IDx-DR (2018'de FDA onaylı)
Hedef hastalık: diyabetik retinopati
Doğruluk: duyarlılık %87,2, özgüllük %90,7
Özellikler: tamamen otonom. Göz hastalıkları uzmanı olmayanlar tarafından kullanılabilir. Dahiliye ve birinci basamakta kullanılır2)
Göz hekimliğinde yapay zekâ tanısının bugünü ve geleceği (AI Diagnosis in Ophthalmology)
Bir bakışta önemli noktalar
Section titled “Bir bakışta önemli noktalar”1. Göz hastalıklarında yapay zeka tanısı nedir
Section titled “1. Göz hastalıklarında yapay zeka tanısı nedir”Yapay zeka (AI), insan zekasını taklit eden makine öğrenimi sistemleri için kullanılan genel bir terimdir. Derin öğrenme (DL), gelişmiş özellikleri çıkarmak ve karmaşık kararlar vermek için çok katmanlı sinir ağları kullanan bir yapay zeka alt kümesidir1).
Göz hastalıkları, yapay zeka uygulamasının en çok ilerlediği tıp alanlarından biridir. Fundus fotoğrafları, OCT (optik koherens tomografi), görme alanı testleri ve diğer görüntü verileri standartlaştırılmıştır; bu da büyük miktarda eğitim verisi elde etmeyi kolaylaştırır. Yapay zekanın başlıca kullanım amaçları aşağıdaki 3 noktadır.
- Tarama verimliliğini artırmak (göz hastalıkları uzmanlarının okuma yükünü azaltmak)
- Uzman eksikliği olan bölgelerde erişimi iyileştirmek
- Tanısal doğruluğu standartlaştırmak (kurumlar arasındaki farkları azaltmak)
2018’de FDA, tamamen otonom ilk yapay zeka tanı sistemini (IDx-DR) onaylayarak göz hastalıklarında yapay zeka tanısının pratik kullanımını hızlandırdı2). IDx-DR, dahiliye ve birinci basamak sağlık hizmetlerinde göz hastalığı uzmanı olmayan personel tarafından kullanılabilir ve göz hastalıkları uzmanına sevk gerekip gerekmediğini otomatik olarak belirler2).
Derin öğrenme sistemleri, diyabetik retinopati, glokom ve AMD saptamada uzmanlara benzer doğruluk göstermiş ve fundus fotoğrafları kullanılarak yapay zeka tanısının potansiyeli ortaya konmuştur8).
Q
Oftalmolojide yapay zeka nasıl kullanılır?
A
Yapay zeka, fundus fotoğrafları ve OCT görüntülerini otomatik olarak analiz ederek diyabetik retinopati, glokom ve yaşa bağlı makula dejenerasyonu gibi hastalıkları saptar. Tarama yapay zekası (tam otonom) göz hekimi olmayan kişiler tarafından kullanılabilir ve uzman eksikliği olan bölgelerde birincil tarama için kullanılır. Yapay zeka sohbet botlarının (GPT-4 gibi) oftalmoloji bilgisini değerlendirme ve hasta eğitimi için kullanımı da araştırılmaktadır3). Nihai tanı, bir göz hastalıkları uzmanının yaptığı yardımcı bir araç olarak konumlandırılır.
2. Yapay zekanın türleri ve hedef hastalıklar
Section titled “2. Yapay zekanın türleri ve hedef hastalıklar”Oftalmolojide yapay zeka, işlev ve otonomi düzeyine göre genel olarak aşağıdaki üç tipe ayrılır.
Tarama yapay zekası (tam otonom)
Fundus fotoğraflarını otomatik olarak analiz eder ve sevk gereksiz mi yoksa gerekli mi diye karar verir. Göz hastalıkları uzmanı olmasa bile çalışabilir ve aşağıdaki hastalıklarda uygulanır2).
