Yapay zeka (YZ), günümüzde tıbbi görüntüleme alanında önemli bir yer
edinmiştir. Manyetik rezonans görüntüleme (MRI), bilgisayarlı tomografi (CT) ve
ultrason (US) gibi çeşitli görüntüleme yöntemlerinde YZ uygulamaları giderek
yaygınlaşmaktadır. Bu yazıda, her üç cihazda YZ’ nin kullanımı ve sağladığı
avantajlar üzerinde durulacaktır.
Öncelikle, MRI' daki YZ uygulamaları, özellikle hastalık teşhisi ve görüntü
analizi açısından önemli gelişmeler göstermiştir. Örneğin, Wang et al. (Wang et al.,
2021), YZ algoritmaları kullanarak serviks kanseri gibi hastalıkların çok modlu MRI
analizini gerçekleştirmiştir. Bu tür uygulamalar, derin öğrenme algoritmalarının güçlü
model öğrenme yeteneğinden faydalanarak tümörlerin segmentasyonunu sağlar ve
daha doğru teşhisler elde edilmesine yardımcı olur. Ayrıca, YZ' nin geleneksel
yöntemlere göre daha yüksek doğruluk oranları sağladığı görülmüştür. Jiang et al.
(Jiang et al., 2022), YZ' nin endometriozis tanısı için MRI ile birlikte kullanıldığında,
tanısal doğruluğun %94.32 gibi yüksek bir orana ulaştığını belirtmektedir.
Bilgisayarlı tomografi (CT) alanında da YZ' nin etkisi oldukça belirgindir. Hızlı
ve etkili görüntüleme sağlama yeteneği nedeniyle, CT görüntülemesi; YZ destekli
sistemlerle birleştiğinde özellikle onkoloji uygulamalarında büyük bir potansiyele
sahip olmaktadır. Örneğin, Banks et al. Banks et al. (2018) tarafından yapılan bir
araştırma, YZ' nin tümör kan akışının değerlendirilmesinde CT' nin kullanımını
desteklediğini ve bu durumun tedavi yanıtları ile ilişkili olduğuna dair bilgiler
sunmaktadır. Sonuç olarak; YZ’ nin bu sistemlerle entegrasyonu, görüntülerin daha
hızlı bir şekilde analiz edilmesine ve sonuçların daha etkin bir biçimde
yorumlanmasına olanak tanır.
Ultrasonun rolü ise oldukça farklıdır; zira YZ, ultrason görüntülemesinde en
yaygın uygulama alanlarından biri olarak öne çıkmaktadır. Ultrason, düşük maliyeti ve
gerçek zamanlı görüntü sağlama özellikleri nedeniyle sıkça tercih edilmektedir. Li et
al. (Nishida & Kudo, 2020), YZ destekli ultrasonun karaciğer tümörlerinin tespitinde
geleneksel yönteme göre daha iyi sonuçlar verdiğini belirtmektedir. Stroszczynski ve
Jung Stroszczynski & Jung (2023)’ de ise YZ kullanarak şüpheli tiroid lezyonlarının
tespitinde ve karakterizasyonunda sağlanan iyileşmelerden bahsedilmektedir. Bunun
yanı sıra, Kwon et al. (Kwon et al., 2024), YZ destekli sistemlerin meme kanseri gibi
lezyonların daha doğru bir şekilde değerlendirilmesine yardım ettiğini
vurgulamaktadır.
YZ' nin sağlık hizmetlerinde yarattığı bir diğer önemli etki, zaman alıcı süreçleri
hızlandırması ve hata oranlarını düşürmesidir. Örneğin; YZ, görüntüleme verileri
üzerinden otomatik analizler yaparak daha doğru tanıların konmasına olanak tanır. AI
uygulamaları, klasik görüntüleme yöntemlerinin yanı sıra tıbbi veriler üzerinde daha
hızlı işlem yapılmasına olanak sağlamaktadır; bu da sağlık hizmetlerinin kalitesini
artırmaktadır.
Sonuç olarak; MRI, CT ve ultrason cihazlarında YZ' nin kullanımı, tıbbi
görüntüleme alanındaki etkinliği artırmış ve hasta bakımını iyileştirmiştir. YZ’ nin tanı
süreçlerine entegrasyonu, özellikle yüksek doğrulukla lezyon tespiti ve
karakterizasyonunu mümkün hale getirirken zaman ve maliyet açısından da önemli
avantajlar sunmaktadır. Bu nedenle, YZ’ nin tıbbi görüntülemede gelecekte daha da
yaygın bir şekilde kullanılacağı öngörülmektedir.
KAYNAKÇA
Banks, T., Eyben, R., Hristov, D., & Kidd, E. (2018). Pilot study of combined fdg‐pet
and dynamic contrast‐enhanced ct of locally advanced cervical carcinoma before and
during concurrent chemoradiotherapy suggests association between changes in
tumor blood volume and treatment response. Cancer Medicine, 7(8), 3642-3651.
https://doi.org/10.1002/cam4.1632
Jiang, N., Xie, H., Lin, J., Wang, Y., & Yin, Y. (2022). Diagnosis and nursing
intervention of gynecological ovarian endometriosis with magnetic resonance imaging
under artificial intelligence algorithm. Computational Intelligence and Neuroscience,
2022, 1-10. https://doi.org/10.1155/2022/3123310
Kwon, H., Oh, S., Kim, M., Kim, Y., Jung, G., Lee, H., … & Bae, H. (2024). Enhancing
breast cancer detection through advanced ai-driven ultrasound technology: a
comprehensive evaluation of vis-bus. Diagnostics, 14(17), 1867.
https://doi.org/10.3390/diagnostics14171867
Nishida, N. and Kudo, M. (2020). Artificial intelligence in medical imaging and its
application in sonography for the management of liver tumor. Frontiers in Oncology,
- https://doi.org/10.3389/fonc.2020.594580
Stroszczynski, C. and Jung, F. (2023). Advanced multimodal imaging of solid thyroid
lesions with artificial intelligence-optimized b-mode, elastography, and contrast-
enhanced ultrasonography parametric and with perfusion imaging: initial results.
Clinical Hemorheology and Microcirculation, 84(2), 227-236.
https://doi.org/10.3233/ch-239102
Wang, B., Zhang, Y., Wu, C., & Wang, F. (2021). Multimodal mri analysis of cervical
cancer on the basis of artificial intelligence algorithm. Contrast Media & Molecular
Imaging, 2021, 1-11. https://doi.org/10.1155/2021/1673490