Kalp damarının içine yerleştirilen çok ince bir ultrason probu, kardiyoloğa damarın yalnızca ne kadar daraldığını değil, damar duvarının ve plağın yapısını da gösterebiliyor. “Intravascular ultrasound” ya da IVUS adı verilen bu yöntem özellikle stent yerleştirme gibi koroner girişimlerde önemli bir araç. Sorun, yüzlerce görüntünün uzman tarafından tek tek değerlendirilmesinin zaman alması ve ölçümlerin deneyime bağlı olarak değişebilmesi. Yapay zekâ araştırmaları tam olarak bu darboğaza yöneliyor.

3 Ekim 2026’da Cureus’ta yayımlanan sistematik derleme, koroner IVUS görüntülerini otomatik analiz eden yapay zekâ sistemleri üzerine mevcut kanıtları topladı. Araştırmacılar PubMed ve Cochrane CENTRAL veritabanlarında toplam 802 kayıt taradı; eleme sonunda ölçütlere uyan yalnız sekiz çalışma kaldı. Çalışmalar 2020-2025 arasında yayımlanmış ve çoğunlukla evrişimli sinir ağları, U-Net türevleri, DeepLab tabanlı sistemler ve gradient boosting gibi yöntemleri kullanmıştı.

Sonuçlar özellikle damar boşluğu ve damar sınırlarının otomatik çizilmesinde güçlü. Çalışmalarda bildirilen Dice benzerlik katsayısı göreve göre yaklaşık 0,67 ile 0,97 arasında değişiyor; bazı sistemlerde uzman ölçümleriyle korelasyon 0,9’un üzerine çıkıyor. Duyarlılık yüzde 62-90, özgüllük ise yüzde 88-99 aralığında bildirildi. En iyi sonuçlar lümen ve damar segmentasyonunda görülürken stent, kalsiyum ve bazı doku sınıflandırma görevlerinde performans daha değişken.

Bu rakamlar etkileyici görünse de derlemenin asıl mesajı ihtiyatlı. Dahil edilen sekiz çalışmanın tümü geriye dönük ya da teknik doğrulama tasarımına sahip. Hasta seçimi, görüntü kalitesi ve kullanılan cihazlar merkezden merkeze değişiyor. Çalışmaların ölçtüğü görevler ve başarı ölçütleri de birbirinden farklı olduğu için araştırmacılar sonuçları tek bir meta-analizde birleştiremedi. GRADE değerlendirmesinde toplam kanıt güveni “düşük” olarak sınıflandırıldı.

Tıp alanında bu ayrım kritik. Bir algoritmanın temiz araştırma verisinde başarılı olması, yoğun bir hastanenin gerçek akışında aynı performansı göstereceği anlamına gelmiyor. Görüntü artefaktları, farklı ultrason cihazları, karmaşık lezyonlar ve acil karar ortamı modeli zorlayabilir. Ayrıca doktor için yalnız doğru sınırı çizmek değil, bu ölçümün tedavi kararını nasıl değiştireceği de önemli.

Araştırmacılar bu nedenle yapay zekâyı şimdilik “uzmanın yerine geçen sistem” olarak değil, uzman değerlendirmesini hızlandıran yardımcı araç olarak görüyor. Sıradaki ihtiyaç, farklı merkezlerde ve gerçek hasta akışında yapılacak ileriye dönük çalışmalar. Eğer bu doğrulamalar başarılı olursa IVUS’un bugün kullanımını sınırlayan zaman ve uzmanlık yükü önemli ölçüde azalabilir.

Klinik uygulamada başarı yalnız doğruluk metriğiyle ölçülmeyecek. Bir sistem uzman ölçümünü birkaç saniyeye indirip aynı zamanda doktorun neden o sonucu verdiğini denetlemesine izin veriyorsa gerçek değer yaratabilir. Buna karşılık yüzde 95 doğruluk gösteren ama nadir ve tehlikeli lezyonlarda sistematik hata yapan kapalı bir model klinikte kabul edilemeyebilir. Düzenleyici onay, farklı cihazlarla harici doğrulama ve hatanın hangi hasta gruplarında yoğunlaştığını bilmek bu nedenle şart. IVUS örneği, tıbbi YZ’nin geleceğinin “doktoru kaldırmak”tan çok ölçümü standartlaştırmak ve hekimin dikkatini kritik görüntülere yöneltmek olduğunu gösteriyor.

Kaynak bağlantısı: https://www.cureus.com/articles/535230-artificial-intelligence-for-automated-analysis-and-interpretation-of-intravascular-ultrasound-in-coronary-artery-disease-a-systematic-review