İnflamatuvar deri biyopsilerinde yapay zekânın en yararlı kullanım alanlarından biri, preparata tek başına bakarak tanı vermesi olmayabilir.

Daha uygulanabilir ve günlük patoloji pratiğine daha yakın yaklaşım şudur:

AI klinik bilgileri ve ön tanıları okur, patolog mikroskopiyi değerlendirir, AI ayırıcı tanıyı yapılandırır ve tanıları birbirinden ayırabilecek eksik mikroskopik özellikleri patoloğa sorar.

Patolog cevap verdikçe sistem ayırıcı tanıyı yeniden değerlendirir.

Son aşamada AI:

• mikroskopik bulguları yapılandırabilir,
• dominant reaksiyon paternini tanımlayabilir,
• ayırıcı tanıları önceliklendirebilir,
• eksik kritik bilgileri sorabilir,
• gerektiğinde ek histokimya, direkt immünfloresan veya klinik değerlendirme önerebilir,
• patolog için rapor taslağı oluşturabilir.

Nihai tanı ve rapor sorumluluğu ise patologda kalır.

Bu model özellikle dermatitlerin değerlendirilmesi için oldukça uygundur.

Neden dermatitler AI destekli değerlendirme için uygun?

İnflamatuvar dermatopatolojide aynı histolojik reaksiyon paterni çok sayıda farklı hastalıkta görülebilir.

Örneğin:

Spongiotik dermatit

tek başına;

• alerjik kontakt dermatit,
• irritan kontakt dermatit,
• atopik dermatit,
• ilaç reaksiyonu,
• pityriasis rosea,
• viral ekzantemler

arasında kesin ayrım yaptırmayabilir.

Benzer şekilde:

Interface dermatit

görüldüğünde ayırıcı tanıda;

• kutanöz lupus,
• dermatomiyozit,
• ilaç reaksiyonu,
• erythema multiforme,
• lichen planus spektrumu,
• viral reaksiyonlar

yer alabilir.

Dolayısıyla inflamatuvar deri biyopsilerinde tanısal süreç çoğu zaman tek aşamalı değildir.

Patolog gerçekte şu döngüyü kullanır:

Klinik bilgi
      ↓
İlk ayırıcı tanı
      ↓
Reaksiyon paterni
      ↓
Ayırıcı tanıyı daraltacak mikroskopik özellikler
      ↓
Eksik bilgi?
      ↓
Tekrar mikroskopa bak
      ↓
Ayırıcı tanıyı güncelle
      ↓
Rapor

LLM tabanlı AI sistemlerinin önemli avantajlarından biri, bu süreci interaktif biçimde destekleyebilmesidir.

AI patolog yerine değil, patologla birlikte çalışır

Bu yaklaşımda AI'nın görevi:

“Tanı budur.”

demekten çok,

“Bu iki tanıyı ayırmak için şu özelliklere tekrar bakmak yararlı olabilir.”

demektir.

Örneğin klinik bilgiler şöyle olsun:

40 yaş kadın. Güneş gören alanlarda eritemli skuamlı plaklar.
Ön tanılar: fotoalerjik dermatit, polimorf ışık erüpsiyonu, subakut kutanöz lupus.

AI bu bilgileri gördüğünde doğrudan tanı vermek yerine patolog için hedefli bir kontrol listesi oluşturabilir.

Örneğin:

• Spongioz var mı?
• Bazal vakuoler değişiklik var mı?
• Nekrotik/apoptotik keratinositler mevcut mu?
• İnfiltrat yalnız yüzeyel mi?
• Derin perivasküler inflamasyon var mı?
• Periadneksal inflamasyon var mı?
• Folliküler interface değişiklik var mı?
• Dermal müsin mevcut mu?
• Bazal membran kalınlaşmış mı?
• Eozinofil var mı?

Böylece AI genel bir dermatopatoloji kitabını sıralamak yerine yalnızca tanıyı değiştirebilecek soruları yöneltir.

