Yapay Zeka ile Göz Hastalıklarının Teşhisi
Özet
Dünya genelinde 2,2 milyar insan görme problemleri ile karşı karşıyadır ve bu hastalıkların yaklaşık yarısı tedavi edilebilir niteliktedir. Katarakt, glokom ve refraksiyon kusurları gibi durumlar hem bireysel yaşam kalitesini hem de toplumların ekonomik ve sosyal yapısını olumsuz etkilemektedir. Görme bozukluklarının %80’inin önlenebilir veya tedavi edilebilir olması, erken teşhisin ne denli kritik olduğunu ortaya koymaktadır. Özellikle düşük ve orta gelirli ülkelerde sağlık hizmetlerine erişimde yaşanan sorunlar, kalıcı görme kayıplarına yol açmakta; bu nedenle tarama programlarının güçlendirilmesi ve teknoloji destekli çözümler ön plana çıkmaktadır. Yapay zeka (YZ), verilerden öğrenme ve bunları insan zekasına benzer şekilde uygulama kapasitesine sahip sistemlerdir. Görsel verilerin sınıflandırılması ve analizinde yüksek başarı oranları sergileyen YZ, tıbbi görüntüleme alanında önemli bir dönüşüm yaratmaktadır. Radyoloji, patoloji, dermatoloji ve göz hastalıkları gibi görsel yoğunluklu alanlarda, doktorlarla eş düzeyde hatta bazı durumlarda daha üstün performans göstermektedir. Meme kanseri taramaları ve dermatolojik malignite tanısında yapılan çalışmalar, yapay zekanın potansiyelini açıkça ortaya koymuştur. Göz hastalıklarında YZ uygulamaları özellikle diyabetik retinopati, yaşa bağlı makula dejenerasyonu, vitreus hemorajisi ve glokom üzerinde yoğunlaşmaktadır. Diyabetik retinopati, dünya çapında görme kaybının en sık sebeplerindendir ve yapay zeka destekli analizler %97–98 duyarlılık ve özgüllükle uzman hekimlere eş değer performans göstermektedir. Yaşa bağlı makula dejenerasyonu ve makula ödeminde OCT görüntülerinin değerlendirilmesinde %98’in üzerinde doğruluk oranları elde edilmiştir. Vitreus hemorajisi gibi ultrasonla tanısı güç hastalıklarda ise YZ, %95,5 doğruluk oranı ile dikkat çekmektedir. Glokom alanında yapılan çalışmalar da, görme alanı testlerinde yapay zekanın hekimlerden daha yüksek doğruluk sergilediğini göstermektedir. Bununla birlikte, YZ kullanımının önünde bazı kısıtlılıklar vardır. Yüksek kaliteli ve kapsamlı veri setlerine duyulan ihtiyaç, hasta verilerinin gizliliği ve etik boyutlar, hekimlerin sahip olduğu terapötik insiyatifin algoritmalarda bulunmaması ve yanlış teşhis durumunda yasal sorumluluğun kimde olacağına dair belirsizlikler, bu teknolojinin önündeki başlıca engellerdir. Sonuç olarak yapay zeka, göz hastalıklarının erken teşhisi ve tedavi süreçlerinin hızlandırılmasında güçlü bir yardımcı araç olarak ortaya çıkmaktadır. Özellikle hekim yetersizliğinin bulunduğu bölgelerde, kişisel deneyim ve yorgunluk gibi insani faktörlerden kaynaklanan hataları azaltarak objektif, hızlı ve erişilebilir teşhis imkânı sunmaktadır. Gelecekte yapay zeka destekli tarama programlarının sağlık sistemlerine entegrasyonu, halk sağlığını korumada ve kalıcı görme kayıplarını önlemede temel stratejilerden biri olacaktır.
Referanslar
World Health Organization. World report on vision [İnternet]. Geneva: World Health Organization; 2019 [erişim tarihi: 29 Ağustos 2025]. Erişim adresi: https://www.who.int/publications/i/item/9789241516570.
Pan American Health Organization. Health officials seek to reduce blindness and visual impairment in the Americas [İnternet]. Washington: Pan American Health Organization; 2014 [erişim tarihi: 29 Ağustos 2025]. Erişim adresi: https://www.paho.org/en/news/2-10-2014-health-officials-seek-reduce-blindness-and-visual-impairment-americas.
