30 Saniyede Özet
Glokom taramasında optik disk fotoğrafını kim daha iyi okur: eğitimli insan mı, makine öğrenmesi mi? Ophthalmology dergisinde 10 Ağustos 2026'da yayımlanan İngiliz çalışmasında, 6.304 kişilik toplum örnekleminde model glokomu daha iyi ayırt etti. Eğri altındaki alan (AUC) modelde gözlere göre 0,88–0,90, insan okuyucularda 0,79–0,81 oldu. Karşılaştırılan tek parametre dikey çukurluk/disk oranıydı ve yazarlardan dördü Google çalışanı.
Ne oldu?
Çalışmayı Moorfields Göz Hastanesi ve UCL Oftalmoloji Enstitüsü'ne bağlı Ulusal Sağlık ve Bakım Araştırmaları Enstitüsü (NIHR) Biyomedikal Araştırma Merkezi yürüttü. Google Research ile Norfolk ve Norwich Üniversite Hastanesi'nden araştırmacılar da ekipteydi. Veri, İngiltere'nin Norfolk bölgesinde toplum temelli bir kohort olan EPIC-Norfolk Göz Çalışması'ndan geldi.
Araştırmacılar dikey çukurluk/disk oranına (VCDR; optik sinir başındaki çukurluğun disk çapına oranı) odaklandı. Bu oran, glokomda optik sinir hasarının temel göstergelerinden biri. VCDR her iki gözde iki yolla ayrı ayrı ölçüldü. Bir yolda eğitimli insan okuyucular, diğerinde dışarıda eğitilmiş ve açık erişimli bir makine öğrenmesi modeli kullanıldı.
Model iki aşamada hazırlanmıştı. Önce oftalmologların işaretlediği 81.830 görüntüyle bir sinir ağı eğitildi. Bu ağ, UK Biobank'taki 100 binden fazla görüntü için otomatik etiketler üretti ve asıl model bu etiketlerle eğitildi.
Bu yaklaşım, her görüntünün uzmanca işaretlenmesine gerek kalmadan büyük veriyle eğitim yapmayı sağlıyor. Öte yandan ilk ağın olası hataları da otomatik etiketlere taşınabilir.
Glokom tanısı ise üçüncü basamak merkezde uzman muayenesiyle kondu. Katılımcıların yaş ortalaması 68, %57'si kadındı. Toplam 696 kişinin en az bir gözünde glokom ya da glokom şüphesi vardı.
Kanıt ne kadar güçlü?
Sonuçlar net bir üstünlük gösteriyor. Sol gözde insan okuyucuların ölçtüğü oran glokom durumundaki değişkenliğin %17'sini, model ölçümü %31'ini açıkladı. AUC (hastayı sağlamdan ayırma gücü; 0,5 şans düzeyi, 1 kusursuz) 0,79'a karşı 0,88 oldu. Sağ gözde açıklanan değişkenlik %20'ye karşı %35, AUC ise 0,81'e karşı 0,90 bulundu.
Model, yaygın kullanılan açık kaynaklı AutoMorph modelinden de iyi çalıştı. Tarayıcı lazer oftalmoskopi cihazı Heidelberg Retina Tomografı (HRT) ile yapılan ölçümleri de geride bıraktı. Toplum temelli örneklem, hastalık sıklığını gerçek hayata yakın tuttuğu için olgu-kontrol çalışmalarına göre daha güvenilir bir sınama sunuyor.
Sınırlılıklar da var. Tasarım kesitsel; tam metne erişemediğimiz için değerlendirmemiz özete dayanıyor. Özet, tarama için kritik olan belirli bir eşikteki duyarlılık ve özgüllüğü vermiyor. "Glokom ya da şüphe" birleşik sonlanımı, kesin glokomla sınırlı bir analizden farklı sonuç verebilir.
Katılımcılar ağırlıklı olarak İngiltere'nin tek bir bölgesinden ve ileri yaştan. Farklı etnik gruplarda ve farklı fundus kameralarında performans ayrıca gösterilmeli. Glokom yalnız optik disk görünümüyle tanımlanmaz; görme alanı ve göz içi basıncı da değerlendirmenin parçası.