AI'nın asıl değeri daha fazla soru sorması değil, doğru soruyu doğru zamanda sormasıdır.

Literatür neden bu yaklaşımı destekliyor?

İnflamatuvar dermatopatolojinin klasik yaklaşımı zaten reaksiyon paterni üzerinden ilerlemektedir.

İlk basamakta:

• spongiotik,
• psoriasiform,
• interface/lichenoid,
• perivasküler,
• granülomatöz,
• nötrofilik,
• vaskülitik/vaskülopatik,
• pannikülitik

gibi temel reaksiyon paternlerinden biri veya birkaçı tanımlanır.

Ardından patern:

• hücresel kompozisyon,
• infiltratın dağılımı,
• epidermal değişiklikler,
• dermal değişiklikler,
• pozitif ve negatif ayırıcı bulgular

kullanılarak daraltılır.

Smith ve Chan'ın inflamatuvar dermatopatoloji derlemesi de genel cerrahi patologlar için tam olarak bu tissue reaction pattern yaklaşımını önermektedir.

Gupta'nın spongiotik dermatitler üzerine derlemesinin önemli mesajlarından biri de yalnızca:

“Spongiotik dermatit”

şeklinde bir rapor vermenin çoğu zaman yeterli olmadığıdır.

Spongiotik dermatozlarda belirgin histolojik örtüşme bulunmasına rağmen, ince morfolojik ipuçlarının tanımlanması ve klinisyene aktarılması ayırıcı tanıyı daraltabilir.

Bu nedenle AI için dermatopatolojide doğal görev:

Reaksiyon paternini belirleyen patoloğa, patern içindeki ayırt edici ayrıntıları sistematik olarak hatırlatmak

olabilir.

Klinik bilgi neden AI sisteminin merkezinde olmalı?

İnflamatuvar deri biyopsilerinde histoloji tek başına her zaman yeterli değildir.

Rajaratnam ve arkadaşlarının 100 inflamatuvar deri biyopsisini değerlendirdiği çalışmada, histoloji klinik bilgi olmadan olguların yaklaşık yarısında spesifik tanıya ulaşabilmiştir.

Histoloji tek başına olguların %55'inde spesifik tanı sağlayabilmiş; klinik bilgi eklendiğinde toplam tanısal doğruluk yaklaşık %78'e yükselmiştir.

Bu bulgu önemli bir noktayı gösterir:

Dermatit tanısında klinik bilgi, histolojiye eklenen ikincil bir ayrıntı değil, tanısal verinin bir parçasıdır.

Başka bir çalışmada 100 inflamatuvar deri biyopsisi dokuz dermatopatolog tarafından önce yalnız histolojik görüntülerle, daha sonra klinik fotoğraflar görülerek değerlendirilmiştir.

Klinik fotoğraflar gösterildikten sonra doğru tanıların toplam sayısı 332'den 481'e yükselmiştir.

Bu nedenle AI sisteminin yalnız patoloğun mikroskopik bulgularını değil;

• yaş,
• lokalizasyon,
• lezyon süresi,
• klinik morfoloji,
• dağılım,
• fotodağılım,
• ilaç öyküsü,
• semptomlar,
• klinik ön tanılar,
• varsa klinik fotoğraf

gibi bilgileri de değerlendirmesi önemlidir.

AI destekli dermatit değerlendirmesi nasıl çalışabilir?

Aşama 1 — Klinik bilgi AI tarafından okunur

Örneğin:

45 yaş kadın. Gövde ve kollarda simetrik eritemli makülopapüler döküntü.
Yeni antihipertansif ilaç başlanmış.
Ön tanılar: ilaç reaksiyonu, viral ekzantem, kontakt dermatit.

AI ilk ayırıcı tanıyı yapılandırabilir:

1. İlaç reaksiyonu
2. Viral ekzantem
3. Ekzematöz/kontakt dermatit

Ancak henüz nihai yorum yapmaz.

Aşama 2 — AI ayırıcı tanıyı değiştirecek mikroskopik özellikleri sorar

Örneğin:

Epidermiste spongioz var mı?