K. J. P. E. G. M. W. T. C. P. B. Glaucoma screening: a review of the issues and challenges. Br J Ophthalmol. 2018;102(1):21–7.
World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance [İnternet]. Geneva: World Health Organization; 2021 [erişim tarihi: 29 Ağustos 2025]. Erişim adresi: https://www.who.int/publications/i/item/9789240029201.
Sönmez, M. Yapay Zeka [İnternet]. İstanbul: İstanbul Teknik Üniversitesi; 2025 [erişim tarihi: 29 Ağustos 2025]. Erişim adresi: https://web.itu.edu.tr/~sonmez/lisans/ai/yapay_zeka_icerik1_1.6.pdf.
Nori H, Daswani M, Kelly C, et al. Sequential Diagnosis with Language Models. [Elektronik baskı]. 2025 Haz 30 [alıntı tarihi 2025 Ağu 31]. Erişim adresi: https://arxiv.org/abs/2506.22405
McKinney SM, Kemp J, Kalai K, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89–94.
Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118.
Shukla UV, Tripatisi K. Diyabetik Retinopati. StatPearls [İnternet]. Treasure Island (FL): StatPearls Yayıncılık; 2025 Ocak-. [Son güncelleme 2023 Ağu 25; alıntı tarihi 2025 Ağu 31]. Erişim adresi: https://www.statpearls.com/ArticleLibrary/displayarticle/37626
Hendrick AM, Gibson MV, Kulshreshtha A. Diyabetik Retinopati. Prim Care. 2015;42(3):451-64.
National Eye Institute. Facts about diabetic eye disease. Bethesda (MD): National Eye Institute (US); 2024. [alıntı tarihi 2025 Ağu 31]. Erişim adresi: https://www.nei.nih.gov/learn-about-eye-health/eye-conditions-and-diseases/diabetic-eye-disease
Türkiye Endokrinoloji ve Metabolizma Derneği. Diyabetes Mellitus ve Komplikasyonlarının Tanı, Tedavi ve İzlem Kılavuzu. 2024. [alıntı tarihi 2025 Ağu 31]. Erişim adresi: https://file.temd.org.tr/Uploads/publications/guides/documents/diabetesmellitus2024.pdf
Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-2410.
Li F, Chen H, Liu Z, Zhang X, Wu Z. Fully automated detection of retinal disorders by image-based deep learning. Graefe's Arch Clin Exp Ophthalmol. 2019;257(3):495-505.
Feng L, Li C, Ding B, Zhang H, Zhao R, Wang J, et al. Applying deep learning to recognize the properties of vitreous opacity in ophthalmic ultrasound images. Eye (Lond). 2024;38(2):380-385. doi:10.1038/s41433-023-02705-7.
Quigley HA, Broman AT. The number of people with glaucoma worldwide in 2010 and 2020. Br J Ophthalmol. 2006;90(3):262–7.
Schuman JS. Detection and diagnosis of glaucoma: ocular imaging. Invest Ophthalmol Vis Sci. 2012;53(5):2488–90. doi:10.1167/iovs.12-9483k.
Liang YB, Friedman DS, Zhou Q, Yang X, Sun LP, Guo LX, Tao QS, Chang DS, Wang NL, for the Handan Eye Study Group. Prevalence of primary open angle glaucoma in a rural adult Chinese population: The Handan Eye Study. Invest Ophthalmol Vis Sci. 2011;52(11):8250-8257. doi:10.1167/iovs.11-7472.
Quigley HA. Glaucoma. Lancet. 2011;377(9774):1367–1377. doi:10.1016/S0140-6736(10)61423-7.
Li F, Liu Y, Zhang S, Ding X, Yu H, Wang G, et al. Automatic differentiation of Glaucoma visual field from non-glaucoma visual filed using deep convolutional neural network. BMC Med Imaging. 2018;18(1):35. doi:10.1186/s12880-018-0273-5.
Nolan P. Artificial intelligence in medicine - is too much transparency a good thing?. The Medico-legal journal. 2023;91(4):193-7. doi:10.1177/00258172221141243.
Holm S, de Graaf E, Bovenkamp H, et al. A New Argument for No-Fault Compensation in Health Care: The Introduction of Artificial Intelligence Systems. Health Care Analysis. 2021;29(3):171-88. doi:10.1007/s10728-021-00430-4.
