Ameliyat ve girişimsel video analizinde yapay zekâ ile sağlık profesyoneli performansını karşılaştırma: sistematik derleme ve meta-analiz

Ameliyathanede Daha Akıllı Gözler

Her yıl yüz milyonlarca insan, video ile yönlendirilen ameliyatlar ve minimal invaziv prosedürlerden geçiyor—kolonoskopiler, kapalı cerrahi veya kan damarlarına sokulan küçük kameralar gibi. Bu anlarda, bir hekimin ekrandaki ince uyarı işaretlerini fark etme yeteneği, kanseri erken yakalamak ya da kaçırmak arasında fark yaratabilir. Bu çalışma, gelecekteki her hasta için önemli bir soruyu soruyor: cerrahi ve girişimsel videolar analiz edildiğinde, yapay zekâ sistemleri insan klinisyenlerle kıyaslandığında ne kadar iyi performans gösteriyor ve ikisi birlikte çalıştığında ne oluyor?

Cerrahi Videoların Yarattığı Akışı Düzenlemek

Modern tıp artık sindirim endoskopilerinden robot destekli ameliyatlara kadar çok sayıda işlem videosu kaydediyor. Bu kayıtlar bilgi açısından zengin: bağırsaktaki küçük polipler, mide veya yemek borusundaki erken tümörler, kaçınılması gereken hassas sinirler veya karmaşık bir operasyonun adımları. Araştırmacılar, bu görüntüleri taramak, şüpheli alanları işaretlemek ve cerrahların işlemin hangi aşamasında olduğunu tanımak için YZ sistemleri eğitiyorlar. Ancak şimdiye kadar çoğu çalışma YZ’yi doktorlara karşı yapay başa baş karşılaşmalarda yarıştırdı; teknoloji gerçekçi olarak nasıl kullanılabilir —hekim yanında bir yardımcı olarak— sorusunu sormadı. Bu derleme, çok sayıda uzmanlık alanına dağılmış bu parçalı kanıtları sistematik olarak toplamak ve analiz etmek amacıyla yapıldı.

Araştırmacıların İnceledikleri

Ekip, başlıca tıp ve mühendislik veri tabanlarında arama yaptı ve neredeyse 38.000 makaleyle başladı. Sıkı kriterler uygulandıktan sonra—gerçek cerrahi veya girişimsel videolarda YZ kullanan birincil çalışmalar ve performansın doğrudan sağlık profesyonelleriyle karşılaştırıldığı çalışmalar—sadece 146 çalışma kaldı. Bunlar özellikle gastrointestinal endoskopi olmak üzere, ayrıca akciğer, tiroit, beyin, kalp ve ürolojik girişimleri kapsayan geniş bir prosedür yelpazesini içeriyordu. Çoğu, konvolüsyonel sinir ağları gibi modern derin öğrenme yöntemleri kullanarak hastalığı tespit etmeye, anatomiyi tanımaya, bağırsak temizliğini derecelendirmeye veya bir operasyonun adımlarını belirlemeye yönelikti. Bu çalışmalardan 76’sı, yazarların sonuçları birleştirip YZ ile insanların ne sıklıkla doğru ya da yanlış yaptığını hesaplayabilmesini sağlayacak kadar ayrıntı raporladı.

Yalnız YZ Karşısında Hekimler ve YZ’nin Ekip Arkadaşı Olarak Rolü

Araştırmacılar YZ’yi aynı videolara bakan yardım almamış klinisyenlerle karşılaştırdıklarında, YZ sistemleri genellikle daha fazla gerçek problemi yakaladı (daha yüksek duyarlılık) ve daha fazla yanlış alarm üretmedi (benzer özgüllük). Bu desen, modeller tanıdık verilerde test edildiğinde ve yeni, dış veri kümeleriyle karşılaştığında da korundu. Ancak en klinik açıdan anlamlı bulgu, YZ bir asistan olarak kullanıldığında ortaya çıktı. Çok çeşitli görevlerde, YZ önerilerini görebilen klinisyenler hastalığı bulma konusunda daha iyiydi ve normal dokuyu yanlış sınıflandırma olasılıkları yalnız çalışanlara kıyasla daha düşüktü. Bu artış, özellikle stajyerler gibi uzman olmayanlar için çarpıcıydı; onlar YZ rehberliğinden en çok faydayı sağladılar. Deneyimli uzmanlarda ise YZ yardımı ile yalnız YZ’nin performansı yaklaşık olarak benzer seviyelerdeydi; bu da uzman ellerde insan–makine birleşiminin en iyi tek başına çalışan algoritmalarla eşleşebileceğini düşündürüyor.

Laboratuvar Koşulları ile Gerçek Hayat Arasındaki Uçurum

Bu umut verici rakamlara rağmen, derleme YZ’nin şu anda nasıl test edildiği ile gerçek klinik ortamlarda nasıl çalışması gerektiği arasında bir uçurum olduğunu vurguluyor. Birçok çalışma bulanık veya düşük kaliteli video karelerini çıkararak verilerini temizledi; oysa gerçek ameliyathane ve endoskopi odaları genellikle tam da bu kusurlarla uğraşır. Diğer çalışmalarsa hareketi ve zamanlamayı takip etme zorluğunu kenara bırakarak izole görüntü kesitlerini analiz etti. Gerçekte yatakta eş zamanlı olarak YZ’yi değerlendiren çok az çalışma vardı ve çoğu, kaynak kısıtlı hastanelerde bulunmayabilecek üst düzey ekipmana dayanıyordu. Raporlama uygulamaları da tutarsızdı: modellerin nasıl ayarlandığı ve doğrulandığına ilişkin anahtar ayrıntılar sıklıkla eksikti, bu da başkalarının sonuçları yeniden üretmesini veya adil bir şekilde değerlendirmesini güçleştiriyordu.

Güvenilir İnsan–YZ Ortaklıkları Kurmak

Yazarlar, cerrahi ve girişimsel tıpta YZ’nin başlangıçtan itibaren klinisyenlerin bir partneri olarak geliştirilmesi ve test edilmesi gerektiğini savunuyor. Bu, gerçek dünya koşullarını yansıtan çalışmalar tasarlamak, merkezler arası çeşitli video veri kümelerini paylaşmak ve diğer ekiplerin yayımlanmış çalışmaları doğrulayıp geliştirebilmesi için açık raporlama standartları benimsemek anlamına geliyor. Ayrıca klinisyenleri YZ’nin güçlü ve önyargılı yönlerini anlamaları için eğitmek gerekiyor; önerilerine körü körüne güvenmek ya da tamamen reddetmek yerine. Meta-analiz, YZ’nin birçok video tabanlı görevde yardım almamış insan performansına şimdiden eşit veya üstün olabileceğini gösterse de, en anlamlı fayda insan yargısını nasıl keskinleştirebileceğinde yatıyor. Hastalar için çıkarım şu değil: makineler ameliyathaneyi devralacak; aksine dikkatle tasarlanmış insan–YZ ekipleri işlemleri daha güvenli, tanıları daha erken ve sonuçları daha iyi hale getirebilir.

Atıf: Rafati Fard, A., Williams, S.C., Smith, K.J. et al. Comparing artificial intelligence and healthcare professional performance in surgical and interventional video analysis: a systematic review and meta-analysis. npj Digit. Med. 9, 323 (2026). https://doi.org/10.1038/s41746-026-02401-2

Anahtar kelimeler: cerrahi video yapay zekâ, bilişim destekli endoskopi, insan–YZ işbirliği, tıbbi görüntü analizi, kliniki karar destek