Sağlıkta Yapay Zeka: Tanı Destek Sistemleri Nasıl Çalışır?

Yazar: Dr. Gökhan Tahıl — Kurucu, AI Yapay Zeka Mühendislik A.Ş. · Son güncelleme: 17 Ağustos 2026

Sağlık kurumlarında yapay zeka projeleri genellikle teknik nedenlerle durmaz. Model çalışır, demo beğenilir, sonra dosya hukuk biriminde, başhekimlikte veya iç denetimde bekler. Sorular hep aynıdır: veri kurumun dışına çıkıyor mu, yanlış çıktının sorumluluğu kimde, bu kararı neye dayanarak verdik. Bu üç soruya yazılı cevap üretemeyen hiçbir sistem üretime giremez.

Bu yazı tanı destek sistemlerinin nasıl çalıştığını adım adım anlatıyor; sadece mimariyi değil, o mimarinin denetim masasında ne anlama geldiğini de. Yatırım kararını verecek yöneticinin bilmesi gereken şey modelin katman sayısı değildir. Sistemin nerede hata yapabileceği, hatayı kimin yakalayacağı ve bunun kayda nasıl geçeceğidir.

Tanı destek sistemi hakkında kısaca ne bilmek gerekir?

• Tanımı: Tanı destek sistemi, hekimin incelediği veriyi ikinci kez işleyip dikkat edilmesi gereken noktaları işaretleyen yazılımdır. Tanı koymaz; kararı hekim verir.
• Akışı: Görüntü tabanlı bir sistem altı adımda çalışır: görüntünün alınması, ön işleme, çıkarım, güven skoru ve eşik, hekim arayüzü, kayıt.
• Ölçütü: Tek bir doğruluk yüzdesi yetmez. Duyarlılık ve özgüllük ayrı ayrı, görev tanımı ve veri kümesiyle birlikte istenir.
• Doğrulaması: Gerçek sınav harici doğrulamadır: modelin hiç görmediği başka bir merkezin cihazından gelen veride aynı performansı verip vermediği.
• Mimarisi: Sağlık verisi özel nitelikli kişisel veri olduğu için on-premise kurulum varsayılan tercihtir; dışarıya bağlanan her bileşen baştan yazılı hale getirilir.

Tanı destek sistemi nedir ve kararı kim verir?

Tanı destek sistemi, hekimin incelediği veriyi ikinci kez işleyip dikkat edilmesi gereken noktaları işaretleyen yazılımdır. Sistem tanı koymaz: sıralama yapar, ölçüm çıkarır, gözden kaçabilecek bulguyu öne taşır. Kararı ve sorumluluğu hekim taşır.

Bu ayrım hem hukuki hem teknik olarak belirleyicidir. Uygulamadaki karşılığı insan-döngüde tasarımdır (human-in-the-loop): her çıktının önünde onaylayan bir insan bulunur ve bu onay adımı sistem tarafından kaydedilir. Hekim sistemin önerisini reddettiğinde de kayıt tutulur. Bu kayıt, olay sonrası incelemede elinizdeki tek nesnel belgedir.

Sınıflandırma açısından da önemlidir: tanı veya tedavi amacıyla kullanılması amaçlanan yazılımlar tıbbi cihaz mevzuatı kapsamına girebilir. Kapsamı belirleyen şey kullanılan teknoloji değil, üreticinin beyan ettiği kullanım amacıdır. Bir sistemin destek mi yoksa karar verici mi olduğu, hem mevzuat kapsamını hem de sorumluluk zincirini değiştirir. Bu değerlendirme projenin ilk haftasında yapılır, pilot bittikten sonra değil.

Görüntü tabanlı bir tanı destek sistemi adım adım nasıl çalışır?

Görüntü tabanlı bir tanı destek sistemi altı adımda çalışır: görüntünün arşivden alınması, ön işleme, modelin çıkarım yapması, güven skoru ve eşik uygulanması, sonucun hekim arayüzüne yerleştirilmesi ve tüm adımın kaydedilmesi.