- Diyabetik retinopati (DR): en çok araştırılan ve en çok kullanılan
- Yaşa bağlı makula dejenerasyonu (AMD): drusen ve neovaskülarizasyonun saptanması
- Glokom: optik disk ve sinir lifi tabakasının otomatik analizi
- Prematüre retinopatisi (ROP): yenidoğan yoğun bakımında yenidoğan taraması
- Retinoblastom: çocuklarda fundus izlemi
Tanısal destek yapay zekâsı (yarı otonom)
Doktorun görüntüleri yorumlamasına yardımcı olan bir sistemdir. OCT’nin katman yapısının otomatik segmentasyonu ile AMD alt tip sınıflandırmasında ve diyabetik makula ödeminin (DME) şiddet değerlendirmesinde kullanılır.
Yapay zekâ sohbet robotu (çok modlu)
Metni (anamnez bilgileri) ve görüntüleri (fundus fotoğrafları ve OCT) aynı anda analiz eden büyük dil modeli uygulamasıdır. ChatGPT-4’ün göz hastalıkları bilgisi ve görüntü yorumlama yeteneği değerlendirilmiş olup, hasta eğitimi ve uzaktan anamnez için kullanımı değerlendirilmektedir3).
| Yapay zekâ türü | Temsilci sistem | Hedef | Doğruluk ölçütü |
|---|---|---|---|
| Tarama yapay zekâsı (otonom) | IDx-DR2) | Diyabetik retinopati | Duyarlılık %87,2, özgüllük %90,7 |
| Tarama YZ (özerk) | i-ROP DL5) | ROP | Duyarlılık %91, özgüllük %91 |
| Tarama YZ (özerk) | EyeArt4) | diyabetik retinopati | Birleşik Krallık NHS’de değerlendirildi ve kullanılıyor |
| YZ sohbet botu | ChatGPT-43) | oftalmoloji bilgi değerlendirmesi | genel doğruluk %70 |
3. Başlıca yapay zeka sistemleri ve tanısal doğruluk
Section titled “3. Başlıca yapay zeka sistemleri ve tanısal doğruluk”IDx-DR (Digital Diagnostics)
Section titled “IDx-DR (Digital Diagnostics)”2), 2018’de FDA tarafından onaylanan ilk tamamen otonom yapay zeka tanı sistemidir. Göz hastalıkları uzmanı olmayan personel, pupillası genişletilmemiş fundus kamerasıyla görüntü alır; yapay zeka bunları otomatik olarak analiz eder ve sevk gerekip gerekmediğine karar verir. Birinci basamak sağlık kuruluşlarında kullanımı yaygınlaşmaktadır.
Başlıca performans göstergeleri (Abràmoff ve ark. 2018 dönüm noktası çalışması)2):
- Duyarlılık: %87,2 (orta derece ve üzeri diyabetik retinopatiyi saptama)
- Özgüllük: %90,7
- Pozitif öngörü değeri: %49,7, negatif öngörü değeri: %98,5
IDx-DR, dahiliye ve birinci basamak sağlık kuruluşlarında otonom DR taramasını mümkün kılmış, göz hastalıkları uzmanına sevk edilmesi gereken vakaların verimli biçimde seçilmesini sağlamıştır2).
AI sohbet botu (ChatGPT-4) ile göz görüntüsü yorumlama
Section titled “AI sohbet botu (ChatGPT-4) ile göz görüntüsü yorumlama”GPT-4’ün göz hastalıkları çoktan seçmeli sorularındaki doğruluğu değerlendirilmiştir3) ve genel doğruluk %70’tir.
- Genel doğruluk: %70 (299/428 soru)
- Branşa göre doğruluk sıralaması:
| Alan | Doğruluk |
|---|---|
| Retina | 77% (en yüksek)3) |
| Göz tümörleri | 72%3) |
| Pediatrik oftalmoloji | 68%3) |
| Üveit | 67%3) |
| Glokom | 61%3) |
| Nörooftalmoloji | %58 (en düşük)3) |
- Görüntü tabanlı sorular: %65, görüntü tabanlı olmayan sorular: %82 (fark %17, P < .001)3)
Bu fark, sohbet robotunun görüntüleri yorumlama becerisinin hala görüntüye dayalı olmayan metni anlama becerisinden geri olduğunu gösterir. Çok modlu sohbet robotlarının klinik ortamlara uygun şekilde entegre edilmesinin gerekli olduğu belirtilmiştir3).