Çıkar çatışması belirgin. Dört yazar Google çalışanı, üç yazar da Google Health'ten danışmanlık ücreti almış.
Google araştırmacıları fundus fotoğrafından otomatik VCDR ölçümünü daha önce, 2021'de American Journal of Human Genetics'te yayımlanan bir genetik çalışmada kullanmıştı. O çalışmada da EPIC-Norfolk verisi bağımsız kohort olarak yer almıştı. Bu nedenle bulguların tamamen farklı ekiplerce tekrarlanması değerli olur.
Hekim için ne anlama geliyor?
Glokom, çoğu zaman belirti vermeden ilerleyen ve geri dönüşsüz görme kaybına yol açan bir hastalık. Fundus fotoğrafı ise diyabetik retinopati taramasında zaten sık çekiliyor. Bu çalışma, aynı fotoğraftan otomatik VCDR ölçümünün glokom şüphesini daha iyi yakalayabileceğini düşündürüyor.
Pratikte dikkat edilecek noktalar:
- VCDR tek başına tanı değildir; şüpheli hastayı oftalmoloji değerlendirmesine yönlendirin.
- Normal bir otomatik ölçüm, aile öyküsü ya da yüksek göz içi basıncı varsa muayeneyi ertelemek için gerekçe değildir.
- Bir tarama aracı değerlendirilirken eşik değeri, yanlış pozitif oranı ve sevk yükü sorulmalı.
Türkiye'den bakınca
Bu modelin Türkiye'de klinik kullanımda olduğuna dair bir bilgi bulamadık. Model açık erişimli olduğu için yerel araştırmacıların kendi fundus arşivlerinde sınaması teknik olarak mümkün; asıl ihtiyaç da bu.
Diyabetik retinopati için fundus fotoğrafı çeken birimler, aynı görüntüden glokom şüphesi işaretlemenin sevk yükünü önceden hesaplamalı. Tanı amaçlı kullanım ise tıbbi cihaz olarak Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK) düzenlemelerine tabi olur.
Sık sorulan sorular
Makine öğrenmesi glokom tanısı koyuyor mu?
Hayır. Model yalnız fundus fotoğrafından dikey çukurluk/disk oranını ölçüyor. Tanı, uzman muayenesi ve ek testlerle konuyor.
İnsan okuyucular neden geride kaldı?
Özet bunun nedenini ayrıntılı açıklamıyor. İki boyutlu fotoğrafta disk sınırlarını elle belirlemek zor ve okuyucular arasında farklılık gösterebilir.
Bu sonuç tarama programlarını değiştirir mi?
Henüz değil. Önce farklı toplumlarda doğrulama ve gerçek tarama akışında prospektif çalışmalar gerekiyor.
Kaynaklar
Taylor TRP ve ark. (2026) — A Comparison of Machine Learning and Human Graders for Glaucoma Diagnosis from Fundus Images for Population Screening, Ophthalmology: https://doi.org/10.1016/j.ophtha.2026.07.043
PubMed (2026) — Aynı makalenin özeti ve çıkar çatışması beyanı: https://pubmed.ncbi.nlm.nih.gov/42575300/
Alipanahi B ve ark. (2021) — Large-scale machine-learning-based phenotyping significantly improves genomic discovery for optic nerve head morphology, Am J Hum Genet: https://pubmed.ncbi.nlm.nih.gov/34077760/
T.C. Mevzuat Bilgi Sistemi (2016) — 6698 sayılı Kişisel Verilerin Korunması Kanunu: https://www.mevzuat.gov.tr/mevzuat?MevzuatNo=6698&MevzuatTur=1&MevzuatTertip=5
Türkiye İlaç ve Tıbbi Cihaz Kurumu — Resmî web portalı: https://www.titck.gov.tr
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
Ophthalmology'deki EPIC-Norfolk analizinde fundus fotoğrafından optik disk çukurluğunu ölçen model, glokomu insan okuyuculardan daha iyi ayırt etti.