Bu sistemler bilgisayarlı görü alanına girer. Bilgisayarlı görü, görüntüdeki desenleri sayısal olarak öğrenip yeni görüntülerde aynı deseni arayan yöntemlerin genel adıdır. Tipik akış şöyledir:

1. Görüntünün alınması. Tıbbi görüntüler çoğunlukla DICOM formatındadır. DICOM, görüntüyü ve hastaya ait bilgileri aynı dosyada taşıyan tıbbi görüntüleme standardıdır. Görüntüler kurumun PACS sisteminde, yani görüntü arşivleme ve iletişim sisteminde saklanır. Sistem PACS ile DICOM protokolü üzerinden konuşur; klinik bağlam gerekiyorsa HL7 veya FHIR arayüzü eklenir. Görüntüyle birlikte gelen kimlik alanlarının hangi aşamada ayrıştırıldığı da bu adımda tanımlanır.
2. Ön işleme. Farklı cihazlar farklı parlaklık, kontrast ve çözünürlükte görüntü üretir. Ön işleme bu farkları normalleştirir. Bu adım atlanırsa model, aranan durumla ilgisi olmayan cihaz farklarını öğrenir; buna alan kayması denir ve modelin başka bir merkezde çökmesinin en yaygın sebebidir.
3. Çıkarım. Eğitilmiş model görüntüyü işler. Üç temel görev vardır: sınıflandırma (görüntüde aranan durum var mı), tespit (varsa nerede) ve segmentasyon (ilgili bölgenin sınırlarının piksel düzeyinde çizilmesi). Çıkarım kurumun GPU sunucusunda çalışır; iş akışının anlık mı yoksa toplu mu olacağı klinik ihtiyaca göre belirlenir.
4. Güven skoru ve eşik. Model her çıktıya 0 ile 1 arasında bir güven skoru üretir. Bu skor olasılık gibi görünür, ancak ayrıca kalibre edilmediği sürece olasılık değildir; 0,90 skoru yüzde 90 doğruluk anlamına gelmez. Eşik, hangi skorun üzerindeki çıktının hekime gösterileceğini belirler. Eşiği düşürürseniz daha az bulgu kaçırırsınız (duyarlılık artar) ama yanlış uyarı çoğalır (özgüllük düşer). Bu bir teknik ayar değil, klinik politika kararıdır ve hekimle birlikte belirlenmelidir.
5. Hekim arayüzü. Çıktı, hekimin zaten kullandığı ekranın içine yerleşmelidir. Ayrı bir program açmayı gerektiren sistem, ilk yoğun günde kullanılmayı bırakır.
6. Kayıt. Girdi referansı, model sürümü, ön işleme sürümü, çıktı, güven skoru, uygulanan eşik, hekim onayı veya reddi, işlemi yapan kullanıcı ve zaman damgası kaydedilir. Bu kayıt sonradan eklenemez; baştan mimarinin parçası olması gerekir.

Model nasıl eğitilir ve başarısı hangi ölçütlerle doğrulanır?

Model, uzmanların doğru cevabını içeren etiketli veriyle eğitilir; başarısı ise tek bir doğruluk yüzdesiyle değil, duyarlılık ve özgüllük çiftiyle ve mümkünse harici doğrulamayla ölçülür.

Eğitim için etiketli veri gerekir. Etiketli veri, her görüntünün yanında uzmanın verdiği doğru cevabın bulunduğu veri kümesidir. Bu etiketleme işi projenin en pahalı ve en çok zaman alan kısmıdır. Model kalitesi neredeyse tamamen buraya bağlıdır.

Veri üçe ayrılır: eğitim, doğrulama ve test. Model yalnızca eğitim kümesini görür, doğrulama kümesi ayar için kullanılır, test kümesi kilitli tutulur. Bu ayrım hasta düzeyinde yapılmalıdır: aynı hastaya ait farklı görüntüler hem eğitim hem test kümesine dağılırsa veri sızıntısı oluşur ve skor gerçekte olduğundan yüksek çıkar. Sağlık projelerinde en sık gözden kaçan hata budur.