Interface aktivitesi mevcut mu?

Apoptotik keratinosit görülüyor mu?

Eozinofil var mı?

İnfiltrat yalnız yüzeyel perivasküler mi?

Epidermiste vezikülasyon veya belirgin Langerhans hücre kümeleri var mı?

Bu sorular patolog için bir dinamik kontrol listesi oluşturur.

Aşama 3 — Patolog mikroskopik bulguları verir

Patolog serbest metinle cevap verebilir:

Hafif spongioz var.
Fokal bazal vakuoler değişiklik mevcut.
Nadir apoptotik keratinosit görülüyor.
Yüzeyel perivasküler lenfositik infiltrasyon var.
Az sayıda eozinofil mevcut.
Derin infiltrasyon yok.

AI bu bilgileri otomatik olarak yapılandırabilir:

Spongioz: hafif
Interface aktivitesi: fokal
Apoptotik keratinosit: nadir
İnfiltrat: yüzeyel perivasküler
Eozinofil: az
Derin inflamasyon: yok

Bu yapılandırma önemlidir çünkü serbest metindeki bilgiyi tanısal değişkenlere dönüştürür.

Aşama 4 — AI ayırıcı tanıyı yeniden değerlendirir

AI artık:

klinik bilgi + klinik ön tanı + mikroskopik bulgular

üçlüsüne sahiptir.

Örneğin şöyle bir değerlendirme oluşturabilir:

Hafif spongioz ile fokal vakuoler interface aktivitesinin birlikte bulunması karma spongiotik-interface reaksiyon paternini düşündürmektedir.

Klinik olarak yeni ilaç kullanımı bulunması nedeniyle ilaç reaksiyonu öncelikli ayırıcı tanıdır.

Viral ekzantem tamamen dışlanamaz.

Burada AI'nın önemli görevi yalnız tanıları sıralamak değil, neden sıraladığını göstermektir.

Karma spongiotik-interface patern AI için güzel bir örnek

Dermatopatolojide her biyopsiyi tek bir kategoriye zorla yerleştirmek gerekmez.

Spongioz ve interface değişikliğinin birlikte bulunduğu karma paternler iyi tanımlanmıştır.

Ernst ve arkadaşlarının çalışmasında mixed spongiotic-interface dermatitis olgularında sık görülen özellikler:

• hafif spongioz,
• fokal vakuoler interface değişiklik,
• lenfositik ekzositoz,
• yüzeyel dermal lenfositik infiltrasyon,
• değişken eozinofiller

olarak bildirilmiştir.

Bu seride ilaç reaksiyonu önemli bir klinik ilişki olmakla birlikte tek olasılık değildir.

Viral ekzantemler ve diğer inflamatuvar süreçler de benzer görünüm oluşturabilir.

Dolayısıyla AI şöyle davranmamalıdır:

“Spongioz + interface = ilaç reaksiyonu.”

Bunun yerine:

“Bu karma patern ilaç reaksiyonlarında sık görülebilir; viral ekzantem ve diğer nedenler klinik bağlamla birlikte değerlendirilmelidir.”

şeklinde yorumlamalıdır.

Eozinofil varsa AI ne yapmalı?

Eozinofil inflamatuvar dermatopatolojide sık kullanılan ancak kolayca fazla anlam yüklenebilen bir bulgudur.

Literatüre göre eozinofiller:

• artropod reaksiyonlarında,
• skabieste,
• ürtikeryal hipersensitivite reaksiyonlarında

daha karakteristik olabilir.

Buna karşılık:

• ilaç reaksiyonu,
• atopik dermatit,
• alerjik kontakt dermatit

gibi durumlarda değişkendir ve tanı için zorunlu değildir.

Ayrıca sınırlı sayıda eozinofil:

• psoriasis,
• lichen planus

gibi hastalıklarda da görülebilir.

Dolayısıyla AI'nın:

“Eozinofil var, ilaç reaksiyonu.”

demesi doğru değildir.