EyeArt (Eyenuk)
Hedef hastalık: diyabetik retinopati
Doğruluk: Birleşik Krallık NHS’sinde değerlendirilmiş ve pratik kullanıma alınmıştır
Özellikler: tarama programlarına entegrasyon geçmişi vardır4)
i-ROP DL (2018)
Hedef hastalık: prematüre retinopatisi (ROP)
Doğruluk: duyarlılık %91, özgüllük %91
Özellik: yenidoğan yoğun bakım ünitesinde plus hastalığının otomatik saptanması5)
ChatGPT-4 (OpenAI)
Konu: oftalmoloji bilgisi ve görüntü yorumlama değerlendirmesi
Doğruluk: genel doğru yanıt oranı %70 (retina %77, nöro-oftalmoloji %58)
Özellik: hasta eğitimi ve uzaktan görüşme için araştırma aşamasında3)
Q
Yapay zeka göz hastalıklarının tanısında ne kadar doğru?
A
Diyabetik retinopati taraması için yapay zeka (IDx-DR) %87,2 duyarlılık ve %90,7 özgüllük gösterdi; doğruluğu göz hastalıkları uzmanının yorumuyla karşılaştırılabilirdi2). Prematüre retinopatisi (ROP) için yapay zeka (i-ROP DL) de %91 duyarlılık ve %91 özgüllüğe ulaştı5). Buna karşılık, yapay zeka sohbet botu (ChatGPT-4) için oftalmoloji bilgisi değerlendirmesinde genel doğru yanıt oranı %70 oldu; nöro-oftalmoloji alanında ise %58 ile daha düşüktü3). Her durumda yapay zeka yalnızca bir yardımcı araçtır; bir anormallik saptanırsa göz hastalıkları uzmanı tarafından ayrıntılı muayene gerekir.
4. Maliyet-etkinlik ve sağlık ekonomisi
Section titled “4. Maliyet-etkinlik ve sağlık ekonomisi”Yapay zeka ile yapılan göz taramasının maliyet-etkinliğine ilişkin kanıtlar birçok çalışmada birikmektedir1).
Diyabetik retinopati (DR) taraması
Section titled “Diyabetik retinopati (DR) taraması”Wu ve ark.nın (2021) sistematik derlemesinde, yapay zekâ tabanlı DR taramasının ekonomik değerlendirmesini yapan 15 çalışmanın 11’i bunun maliyet-etkin olduğunu değerlendirdi1).
- İskoçya NHS’i: yıllık $403,200 tasarruf
- ABD (IDx-DR/EyeArt): hasta başına %23.3 maliyet azalması
- Çin kırsalı: yapay zekâ taraması insan değerlendiricilere göre $34.86 daha ucuzdu ve QALY’yi 0.04 artırdı
| Bölge/ortam | Maliyet-etkililik değerlendirmesi | Kaynak |
|---|---|---|
| İskoçya NHS’i | Yıllık $403,200 tasarruf | Wu 20211) |
| ABD birinci basamak bakımı | Hasta başına %23.3 maliyet azalması | Wu 20211) |
| Çin’in kırsal bölgeleri | insan değerlendiricilerden $34.86 daha ucuz, +0.04 QALY | Wu 20211) |
| Japonya (AMD, Tamura et al. 2022) | ICER $99,283/QALY (eşik değerin üzerinde) | Wu 20211) |
Prematüre retinopatisi (ROP) taraması
Section titled “Prematüre retinopatisi (ROP) taraması”Otonom YZ taramasının, tele tıp, oftalmoskopi ve yardımcı YZ ile karşılaştırıldığında en maliyet-etkili olduğu bildirilmiştir1). Ödeme isteği eşiği 7 $ olduğunda, yardımcı taramaya kıyasla maliyet-etkili bulunmuştur1).