Gerçek sınav ise harici doğrulamadır: modelin, eğitimde hiç görmediği başka bir merkezin cihazından gelen görüntülerde de aynı performansı verip vermediğinin ölçülmesi. Tek merkezde alınan yüksek skor tek başına bir şey ifade etmez.

Sağlıkta tek bir doğruluk yüzdesi yeterli bir ölçü değildir. En az üç rakam ayrı ayrı istenmelidir:

Bir bulgunun kaçırılmasının bedeli ile boş alarmın bedeli aynı değildir. Eşik bu iki maliyet karşılaştırılarak seçilir. Ayrıca şunu bilmek gerekir: duyarlılık ve özgüllük sabit kalsa bile, aranan durum popülasyonda ne kadar seyrekse pozitif kestirim değeri o kadar düşer. Test ortamında iyi görünen bir modelin sahada sürekli boşuna alarm veriyor şikâyeti almasının en yaygın nedeni budur.

Bir rakamın sözleşmeye girebilmesi için görev tanımıyla birlikte verilmesi gerekir: hangi görev, hangi veri kümesi, kaç vaka, hangi ölçüm, hangi eşik. Bağlamsız yüzdeler ilk teknik toplantıda dağılır. AI Yapay Zeka Mühendislik A.Ş. olarak yayımladığımız değerler şunlardır: sağlık projelerinde %85 üzeri doğruluk, görüntü işleme projelerinde %80 üzeri stabilite. İnsan performansıyla yapılan bir karşılaştırmada ise %80 seviyesindeki başarı yapay zeka desteğiyle %90'a çıkmıştır. Bu değerler ancak ilgili görevin tanımı ve veri kümesiyle birlikte okunduğunda anlam taşır.

Hasta verisi kurumdan çıkmadan yapay zeka nasıl çalıştırılır?

Hasta verisi kurumdan çıkmadan yapay zeka çalıştırmanın yolu on-premise kurulumdur: model kurumun kendi sunucusunda, kendi ağı içinde çalışır; görüntü dışarıya gönderilmez, dışarıya istek gitmez.

Sağlık verisi, 6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında özel nitelikli kişisel veri sayılır ve işlenmesi daha ağır şartlara bağlıdır. Bu yüzden mimari tercihi baştan yapılır. Pilot bulut üzerinde kurulup sonradan kapalıya çevrilmek istendiğinde, çoğu zaman baştan kurmak gerekir.

Teknik olarak sistem Docker konteynerleri halinde paketlenir. Docker, yazılımı bağımlılıklarıyla birlikte taşınabilir bir pakete koyan dağıtım yöntemidir. Aynı paket test ve üretim ortamında birebir aynı şekilde çalışır. Modeller kurumun GPU sunucusunda çalışır; konteynerin GPU erişimi ayrıca yapılandırılır. Metin işleme gereken yerlerde lokal açık kaynak LLM modelleri kullanılabilir. LLM, büyük dil modeli demektir ve metni anlayıp üretebilen model ailesini tanımlar.

Dürüst olmak gerekirse her proje tamamen kapalı kurulmaz. Bazı işlerde ticari API entegrasyonları daha doğru sonuç verir; hibrit mimari bu yüzden yaygındır. Biz de hibrit çalışıyoruz: lokal açık kaynak modelleri ile ticari API entegrasyonlarını aynı proje içinde kullanabiliyoruz. Belirleyici olan şudur: hangi bileşenin nerede çalıştığı ve hangi verinin nereye gittiği proje başında yazılı hale getirilmelidir. On-premise kurulumda veri kurumun dışına çıkmaz; dışarıya bağlanan bir bileşen varsa bu saklanacak bir şey değil, sözleşmeye yazılacak bir maddedir.

Denetim masası hangi kanıtları ister?

İç denetim ve yönetim kurulu modelin başarısını değil, kanıtın varlığını sorar. Pratikte istenen altı belge şudur: görev tanımı, veri kaynağı ve izin zinciri, doğrulama raporu, sürüm kaydı, olay kaydı ve sorumluluk matrisi.

