Kapak görseli yapay zekâ ile üretilmiş temsili bir editoryal görseldir; gerçek hasta veya tanısal görüntü değildir.
30 Saniyede Özet
Yapay zekâ destekli tarama araçları çoğu zaman "daha çok kanser bulduk" cümlesiyle tanıtılır. Oysa ek bulunan her lezyon hastaya fayda sağlamaz; bir kısmı hiç belirti vermeyecek hastalıklardır. Buna aşırı tanı denir ve yapay zekâ bu sorunu kendiliğinden çözmez. Bir aracı değerlendirirken yalnızca saptama oranına değil; aralık kanserine, ileri evre hastalığa ve mümkünse ölüm verisine bakın.
Aşırı tanı tam olarak nedir?
Welch ve Black 2010'da JNCI'da aşırı tanıyı net bir çerçeveye oturttu. Tanıma göre aşırı tanı, aksi hâlde belirti ya da ölüme yol açmayacak bir "kanserin" saptanmasıdır. Bazı lezyonlar hiç ilerlemez, hatta geriler. Bazıları o kadar yavaş büyür ki hasta başka bir nedenle ölür.
Yazarlar ayrıca toplumda sessiz bir hastalık havuzu bulunduğunu vurguluyor. Tarama bu havuza ne kadar derin inerse, önemsiz lezyon bulma olasılığı o kadar artar. Yazarların o dönemki tahminine göre mamografiyle bulunan meme kanserlerinin yaklaşık dörtte biri aşırı tanı olabilir. Bu tür tahminler yönteme göre değişir; kesin bir oran gibi okunmamalı.
Aşırı tanı yanlış pozitiften farklıdır. Yanlış pozitifte sonradan hastalık olmadığı anlaşılır. Aşırı tanıda ise patolojik olarak gerçek ama klinik olarak önemsiz bir lezyon vardır.
Yapay zekâ bu tabloyu neden değiştirebilir?
Adamson ve Welch 2019'da NEJM'de makine öğrenmesinin kanser tanısındaki temel sorunu çözmediğini savundu. Sorun şu: Kanser için kesin bir histopatolojik altın standart yok. Algoritmalar patologların koyduğu etiketlerle eğitilir. Ancak bazı lezyonların kanser sayılıp sayılmayacağı konusunda evrensel bir tanım bulunmuyor.
Yazarlara göre görüntü incelemesi hızlanıp ucuzladıkça daha çok tetkik istenebilir. Bu da önemsiz lezyonları bulma fırsatını büyütür.
Önerileri dikkat çekici: Algoritmalar "kanser var" ve "kanser yok" dışında üçüncü bir ara kategori de öğrenmeli. Bu kategori, patologların kanser olup olmadığında uzlaşamadığı lezyonları kapsar. Bu ara gruptaki hastalara daha temkinli bir klinik yaklaşım uygulanabilir.
Tarama örneği: MASAI ne gösterdi?
İsveç'teki MASAI, yapay zekâ destekli mamografi taramasını standart çift okumayla karşılaştıran randomize bir çalışma. 2021–2022 arasında 105.934 kadın çalışmaya alındı. 2025'te The Lancet Digital Health'te yayımlanan analizde kanser saptama oranı binde 6,4'e karşı binde 5,0 idi. Bu göreli olarak %29'luk bir artış; mutlak fark ise binde 1,4.
Ek saptananların bir kısmı in situ kanserdi: Yapay zekâ grubunda 68, kontrol grubunda 45. Ek in situ kanserlerin yaklaşık yarısı yüksek dereceliydi. Geri çağırma ve yanlış pozitif oranları anlamlı biçimde artmadı. Radyolog okuma yükü ise yaklaşık %44 azaldı.
Bu tablo tek başına aşırı tanı sorusunu yanıtlamaz. Daha çok in situ kanser bulmak otomatik olarak fayda anlamına gelmez. Asıl soru şu: Ek tanılar, ileride zarar verecek kanserleri mi önlüyor?
Aralık kanseri neden bu kadar önemli?
Aralık kanseri, taramada saptanmayıp iki tarama arasında tanı alan kanserdir. Taramanın kaçırdığı, klinik önemi olan hastalığı yansıtır. Yapay zekâ gerçekten önemli kanserleri erken yakalıyorsa aralık kanserleri azalmalı.
MASAI'nin 2026'da The Lancet'te yayımlanan sonuçları tam bu soruya odaklandı. Aralık kanseri oranı binde 1,55'e karşı binde 1,76 idi. Daha kötü olmama (non-inferiority) ölçütü karşılandı; ancak aradaki fark istatistiksel olarak anlamlı değildi. Duyarlılık %80,5'e karşı %73,8, özgüllük ise iki grupta %98,5 idi.