AMD (yaşa bağlı makula dejenerasyonu) taraması
Section titled “AMD (yaşa bağlı makula dejenerasyonu) taraması”Japon kohort simülasyonunda (40 yaş ve üzeri 500,000 kişi, prevalans 3.85%) 3 yılda bir yapılan YZ taramasının ICER değeri $99,283/QALY ($92,890-$99,283) idi1). Bu, Japonya’nın ödeme isteği eşiğini (yaklaşık $47,286/QALY) aştığından, AMD taramasının maliyet-etkinliği şu an için belirsiz kalmaktadır1). Bununla birlikte, YZ teknolojisindeki ilerlemeler ve maliyetlerin düşmesi gelecekte iyileşme sağlayabilir.
5. Zorluklar ve sınırlamalar
Section titled “5. Zorluklar ve sınırlamalar”Teknik zorluklar
Section titled “Teknik zorluklar”- Eğitim verisi yanlılığı: belirli ırklara veya yaş gruplarına eğilimli eğitim verilerinde, diğer gruplarda doğruluk düşer1)
- Görüntü kalitesine bağımlılık: fundus fotoğraflarının kalitesi (göz bebeği genişletmesi olup olmaması, ortam opasiteleri ve çekim koşulları) yapay zekâ doğruluğunu doğrudan etkiler
- Nadir hastalıklarla baş etme zorluğu: eğitim verisi az olan hastalıklarda yeterli doğruluk elde edilemez
- Kara kutu sorunu: yapay zekânın kararlarının dayanağı şeffaf değildir ve bu durum klinisyenlerin hesap verebilirliğini yerine getirmesini zorlaştırır1)
- Nöro-oftalmolojide düşük doğruluk: ChatGPT-4’ün nöro-oftalmolojide doğru cevap oranı %58 ile en düşüktü ve karmaşık optik sinir hastalıklarının yorumlanmasında sınırlar vardı3)
Etik ve düzenleyici zorluklar
Section titled “Etik ve düzenleyici zorluklar”Oftalmolojide yapay zekâya ilişkin aşağıdaki etik ve yasal sorunlar sıralanır1).
- Hasta gizliliği ve veri güvenliği: fundus görüntülerinin bulutta yönetimi ve uluslararası paylaşımı için düzenlemelerin oluşturulması
- Yanlış tanıda sorumluluk: yapay zekâ yanlış tanı koyarsa sorumluluk doktorda mı yoksa yapay zekâ üreticisinde mi olur
- Düzenleme ve onay süreçleri: FDA (ABD), İlaç ve Tıbbi Cihaz Yasası (Japonya) ve diğerleri kapsamında yapay zekâ tıbbi cihazları için uygun değerlendirme sistemleri
- Açıklanabilirliğin (explainability) sağlanması: yapay zekâ kararlarının dayanağını klinisyenlerin ve hastaların anlayabileceği şekilde sunmanın önemi
Sağlık ekonomisi sorunları
Section titled “Sağlık ekonomisi sorunları”- İlk kurulum maliyeti (donanım, yazılım ve personel eğitimi) yüksek olabilir1)
- Düşük gelirli ve yüksek gelirli ülkeler arasında maliyet-etkinlik farkı büyüktür1)
- Sigorta geri ödeme sistemleri her ülkede geliştirilmektedir ve Japonya’daki uygulama hâlâ gelişme aşamasındadır
Q
Yapay zekâ ile göz tanısı güvenli mi?