1. Görev tanımı. Sistem tam olarak neyi işaretliyor, neyi işaretlemiyor. Kapsam dışı bırakılan durumlar da yazılıdır; en çok tartışma buradan çıkar.
2. Veri kaynağı ve izin zinciri. Eğitim verisi nereden geldi, hangi hukuki dayanakla işlendi, kimlik alanları hangi aşamada ayrıştırıldı, veri nerede duruyor.
3. Doğrulama raporu. Hangi test kümesinde, kaç vaka üzerinde, hangi eşikle, hangi duyarlılık ve özgüllük değerleri elde edildi. Harici doğrulama yapıldıysa hangi merkezde.
4. Sürüm kaydı. Hangi model sürümü ne zaman devreye alındı, ne değişti, kim onayladı. Sürümsüz bir sistemde geçmişe dönük hiçbir soru cevaplanamaz.
5. Olay kaydı. Her çıktı için girdi referansı, skor, eşik, hekim kararı ve zaman damgası. Bu kayıt olmadan yanlış çıktı tartışması kanıta değil hafızaya dayanır.
6. Sorumluluk matrisi. Eşiği kim değiştirebilir, modeli kim güncelleyebilir, bir hata bildirimi kime düşer, sistem durdurma yetkisi kimde.

Bu altı başlık tesadüf değildir. ISO/IEC 42001, yapay zeka yönetim sistemleri için yayımlanmış uluslararası standarttır ve kuruluşun yapay zeka sistemlerini nasıl yönettiğini, risklerini nasıl ele aldığını ve kayıtlarını nasıl tuttuğunu tanımlar. Denetim masasında sorulan sorular ile bu standardın istediği kayıtlar büyük ölçüde örtüşür. AI Yapay Zeka Mühendislik A.Ş.'nin ISO 42001 belgesi bulunmakta, ayrıca aynı alanda danışmanlık verilmektedir.

Sistem üretime alındıktan sonra nasıl izlenir?

Model üretime alındıktan sonra performansı sabit kalmaz. Cihaz yenilenir, çekim protokolü değişir, hasta profili kayar; modelin eğitildiği veri dağılımı ile sahadaki dağılım ayrışır. Buna veri kayması denir ve performans düşüşü çoğu zaman sessiz gerçekleşir.

İzleme için üç şey yeterlidir: çıktı dağılımının zaman içinde takibi (skorların ortalaması kaydı erken haber verir), hekim ret oranının izlenmesi (ret oranı yükseliyorsa sistem güven kaybediyor demektir) ve belirli aralıklarla güncel veriyle yeniden doğrulama. Eşik de sabit bir sayı değildir; yeniden doğrulama sonuçlarına göre klinik tarafla birlikte gözden geçirilir.

Tanı destek projelerinde en sık yapılan beş hata nedir?

1. Tek merkezli veriyle yetinmek. Harici doğrulama yapılmadan alınan skor, o merkezin cihazlarına ait bir skordur.
2. Aynı hastanın verisini hem eğitim hem test kümesinde bırakmak. Veri sızıntısı skoru şişirir; hata ancak sahada ortaya çıkar.
3. Eşiği yalnızca teknik ekibin belirlemesi. Eşik, kaçırılan bulgu ile boş alarmın klinik maliyetini karşılaştıran bir karardır; hekim olmadan verilemez.
4. İş akışına girmeyen arayüz. Ayrı ekran, ayrı şifre, ayrı program gerektiren sistem yoğun günde terk edilir.
5. Kayıt katmanını sonraya bırakmak. Denetim başlayınca eklenen kayıt, denetimin sorduğu geçmişi kapsamaz.

Sıkça sorulan sorular

Tanı destek sistemi hekimin yerine karar verebilir mi?

Hayır. Tanı destek sistemi bulguyu işaretler, ölçüm çıkarır ve sıralama yapar; tanıyı hekim koyar. Doğru kurgulanmış bir sistemde her çıktının önünde onaylayan bir insan bulunur ve bu onay veya ret kayda geçer. Bu kayıt, olay sonrası incelemede kurumun elindeki tek nesnel belgedir.

Sağlık verisi kurumdan çıkmadan yapay zeka çalıştırılabilir mi?