Daha uygun yaklaşım:

“Eozinofil varlığı ilaç reaksiyonu veya hipersensitivite spektrumunu destekleyebilir; ancak spesifik değildir.”

şeklindedir.

Aşama 5 — AI ikinci turda yalnız eksik kritik soruları sorar

İlk değerlendirme sonrasında hâlâ iki veya üç güçlü olasılık varsa sistem tekrar soru sorabilir.

Örneğin:

Dermal müsin değerlendirildi mi?

Periadneksal lenfositik infiltrasyon mevcut mu?

Follikül epiteli boyunca interface değişiklik var mı?

Klinik olarak fotosensitivite mevcut mu?

Bu yaklaşım evidence-seeking AI olarak düşünülebilir.

AI yalnız verilen veriyi yorumlamaz.

Tanısal belirsizliği azaltmak için hangi yeni bilginin gerekli olduğunu belirlemeye çalışır.

PathChat: AI bir patoloji copilotu olabilir

Multimodal patoloji modellerinin gelişmesi bu yaklaşımı mümkün hale getirmektedir.

2024 yılında Nature'da yayımlanan PathChat, patoloji için multimodal bir generatif AI copilotu olarak geliştirildi.

Bu tür sistemler histolojik görüntü ile doğal dil etkileşimini birleştirerek kullanıcıların:

• ayırıcı tanı sormasına,
• morfolojik özellikleri tartışmasına,
• görüntü ve metni birlikte değerlendirmesine,
• ek incelemeler hakkında bilgi almasına

olanak sağlamaktadır.

Bu yaklaşım klasik:

Görüntü → sınıf

modelinden farklıdır.

Yeni model:

Görüntü + klinik bilgi + kullanıcı etkileşimi → karar desteği

şeklindedir.

Bu, patoloji AI'sının yalnız bir görüntü sınıflandırıcısı olmaktan çıkıp interaktif bir copilot haline gelmesinin önemli örneklerinden biridir.

HistoGPT: AI dermatopatoloji raporu hazırlayabilir mi?

Dermatopatolojiye özel geliştirilen HistoGPT çalışması, AI'nın gigapiksel whole-slide image verilerinden dermatopatoloji raporu oluşturabileceğini göstermiştir.

Çalışmanın özellikle önemli yönlerinden biri Expert Guidance yaklaşımıdır.

Burada uzman patolog tanısal yönlendirme sağlar.

AI ise bu bilgiyle raporu oluşturur.

Yani sistem:

Patolog değerlendirmesi
        ↓
AI rapor oluşturma
        ↓
Patolog kontrolü
        ↓
Nihai rapor

şeklinde çalışabilir.

Bu, AI'nın patolog yerine geçtiği bir sistem değildir.

AI patolog tarafından sağlanan uzman bilgisini rapora dönüştüren bir copilot görevi görür.

Bu yaklaşım dermatitlerde özellikle uygun olabilir.

Çünkü inflamatuvar hastalıklarda nihai tanı sıklıkla yalnız görüntü üzerinden değil, klinikopatolojik korelasyonla konmaktadır.

İnflamatuvar hastalıklar neden AI için daha zor?

AI görüntü modelleri:

• nevüs,
• bazal hücreli karsinom,
• skuamöz hücreli karsinom

gibi daha belirgin morfolojik fenotipe sahip lezyonlarda başarılı olabilir.

Ancak inflamatuvar dermatozlarda aynı morfoloji farklı hastalıkların ortak sonucu olabilir.

Örneğin:

Hafif spongioz + yüzeyel perivasküler lenfositler

çok sayıda farklı klinik durumda görülebilir.

Dolayısıyla dermatitlerde en güvenli yakın dönem kullanım:

AI'nın patologdan bağımsız tanı koyması yerine, patolog tarafından tanımlanan morfolojiyi klinik bilgiyle birleştirmesi

olabilir.

PathFound ve “kanıt arayan AI”

Yeni nesil AI modellerinde önemli bir gelişme, tek seferde tanı üretmek yerine aktif olarak ek kanıt arayan sistemlerdir.

2026 yılında yayımlanan PathFound, bu yaklaşımı patoloji alanına taşıyan önemli çalışmalardan biridir.

Klasik AI yaklaşımı:

Girdi
 ↓
Tanı

şeklindedir.

Evidence-seeking yaklaşım ise:

İlk bulgular
      ↓
İlk hipotezler
      ↓
Hangi bilgi eksik?
      ↓
Yeni kanıt ara
      ↓
Hipotezleri güncelle
      ↓
Son karar

şeklinde ilerler.

Bu yaklaşım patologların gerçek çalışma biçimine çok daha yakındır.

Patolog da bir interface dermatit gördüğünde:

“Lupus olabilir.”

der.

Ardından tekrar bakar:

“Dermal müsin var mı?”

“Periadneksal infiltrasyon var mı?”

“Folliküler interface aktivitesi var mı?”

“Bazal membran kalın mı?”

Sonra elde ettiği yeni bilgilerle ilk hipotezini güçlendirir veya zayıflatır.

AI'nın görevi bu sorgulama sürecini desteklemek olabilir.

Mikroskopi önce mi, AI önce mi?

İdeal sistem iki farklı çalışma moduna sahip olabilir.

1. Guided mode

AI önceden:

• klinik bilgileri,
• klinik ön tanıları

görür.

Ardından patologdan tanıları ayıracak özellikleri ister.

Örneğin:

Klinik ön tanılar SCLE ve fotodermatit.
Dermal müsin, periadneksal inflamasyon ve folliküler interface aktivitesini değerlendiriniz.

Bu yaklaşım özellikle zor ve nadir olgularda yardımcı olabilir.

2. Microscopy-first mode

Patolog önce AI'nın önerilerini görmeden:

• dominant reaksiyon paternini,
• mikroskopik bulguları

girer.

Örneğin:

Hafif spongioz, yüzeyel perivasküler lenfohistiyositik infiltrasyon, papiller dermal ödem, nadir bazal vakuoler değişiklik.

AI daha sonra klinik bilgileri kullanarak ayırıcı tanıyı oluşturur ve eksik kritik özellikleri sorar.

Bu model AI'nın patolog üzerinde oluşturabileceği anchoring etkisini azaltabilir.

Günlük pratikte iki modun da bulunması yararlı olabilir.

AI'nın bilmediğini bilmesi gerekir

Böyle bir sistemde en önemli güvenlik kurallarından biri budur.

Patolog:

“Dermal müsin hakkında bilgi vermedi.”

ise AI:

“Dermal müsin yoktur.”

yazamamalıdır.

Doğru yaklaşım:

“Dermal müsin durumu belirtilmemiştir. Bağ dokusu hastalığı ayırıcı tanısı açısından değerlendirilmesi yararlı olabilir.”

şeklindedir.

Yani sistem üç farklı durumu ayırmalıdır:

Pozitif
Negatif
Değerlendirilmedi / bilinmiyor

“Değerlendirilmedi” hiçbir zaman otomatik olarak “negatif” kabul edilmemelidir.

AI mikroskopik bulguların sahibi değildir

AI yalnız patolog tarafından verilen veya görüntü analiz sistemi tarafından açıkça doğrulanan özellikleri kesin bulgu olarak rapora aktarmalıdır.

Örneğin patolog:

“Granülom görülmedi.”

diyorsa rapora:

Granülom izlenmemiştir.

yazılabilir.

Ancak granülom konusu hiç konuşulmamışsa AI bunu kendiliğinden negatif bulgu olarak eklememelidir.

Aynı durum:

• eozinofil,
• dermal müsin,
• vaskülit,
• tromboz,
• bazal membran kalınlaşması,
• periadneksal infiltrasyon,
• apoptotik keratinositler

için de geçerlidir.

Bu ayrım AI destekli patoloji raporlamasının temel güvenlik prensiplerinden biri olmalıdır.