A
FDA gibi düzenleyici kurumlar tarafından onaylanan sistemler (IDx-DR gibi) sıkı klinik çalışmalardan geçmiş ve belirli bir güvenlik düzeyi doğrulanmıştır2). Ancak yapay zekâ tanısı bir yardımcı araçtır; kesin tanı ve tedavi planını göz hastalıkları uzmanı belirlemelidir. Hastanın yalnızca bir yapay zekâ sohbet botu (ChatGPT gibi) ile kendi kendine tanı koyması önerilmez. Görüntü kalitesinin kötü olduğu durumlarda, nadir hastalıklarda ve nöro-oftalmoloji alanında yapay zekânın doğruluğu azalabilir3); bu nedenle bir anormallik şüphesi varsa hızla göz doktoruna başvurmak önemlidir.
6. Teknik temel: derin öğrenme nasıl çalışır
Section titled “6. Teknik temel: derin öğrenme nasıl çalışır”
Arias-Serrano I, et al. Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB — retrained AlexNet convolutional neural network. F1000Research. 2024;12:14. Figure 8. PMCID: PMC11143403. License: CC BY.
Normal göz (Non_D), glokom şüphesi (Sus_G) ve diyabetik retinopati şüphesi (Sus_R) olan göz dibi fotoğraflarının (sol sütun) üzerine AlexNet, ResNet50 ve GoogLeNet’e ait Grad-CAM ısı haritalarının bindirildiği karşılaştırmalı şekil. Kırmızıdan sarıya doğru daha yüksek dikkat, mavi ise daha düşük dikkat anlamına gelir. Glokom olgularında optik disk çevresinde, diyabetik retinopati olgularında ise makuladan arka kutba kadar güçlü aktivasyon görülür. Bu, metindeki “Teknik temel: derin öğrenme nasıl çalışır” bölümünde ele alınan Grad-CAM ve evrişimli sinir ağı görselleştirme tekniklerine karşılık gelir.
Evrişimli Sinir Ağı (CNN)
Section titled “Evrişimli Sinir Ağı (CNN)”Evrişimli sinir ağı (CNN: Convolutional Neural Network), göz hastalıkları alanında yapay zekâ tanısının temel teknolojisidir.
- Girdi olarak verilen göz dibi ve OCT görüntülerinden özellikleri hiyerarşik olarak otomatik biçimde çıkarır
- Sığ katmanlar kontur ve renk gibi düşük düzey özellikleri tanırken, daha derin katmanlar damar desenleri, kanama, ödem ve optik disk şekli gibi soyut özellikleri tanır
- Uzmanların etiketlediği referans görüntülerden oluşan büyük miktarda eğitim verisiyle tekrar tekrar öğrenme
Yapay zekanın öğrenme süreci
Section titled “Yapay zekanın öğrenme süreci”- Veri toplama: fundus fotoğrafları, OCT ve görme alanı testi verilerinin büyük ölçekli toplanması
- Etiketleme: göz hastalıkları uzmanları her görüntüye referans etiketini (evre ve bulgular) verir
- Eğitim ve optimizasyon: ağ parametrelerini doğru cevaba yaklaştırmak için tekrar tekrar ayarlama
- Doğrulama ve klinik çalışmalar: dış kohortlarda performans değerlendirmesi ve gerçek klinik uygulamada pilot çalışma
Aktarım öğrenimi (ImageNet gibi başka alanlarda önceden eğitilmiş modelleri göz görüntülerine uygulamak), eğitim verisi sınırlı olsa bile yüksek doğruluk elde etmenin bir yöntemi olarak yaygın biçimde kullanılır.
Nadir hastalıkların eğitim verisini yapay olarak artırmak için GAN (üretici çekişmeli ağlar) kullanarak sentetik görüntü üretimi üzerine araştırmalar da ilerlemektedir.
Çok modlu yapay zeka
Section titled “Çok modlu yapay zeka”Metni (öykü alma bilgileri) ve görüntüleri (fundus fotoğrafları ve OCT) aynı anda işleyen çok modlu yapay zeka, büyük dil modellerinin (GPT-4 gibi) gelişmesiyle göz hekimliğinde uygulanmaya başlanmıştır3). Tek modlu bir CNN’e kıyasla daha çeşitli bilgileri birleştirebilse de, görüntü yorumlama yeteneğinin metin anlama yeteneğine göre hâlâ daha zayıf olduğu gösterilmiştir3).
