saatinde desteklenmesine katkı sağlayabilir.

Hâlihazırda yoğun iş yükü altında olan sağlık çalışanlarını destekleme potansiyeli de taşıyor. Ancak araştırma modelinden güvenli ve etkili rutin uygulamaya geçiş için ek çalışmalar gerekiyor.

Diğer ilgi çekici yapay zekâ gelişmelerini buradan inceleyebilirsiniz.

Kaynaklar

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Learning neuroimaging models from health system-scale data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}