Evet. On-premise kurulumda model kurumun kendi sunucusunda çalışır, görüntü kurumun ağından çıkmaz ve dışarıya istek gitmez. Sistem Docker konteynerleri halinde paketlenir, modeller kurumun GPU sunucusunda çalıştırılır. Bir bileşenin dışarıya bağlanması gerekiyorsa bu, proje başında yazılı hale getirilmesi gereken bir istisnadır.

Tanı destek sisteminin başarısı tek bir doğruluk yüzdesiyle ifade edilebilir mi?

Edilemez. En az duyarlılık ve özgüllük ayrı ayrı istenmelidir; nadir durumlarda pozitif kestirim değeri de eklenir. Ayrıca her rakam görev tanımı, veri kümesi, vaka sayısı ve uygulanan eşikle birlikte verilmelidir. Bağlamsız bir yüzde teknik incelemede kullanılamaz.

Duyarlılık ile özgüllük arasındaki fark nedir?

Duyarlılık, aranan durumun gerçekten var olduğu vakaların kaçının yakalandığını gösterir. Özgüllük ise aranan durumun bulunmadığı vakaların kaçının doğru şekilde temiz olarak işaretlendiğini gösterir. Eşiği düşürmek duyarlılığı artırır, özgüllüğü düşürür; bu denge klinik bir karardır.

Harici doğrulama neden şarttır?

Çünkü model, hastalıkla ilgisi olmayan cihaz ve protokol farklarını öğrenmiş olabilir. Harici doğrulama, modelin eğitimde hiç görmediği başka bir merkezin cihazından gelen veride de aynı performansı verip vermediğini ölçer. Tek merkezde alınan yüksek skor, o merkeze özgü bir skordur.

Tanı destek yazılımı tıbbi cihaz sayılır mı?

Tanı veya tedavi amacıyla kullanılması amaçlanan yazılımlar tıbbi cihaz mevzuatı kapsamına girebilir. Kapsamı belirleyen şey kullanılan teknoloji değil, üreticinin beyan ettiği kullanım amacıdır. Bu değerlendirme projenin başında hukuk ve klinik tarafla birlikte yapılmalı, pilot sonrasına bırakılmamalıdır.

Kurumda yeterli etiketli veri yoksa projeye başlanabilir mi?

Başlanabilir, ancak sırayla. Önce mevcut arşivden temsili bir alt küme seçilir, etiketleme protokolü yazılır ve küçük bir doğrulama kümesiyle görevin öğrenilebilir olup olmadığı ölçülür. Bu adım, büyük etiketleme bütçesi harcanmadan önce projenin fizibilitesini gösterir.

Bu alanda nasıl çalışıyoruz?

AI Yapay Zeka Mühendislik A.Ş., 2025 yılında kurulmuş bir yapay zeka mühendislik şirketidir. Görüntü işleme ve sağlık, en yoğun çalıştığımız alanlar arasındadır: bir hastane grubunda görüntü tabanlı tanı destek sistemi geliştirdik; organ nakli alanındaki klinik yapay zeka projemiz ise ulusal sağlık araştırma kurumunun değerlendirme sürecindedir.

Kurulumlarımız Docker konteynerleri halinde paketlenir ve ağırlıklı olarak on-premise çalışır, bulut opsiyoneldir. PyTorch, TensorFlow, OpenCV ve YOLO tabanlı modellerin yanında kendi geliştirdiğimiz yapay zeka altyapısını kullanırız. ISO 42001 belgemiz bulunuyor, aynı alanda danışmanlık da veriyoruz. Hizmetlerimizi Türkçe, İngilizce ve Fransızca yürütebiliyoruz.

AI Yapay Zeka Mühendislik A.Ş.
Şehit Muhtar Mah., Mis Sk. No:24, 34435 Beyoğlu/İstanbul
Telefon: 0540 509 19 05 · E-posta: gokhan@aiyapayzeka.io
Çalışma saatleri: her gün 09.00–19.00
Projenizi konuşmak için iletişime geçin

Ücretsiz danışmanlık için bize ulaşın

← Tüm yazılar