Basın açıklamasına göre yapay zekâ grubunda invaziv, büyük ve agresif alt tipte aralık kanserleri sayıca daha azdı. Bu, ek tanıların bir kısmının klinik önemli olabileceğini düşündüren bir sinyal. Yine de yazarlar sonuçların tek ülke, tek mamografi cihazı ve tek yapay zekâ sistemiyle sınırlı olduğunu belirtiyor. Bu bir tarama doğruluğu çalışması; birincil sonlanımı ölüm değil, aralık kanseri.
Bir senaryo: "Dermatologlardan daha çok melanom buluyor"
Şöyle bir durum düşünün. Hastanenize dermatoskopi görüntülerinde melanom şüphesini işaretleyen bir yazılım öneriliyor. Tanıtım sunumu, yazılımın dermatologlardan daha çok melanom bulduğunu vurguluyor. Ama sunumda eksizyon sayısı, lezyonların evresi ve kalınlığı yok.
Bu durumda "daha çok melanom" ifadesi, ince ve erken lezyonlardaki bir artışı da yansıtabilir. Bu lezyonların bir kısmı hiç zarar vermeyecek olabilir. Satıcıdan ek biyopsi yükünü ve bulunan lezyonların dağılımını isteyin.
Kontrol listesi: Hangi sonuç verisini istemelisiniz?
- Saptama artışı mutlak sayılarla mı veriliyor, yoksa yalnızca göreli yüzde olarak mı?
- Ek bulunan lezyonların evre, derece ve boyut dağılımı ne?
- Aralık kanseri ya da ileri evre hastalık oranı azaldı mı?
- Geri çağırma, biyopsi ve yanlış pozitif sayıları nasıl değişti?
- Çalışma randomize mi, hangi ülkede ve hangi cihazla yapıldı?
- Ölüm ya da yaşam kalitesi gibi hasta için önemli sonlanımlar raporlandı mı?
Türkiye'deki hekim için ne anlama geliyor?
Türkiye'de 2021 tarihli Tıbbi Cihaz Yönetmeliği, aktif cihaz tanımına yazılımları da dahil ediyor. Yönetmelikte "Kurum" olarak Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK) tanımlanıyor. Ancak bir ürünün piyasaya uygun bulunması, tarama programında net fayda sağladığı anlamına gelmez. İsveç'teki bir sonucu kendi nüfusunuza taşımadan önce cihaz, okuyucu deneyimi ve tarama aralığı farklarını düşünün.
Sık sorulan sorular
Aşırı tanı ile yanlış pozitif aynı şey mi?
Hayır. Yanlış pozitifte ileri incelemeyle hastalık olmadığı anlaşılır. Aşırı tanıda ise gerçek ama hastanın ömrü boyunca zarar vermeyecek bir lezyon bulunur.
MASAI yapay zekânın aşırı tanıya yol açmadığını kanıtladı mı?
Tam olarak değil. Sayıca daha az ve daha az agresif aralık kanseri, ek tanıların bir kısmının klinik önemli olabileceğini düşündürüyor. Ancak ek in situ tanıların ne kadarının aşırı tanı olduğunu bu veriler kesin olarak söylemez.
Hastaya bu belirsizliği nasıl anlatırım?
Taramanın hem yararı hem zararı olabileceğini sade bir dille açıklayın. Bazı bulguların hiç sorun çıkarmayacağını, ama bunu önceden her zaman ayırt edemediğimizi söyleyin.
Kaynaklar
- Welch HG, Black WC (2010) — Overdiagnosis in cancer (Journal of the National Cancer Institute): https://doi.org/10.1093/jnci/djq099
- Adamson AS, Welch HG (2019) — Machine Learning and the Cancer-Diagnosis Problem — No Gold Standard (NEJM): https://doi.org/10.1056/NEJMp1907407
- Hernström V ve ark. (2025) — Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI) (The Lancet Digital Health): https://doi.org/10.1016/S2589-7500(24)00267-X
- Gommers J ve ark. (2026) — Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study (The Lancet): https://doi.org/10.1016/S0140-6736(25)02464-X
- The Lancet / EurekAlert! (2026) — AI-supported mammography screening results in fewer aggressive and advanced breast cancers: https://www.eurekalert.org/news-releases/1114399
- Resmî Gazete (2021) — Tıbbi Cihaz Yönetmeliği: https://www.lexpera.com.tr/resmi-gazete/metin/tibbi-cihaz-yonetmeligi-31499-1-1
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
Yapay zekâ taramada daha çok lezyon yakalayabilir, ama her ek tanı fayda değildir. Aşırı tanı kavramı, MASAI verisi ve istenmesi gereken sonuç verileri.