Öz

Yapay zekâ tabanlı tıbbi görüntüleme sistemleri tanısal doğrulukta önemli ilerlemeler sağlamıştır; ancak klinik kullanımda güven, açıklanabilirlik ve etik sorunlar öne çıkmaktadır. Bu derlemede 2017–2024 yılları arasında yayımlanan 142 çalışma sistematik olarak incelenmiştir. Açıklanabilirlik yöntemleri model-bağımsız ve modele özgü olarak sınıflandırılmış, değerlendirme metrikleri ve klinik doğrulama pratikleri tartışılmıştır. Veri önyargısı, hesap verebilirlik ve hasta mahremiyeti konularındaki boşluklar belirlenmiş; gelecekteki araştırmalar için bir yol haritası sunulmuştur.

Anahtar Kelimeler:açıklanabilir yapay zekâtıbbi görüntülemeetikgüvenilirliksistematik derleme

Tam Metin

PDF İndir · 9.2 KB

Beyanlar

Etik Kurul Onayı
Bu çalışma etik kurul onayı gerektirmemektedir.
Çıkar Çatışması
Yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.
Finansman
Bu çalışma Selçuk Üniversitesi BAP Koordinatörlüğü tarafından desteklenmiştir (Proje No: 24009).

Kaynakça 7

  1. Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
  2. Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE International Conference on Computer Vision (pp. 618–626). https://doi.org/10.1109/ICCV.2017.74
  3. Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778
  4. Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
  5. Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056
  6. Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., et al. (2017). CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning. arXiv preprint arXiv:1711.05225.
  7. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

Atıf Göster

Karaca, E., & Aydoğdu, Z. (2025). Tıbbi Görüntülemede Yapay Zekâ: Açıklanabilirlik, Güvenilirlik ve Etik Boyutlar Üzerine Bir Derleme. Uluslararası Bilim ve Teknoloji Araştırmaları Dergisi, 7(2), 35–45. https://doi.org/10.99999/ubtad.2025.10
BibTeX RIS (EndNote, Zotero, Mendeley)

Lisans

CC BY 4.0

© 2025 Elif Karaca, Zeynep Aydoğdu. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni