Birden çok iş akışı ortamında meme kanseri taramasına yapay zekâ entegrasyonunun prospektif değerlendirmesi: GEMINI çalışması

Bu neden kadınlar ve klinikler için önemli

Meme taraması hayat kurtarıyor, ancak uzman hekimler üzerinde ağır bir yük oluşturuyor ve gereksiz çağrılar kadınlarda anksiyeteye yol açabiliyor. İskoçya’da gerçek bir Ulusal Sağlık Servisi (NHS) meme tarama programında gerçekleştirilen bu çalışma pratik bir soruyu yanıtladı: yapay zekâ (YZ), çağrıları ve iş yükünü kontrol altında tutarken hekimlerin daha fazla kanser bulmasına yardımcı olabilir mi? Araştırmacılar tek bir kurulum yerine YZ’yi günlük taramaya entegre etmenin birçok yolunu inceledi ve farklı baskılar ve öncelikler taşıyan klinikler için bir yol haritası sundu.

Meme taraması bugün nasıl işliyor

Birleşik Krallık’ta 50–71 yaşındaki kadınlar her üç yılda bir mamografi daveti alıyor. Her bir göğüs röntgeleri seti iki eğitimli insan okuyucu tarafından bağımsız olarak değerlendirilir. Eğer görüş ayrılığı olursa, üçüncü bir uzman nihai kararı verir. Bu “çift okuma” yaklaşımı güvenliği artırır ancak büyük miktarda uzman zamanına ihtiyaç duyar. Aynı zamanda sağlık sistemleri taramaya gelen kadın sayısının artması ve radyolog eksiklikleriyle karşı karşıya. Bu nedenle yeni bir araç sadece kanserleri tespit etmekle kalmamalı; mevcut sisteme uyum sağlamalı ve sınırlı personel zamanını yönetmeye yardımcı olmalıdır.

GEMINI çalışmasının test etmeyi amaçladığı şey

GEMINI çalışması, 2023’te Birleşik Krallık’taki bir bölgede rutin taramaya katılan 10.889 kadını izledi. Herkese standart bakım uygulandı: mamogramları ihtiyaç halinde arabuluculukla iki insan uzman tarafından okundu. Arka planda, Mia adında ticari bir YZ sistemi de görüntüleri analiz etti ve kendi görüşünü sessizce depoladı. Araştırma ekibi iki ana fikri kullandı. İlk olarak, YZ’yi bir “ek güvenlik ağı” olarak denediler: YZ bir kadının tekrar çağrılması gerektiğini önerirse ancak tarama ekibi bunu yapmadıysa, görüntüleri ek bir insan incelemesine gönderildi. İkincisi, depolanan YZ çıktıları farklı “triage” (ön sıralama) düzenlerini simüle etmek için kullanıldı; burada YZ bazen zaman tasarrufu sağlamak için ikinci okuyucunun yerini alıyordu. Toplamda, bu yaklaşımları karıştırıp eşleştiren 17 ayrı iş akışı modellenmiştir.

YZ ekstra okuyucu olarak davrandığında ne oldu

YZ rutin olarak çağrı yapılmaması yönündeki kararla ters düştüğünde, kıdemli okuyucular bu mamogramlara yeniden baktı. Bu tür 1.345 vakadan 55 kadın daha ileri testler için çağrıldı ve o ziyarette aksi takdirde kaçırılacak 11 ek meme kanseri bulundu. Bunların çoğu invaziv kanserlerdi ve birçoğu nispeten küçüktü. Önemli olarak, bu ekstra vakaların incelenmesi hızlıydı: yaklaşık on vakadan dokuzu bir dakikadan kısa sürede okundu; bu tipik bir mamografi okumasına benzer veya daha hızlıydı. Bu, deneyimli okuyucuların YZ uyarılarını verimli bir şekilde kullanabildiklerini, geçmiş görüntülerle karşılaştırdıklarında gerçek endişeleri doğrulayıp zararsız değişiklikleri güvenle eleme eğiliminde olduklarını gösteriyor.

YZ ile ön sıralama iş yükünü nasıl hafifletebilir

Ardından ekip YZ’nin bazı ikinci insan okumalarını güvenli bir şekilde nasıl yerine koyabileceğini sordu. “Triage” iş akışlarında, ilk insan okuyucu ile YZ aynı görüşteyse, o görüş geçerli sayıldı ve bu vakalar için ikinci bir okuyucuya gerek kalmadı. “Triage negatives” (negatif ön sıralama) iş akışlarında ise bu kestirme yalnızca her iki taraf da çağrı gerekmediği konusunda hemfikir olduğunda kullanıldı; bu, ek çağrılardan kaçınırken yine de iş tasarrufu sağladı. YZ için belirlenen karar eşiklerine bağlı olarak, bu simüle edilmiş stratejiler toplam okuma iş yükünü yaklaşık üçte bir ila neredeyse yarıya kadar azaltabildi. Bazı versiyonlar tespit edilen kanser sayısını biraz azalttı, bazıları ise kanser tespitini korudu ve hatta ileri testler için çağrılan kadınların oranını düşürdü.

Her klinik için en iyi dengeyi bulmak

Yazarların tercih ettiği ana iş akışı, “triage negatives” düzenini YZ’nin ekstra-okuyucu rolü ile birleştiren yaklaşımdı. Bu yapılandırmada, rutin tarama ile bulunan tüm kanserler hâlâ tespit edildi ve ayrıca YZ tarafından vurgulanan 11 ek kanser bulundu. Bu, kanser tespit oranını yaklaşık yüzde 10 artırdı—yaklaşık her 1.000 taranan kadında bir ek kanser—çağrı oranını esasen değiştirmeden ve insan okuma iş yükünü yüzde 31’e kadar azaltarak. Diğer test edilen iş akışları, daha büyük iş yükü tasarrufları ve daha az yanlış alarma gibi farklı ödünleşimler sundu; bunun bedeli olarak birincil iş akışın yakalayacağı küçük sayıda kanseri kaçırmak oluyordu.

Gelecekteki meme taramaları için anlamı

Uzman olmayan biri için ana mesaj, YZ’nin meme taramasında doktorların yerini alacak durumda olmadığı, ancak esnek bir asistan olarak hizmet edebileceğidir. Bu gerçek dünya değerlendirmesinde, dikkatle kullanıldığında bir YZ sistemi daha fazla kanser bulunmasına yardımcı oldu; kadınların daha fazla çağrılmasına yol açmadan ve uzman okuma süresinin önemli bir kısmını serbest bırakarak. Çalışma birçok olası düzeni incelediği için sağlık hizmetleri ihtiyaçlarına en uygun yapılandırmayı seçebilir; bu, ister kanser tespitini maksimize etmek, ister gereksiz çağrıları en aza indirmek, ister personel eksikliğini hafifletmek olsun. Diğer bölgelerde, farklı YZ araçları ve daha uzun izlemlerle yapılacak ek çalışmalar gerekecek, ancak bu çalışma düşünülmüş bir şekilde entegre edilen YZ’nin meme taramasını hem daha keskin hem de daha sürdürülebilir hale getirebileceğini gösteriyor.

Atıf: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

Anahtar kelimeler: meme kanseri taraması, yapay zekâ, mamografi, radyoloji iş yükü, kanser tespiti