Dermatit için AI veri modeli nasıl olabilir?

Her olgu dört ayrı bilgi katmanında tutulabilir.

Klinik olarak verilen bilgiler

Fotodağılımlı
Kaşıntılı
3 haftadır mevcut
Yeni ilaç başlanmış

Patoloğun gördüğü bulgular

Hafif spongioz
Fokal parakeratoz
Papiller dermal ödem
Yüzeyel perivasküler lenfositik infiltrasyon
Nadir eozinofil

Henüz değerlendirilmemiş özellikler

Dermal müsin: bilinmiyor
Periadneksal infiltrasyon: bilinmiyor
DIF: yapılmadı

AI yorumları

İlaç reaksiyonu ayırıcı tanıda önceliklidir.
Viral ekzantem dışlanamaz.
Dermal müsin değerlendirilmesi bağ dokusu hastalığı olasılığı açısından yararlı olabilir.

Bu yapı AI'nın gerçek bulgu ile kendi yorumunu birbirine karıştırmasını önler.

AI destekli nihai rapor

Bilgiler tamamlandığında sistem patolog için üç katmanlı rapor hazırlayabilir.

Tanı

Hafif spongiotik ve fokal vakuoler interface dermatit

Mikroskopi

Epidermiste hafif spongioz ve fokal bazal vakuoler değişiklik izlenmiştir. Papiller dermiste hafif ödem ile yüzeyel perivasküler lenfohistiyositik infiltrasyon vardır. Az sayıda eozinofil mevcuttur. Derin veya periadneksal inflamasyon izlenmemiştir.

Yorum

Bulgular spongiotik dermatit ile hafif interface aktivitesinin birlikte bulunduğu karma reaksiyon paternini göstermektedir. Klinik olarak yeni ilaç kullanımı bildirildiğinden ilaç reaksiyonu öncelikli ayırıcı tanıdır. Viral ekzantem ve diğer spongiotik-interface dermatit nedenleri klinik bulgularla birlikte değerlendirilmelidir.

Patolog raporu kontrol eder, gerekirse düzeltir ve onaylar.

AI raporu ne kadar ileri götürebilir?

Human-supervised LLM sistemlerinin gerçek patoloji iş akışlarında rapor oluşturma amacıyla kullanılabileceğini gösteren çalışmalar bulunmaktadır.

2026 yılında yayımlanan bir prospektif çalışmada human-supervised LLM ajanı gerçek cerrahi patoloji raporlama iş akışında değerlendirilmiştir.

Temel model şöyledir:

Patolog kısa bulguları / tanıyı girer
              ↓
AI standart raporu oluşturur
              ↓
Patolog kontrol eder
              ↓
Rapor onaylanır

Bu sistemlerin avantajları:

• daha hızlı rapor üretimi,
• terminoloji standardizasyonu,
• eksik alanların kontrolü,
• tekrar eden metnin azaltılması

olabilir.

Ancak küçük anlamsal hatalar bile klinik açıdan önemli olabileceği için patolog kontrolü zorunludur.

Dolayısıyla AI'nın en güvenli rolü otonom raporlama değil, human-in-the-loop rapor üretimidir.

AI hangi ek incelemeleri önerebilir?

AI'nın ek test önerileri de reaksiyon paternine göre hedefli olmalıdır.

Örneğin:

Eozinofilik spongioz

Klinik vezikül/bül varsa:

Direkt immünfloresan inceleme düşünülebilir.

Interface dermatit + lupus şüphesi

Dermal müsin değerlendirmesi ve uygun klinik-serolojik korelasyon düşünülebilir.

Psoriasiform dermatit

Mantar enfeksiyonu klinik olarak olasıysa:

PAS veya GMS düşünülebilir.

Granülomatöz dermatit

Klinik bağlama göre:

PAS, GMS ve aside dirençli basil boyaları düşünülebilir.

Ancak AI her olguya otomatik özel boya paneli önermemelidir.

Ek test yalnız mevcut ayırıcı tanıyı anlamlı biçimde değiştirecekse önerilmelidir.

AI için önemli risk: automation bias

AI'nın diferansiyel tanı sunması patolog üzerinde önemli bir bilişsel etki oluşturabilir.

Örneğin AI ilk sıraya:

“İlaç reaksiyonu”

yazdığında patolog daha sonra gördüğü bulguları bu tanıya göre yorumlamaya başlayabilir.

Bu durum automation bias veya anchoring oluşturabilir.

LLM destekli diferansiyel tanı çalışmalarında AI önerilerinin hekim kararlarını anlamlı biçimde değiştirebildiği gösterilmiştir.

Bu hem avantaj hem de risk taşır.

AI doğru olduğunda önemli bir tanının unutulmasını önleyebilir.

AI yanlış olduğunda ise kullanıcıyı yanlış bir tanıya sabitleyebilir.

Bu nedenle iyi tasarlanmış sistem:

• patolog isterse önce kendi mikroskopik izlenimini kaydetmeli,
• AI daha sonra diferansiyeli göstermeli,
• her tanı için destekleyen ve karşı çıkan bulgular ayrı sunulmalı,
• AI güven seviyesini abartmamalıdır.

Diferansiyel tanıyı tablo halinde göstermek yararlı olabilir

Örneğin:

Bu yaklaşım AI'nın yalnız sonuç üretmesini değil, tanısal gerekçeyi görünür hale getirmesini sağlar.

AI'nın:

“SCLE düşük olasılık.”

demesinden daha yararlı olan:

“SCLE klinik fotodağılım ve interface değişiklik nedeniyle ayırıcı tanıda kalmaktadır; ancak dermal müsin ve derin/periadneksal inflamasyonun bulunmaması güçlü histolojik desteği azaltmaktadır.”

şeklinde açıklama yapmasıdır.

Dermatopatoloji asistanı için olası iş akışı

Klinik bilgiler
+
Klinik ön tanılar
+
Varsa klinik fotoğraf
        ↓
AI klinik diferansiyeli yapılandırır
        ↓
Patolog reaksiyon paternini / ilk mikroskopiyi girer
        ↓
AI ayırıcı tanıları günceller
        ↓
Tanıları ayıracak kritik mikroskopik özellikleri sorar
        ↓
Patolog hedefli olarak preparata tekrar bakar
        ↓
AI destekleyen ve karşı çıkan bulguları gösterir
        ↓
Gerekirse ek klinik bilgi veya test önerir
        ↓
AI rapor taslağı oluşturur
        ↓
Patolog düzeltir ve onaylar
        ↓
Nihai rapor

Bu sistem patolog için ne sağlar?

AI burada beş farklı işi aynı anda yapabilir.

1. Kontrol listesi

Unutulabilecek önemli morfolojik özellikleri hatırlatır.

Örneğin interface dermatitte:

• dermal müsin,
• periadneksal infiltrasyon,
• folliküler interface,
• apoptotik keratinositler,
• bazal membran değişiklikleri

sistematik olarak sorgulanabilir.

2. Diferansiyel tanı asistanı

Nadir fakat anlamlı olabilecek seçeneklerin gözden kaçmasını azaltabilir.

Amaç patolog yerine tanı koymak değil, unutulabilecek tanıyı hatırlatmaktır.

3. Klinikopatolojik korelasyon

İstem formundaki bilgiler artık raporun üst kısmında duran pasif metin olmaktan çıkar.

AI bunları aktif biçimde histolojiyle ilişkilendirir.

4. Literatür asistanı

Gerekirse seçilmiş ayırıcı tanılar için güncel literatürü getirebilir.

Örneğin:

Psoriasis'te eozinofil gerçekten dışlatıcı mı?

veya:

Mixed spongiotic-interface patern en sık hangi klinik durumlarda görülüyor?

gibi sorular hızlıca kontrol edilebilir.

