Yapay Zekâ Röntgeni Okuyor Ama Yanılınca da Emin Konuşuyor

Bir düşünün: MR sonucunuz elinize geçti, doktor randevunuz haftaya. O bir haftayı beklemek yerine, telefonunuzu çıkarıp görüntüyü bir yapay zekâ sohbet botuna yüklüyorsunuz. Bot size saniyeler içinde, hiç çekinmeden bir yanıt veriyor. Kulağa güven verici geliyor değil mi? Asıl mesele tam da burada başlıyor: o güven, çoğu zaman yanlış bir teşhisin üzerine de aynı ısrarla oturuyor.

Hindistan'daki Ashoka Üniversitesi'ne bağlı CRASH Lab, tam da bu soruyu ölçmek için RadLE 2.0 ("Radyolojinin Son Sınavı") adlı bir test geliştirdi. Testin ilk sürümü 2025'in Eylül ayında yayımlanmıştı; bu yeni versiyon sadece "doğru mu bildi" sorusuyla yetinmiyor, modelin kendi cevabına ne kadar güvendiğini ve gerektiğinde "bilmiyorum" diyebilme cesaretini de ölçüyor.

200 vakada, 16 farklı model bir radyolog panelinle karşı karşıya getirildi. Sonuç çarpıcı: insan uzmanlar 2.000 puan üzerinden 988,7 puan alırken, en başarılı yapay zekâ modeli sadece 758'de kaldı. Yani insan radyologlar, doğruluk ve güven düzeyini birleştiren temel ölçütte hâlâ her modelin önünde.

Sessiz Kalmak Bazen En Doğru Cevap

Testin puanlama mantığı ilginç: bir model yüksek güvenle doğru bilirse tam puan alıyor, yüksek güvenle yanılırsa aynı miktarda puan kaybediyor. "Bilmiyorum" derse ise sıfır puan alıyor ama hiçbir şey kaybetmiyor. Bu da şu demek: ham doğruluk oranı iyi görünen bir model, eğer aşırı özgüvenle yanlış cevaplar veriyorsa sıralamada geriye düşüyor.

Araştırmacılar, bu durumun aslında daha önce gündeme gelen bir sorunu doğruladığını söylüyor: benchmarklar sadece doğruluğu ödüllendirdiği sürece modeller tahmin etmeye teşvik ediliyor. Sıradan bir sohbette bunun bedeli küçük bir yanlış bilgi olabilir; tıpta ise emin görünen bir yanlış teşhis, hastanın tedavi sürecini doğrudan etkileyebilir.

Tek bir model her kategoride kazanamadı. Anthropic'in Claude Fable 5'i güvenilirlik ve emniyet ölçütünde önde çıktı; Google'ın Gemini 3 Pro'su ise ham doğruluk oranında en iyisiydi — üstelik insan performansına oldukça yaklaşmış durumda. Meta'nın Muse Spark 1.1 modeli ise "bu vakayı bir insana devretmem gerekiyor" diyebilme konusunda en başarılı çıktı; şirketin bu modelin halüsinasyon oranını yakın zamanda yarı yarıya düşürmüş olması tesadüf değil. Grok 4.5 ise tam tersi bir eğilim gösterdi: öncekinden daha fazla bilgiye sahip olsa da, yanlış cevaplarına daha çok güveniyor.

Açık ağırlıklı modeller ve özel olarak tıp için eğitilmiş modellerde tablo daha da vahim: bu modeller neredeyse her vakaya cevap vermeye çalışıyor, sık sık yanılıyor ve bunu genellikle orta-yüksek güvenle yapıyor. Araştırma ekibine göre, birkaç model susmayı bilseydi puanları çok daha yüksek olurdu.

Bu Ne Anlama Geliyor?

Bu sonuçlar, yapay zekânın tıpta "neredeyse insan seviyesinde" olduğu iddialarına ciddi bir gölge düşürüyor. Testin ilk sürümünde radyologlar %83 doğruluk gösterirken en iyi model sadece %30'da kalmıştı; üç ay sonra Gemini 3 Pro asistan radyolog seviyesini geride bıraktı. Yani doğruluk hızla artıyor — ama modellerin kendi sınırlarını fark etme yeteneği bu hıza ayak uyduramıyor.

Araştırmacılar, yöneticilerin ve yatırımcıların "yapay zekâ doktorların %99'undan daha iyi teşhis koyuyor" gibi iddiaları çoğunlukla anekdot ya da simülasyon verilerine dayandırarak abarttığını söylüyor. Nisan ayında yapılan ve o dönem en gelişmiş sayılan 21 modeli inceleyen başka bir çalışma da benzer bir sonuca ulaşmıştı: bu sistemler denetimsiz klinik kullanıma henüz hazır değil.

İşin bir de "beceri kaybı" boyutu var. 2025'te yapılan Polonya kaynaklı bir gözlemsel çalışma, kolonoskopi sırasında düzenli yapay zekâ desteği kullanan doktorların, o destek olmadığında kanser öncesi lezyonları tespit etme oranının %28,4'ten %22,4'e düştüğünü ortaya koydu. Araştırmacılar buna "Google Haritalar etkisi" diyor: navigasyon aracı elinden alındığında insan yolunu kaybediyor.

Kimin İçin Ne Anlama Geliyor?

MR sonucunu doktora gitmeden önce bir sohbet botuna yükleyen bir hasta için bu haberin anlamı basit: aldığınız cevap kesin bir tanı değil, en fazla bir ön izlenim. Kendinden emin bir üslupla söylenmiş olması, o cevabı doğru yapmıyor. LLM'lerin nasıl çalıştığını anlayan biri için bu şaşırtıcı değil; bu modeller en olası kelimeyi üretmeye programlanmış, "bilmiyorum" demek onların doğasına aykırı.

Radyologlar için ise mesaj daha çok bir rahatlama: Geoffrey Hinton'ın 2016'da "radyolog eğitimini durduralım, bu iş yakında yapay zekâya kalacak" dediği günden bu yana on yıl geçti ve meslek hâlâ aşırı yüklü, hâlâ insana ihtiyaç duyuyor. Hinton daha sonra bu öngörüsünü geri almak zorunda kaldı. Sam Altman'ın da benzer şekilde önce "yapay zekâ işleri hızla yok edecek" deyip sonra bunu yumuşatması, tahminlerin gerçeklikten ne kadar kopabildiğini gösteriyor.

RadLE 2.0'ın yazarları çok açık bir noktaya işaret ediyor: yapay zekânın kendi başına teşhis koyabilmesi için önce ne zaman susması gerektiğini öğrenmesi lazım. Bu, üzerinde çalışılması gereken bir mühendislik problemi — ama aynı zamanda hepimizin, elimizdeki bir tıbbi görüntüyü kime emanet ettiğimizi bir kez daha düşünmemizi gerektiren bir uyarı.