7. En son araştırmalar ve gelecek beklentileri
Section titled “7. En son araştırmalar ve gelecek beklentileri”Fundus fotoğraflarından sistemik hastalıkların öngörülmesi
Section titled “Fundus fotoğraflarından sistemik hastalıkların öngörülmesi”Derin öğrenme ile fundus fotoğraflarının analizi, yalnızca fundus fotoğraflarından yaş, cinsiyet, sistolik kan basıncı, sigara öyküsü ve HbA1c gibi sistemik risk faktörlerinin öngörülebileceğini göstermiştir6). Miyokard enfarktüsü ve inme gibi kardiyovasküler olayların gelecekteki riskini öngörmede de belirli bir doğruluk bildirilmiş olup, fundus fotoğraflarının genel sağlık durumuna açılan bir pencere olabileceği fikri dikkat çekmektedir. Demans, böbrek hastalığı ve anemiyi öngören yapay zekâ modelleri de hâlâ araştırma aşamasındadır6).
Akıllı telefon fundus kamerası ile entegrasyon
Section titled “Akıllı telefon fundus kamerası ile entegrasyon”Akıllı telefona takılan küçük bir lens ile fundus görüntüleme ve yapay zekâ analizi kullanılarak, Hindistan’daki diyabet hastalarında DR taramasının pratik olduğu gösterilmiştir7). Hem duyarlılık hem de özgüllük, uzman fundus kameralarıyla benzer sonuçlar vermiştir ve düşük maliyetli genel amaçlı cihazlarla birlikte kullanılan yapay zekâ taraması, gelişmekte olan ülkelerde ve kırsal bölgelerde yaygınlaşmaya katkıda bulunabilir.
Yapay zekâ ve tele-tıbbın birleşimi
Section titled “Yapay zekâ ve tele-tıbbın birleşimi”Yapay zekâ taraması ile tele-tıbbın birleştirilmesi, uzak bölgelerde ve gelişmekte olan ülkelerde göz sağlığına erişimin iyileşmesini sağlayabilir. Göz uzmanı bulunmayan kurumlarda bile yapay zekâ ilk taramayı yapabilir ve yalnızca pozitif vakaları bir uzmanın uzaktan değerlendirmesine yönlendirebilir; böylece sağlık kaynakları daha verimli kullanılabilir.
Kişiselleştirilmiş tıpta kullanım
Section titled “Kişiselleştirilmiş tıpta kullanım”Anti-VEGF tedavisine (ranibizumab, aflibercept, faricimab vb.) verilen yanıtı önceden öngören ve her hasta için en uygun dozlama planını öneren yapay zekâ üzerine araştırmalar ilerlemektedir. OCT görüntülerinden tedavi etkisini öngören modeller, enjeksiyon sayısını azaltmaya ve görsel prognozu iyileştirmeye katkıda bulunabilir.
Üretken yapay zekânın hasta eğitimi ve anamnez desteğinde kullanımı
Section titled “Üretken yapay zekânın hasta eğitimi ve anamnez desteğinde kullanımı”Büyük dil modelleri (GPT-4 gibi) hastalara hastalıkları açıklama, bilgilendirilmiş onam belgeleri hazırlama ve anamnez desteği gibi kullanımlar için araştırılmaktadır3). Ancak tıbbi bilgide hata ve yanlılığın önlenmesi ile hekim-hasta ilişkisinin korunması önemli sorunlardır. Hastaların yalnızca sohbet botlarına dayanarak kendi kendine tanı veya kendi kendine tedavi kararı vermesi önerilmez3).
8. Kaynaklar
Section titled “8. Kaynaklar”-
Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
-
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
-
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
-
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
-
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
-
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
-
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
-
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.