5. Raporlama asistanı

Patolog tarafından doğrulanmış bilgileri standardize edilmiş bir rapora dönüştürebilir.

Bu nedenle AI'yı:

dijital ikinci göz + kontrol listesi + diferansiyel tanı asistanı + literatür yardımcısı + rapor sekreteri

olarak düşünmek daha gerçekçi olabilir.

2026 verileri klinikopatolojik korelasyonun hâlâ sorun olduğunu gösteriyor

Teknoloji gelişse de temel problem değişmemiştir: patoloğa yeterli klinik bilgi ulaşmamaktadır.

2026 tarihli bir kalite çalışmasında inflamatuvar dermatoz biyopsilerinin yalnızca %18,6'sında istem formunda lezyon morfolojisi ve süresi yeterli biçimde belirtilmiştir.

Clinicopathological conference sonrasında olguların %14'ünde tanısal değişiklik yapılmıştır.

Bu durum AI sistemleri açısından da önemlidir.

AI kötü veya eksik klinik bilgiyle çalışıyorsa daha gelişmiş model kullanmak tek başına çözüm olmayacaktır.

Bu nedenle gelecekte sistem:

“Klinik bilgi yetersiz.”

demeyi de bilmelidir.

Örneğin:

Lezyon süresi belirtilmemiştir.
Klinik morfoloji belirtilmemiştir.
İlaç öyküsü belirtilmemiştir.

ve bu bilgilerin tanısal değeri varsa klinisyenden istenebilir.

En önemli tasarım prensipleri

AI destekli dermatopatoloji sisteminin güvenli çalışması için:

1. Patolog tarafından görülmeyen bir mikroskopik özellik AI tarafından kesin bulgu olarak yazılmamalıdır.

2. Sorulmamış özellikler negatif kabul edilmemelidir.

3. AI her tanının hangi bulgularla desteklendiğini ve hangi bulgularla zayıfladığını gösterebilmelidir.

4. Kritik bilgi eksikse kesin tanı vermek yerine soru sormalıdır.

5. Patolog isterse AI diferansiyelini görmeden önce kendi ilk mikroskopik değerlendirmesini kaydedebilmelidir.

6. Özel boya, IHK veya DIF önerileri hedefli olmalıdır.

7. AI raporu mutlaka patolog tarafından kontrol edilmelidir.

8. Hasta verileri yalnız kurumun izin verdiği güvenli sistemlerde işlenmelidir.

9. AI'nın klinik bilgi, patolog bulgusu ve kendi çıkarımını birbirinden ayırması gerekir.

10. AI belirsizliği saklamamalı; gerektiğinde “bu bilgi mevcut değil” veya “bu morfoloji spesifik değildir” diyebilmelidir.

Sonuç

Dermatitlerin yapay zekâ ile değerlendirilmesinde en anlamlı gelecek modeli:

“AI preparata bakıp patolog yerine tanı versin.”

değildir.

Daha yararlı model:

“AI klinik bağlamı anlasın, patologla konuşsun, ayırıcı tanıyı yapılandırsın, tanıları ayıracak eksik mikroskopik özellikleri sorsun ve patolog tarafından doğrulanan bilgilerle raporu oluştursun.”

şeklindedir.

Bu yaklaşım inflamatuvar dermatopatolojinin doğal çalışma biçimine de uygundur.

Çünkü tanı zaten çoğu zaman:

klinik bilgi → reaksiyon paterni → ayırıcı tanı → hedefli tekrar mikroskopi → klinikopatolojik korelasyon

döngüsüyle konmaktadır.

PathChat gibi multimodal patoloji copilotu çalışmaları, HistoGPT gibi dermatopatoloji rapor oluşturma modelleri, human-supervised LLM raporlama sistemleri ve PathFound gibi evidence-seeking modeller bu yöndeki teknolojik altyapının hızla geliştiğini göstermektedir.

Yakın gelecekte dermatopatolojide en yararlı AI sistemi, patologdan bağımsız çalışan otomatik bir tanı motorundan çok:

patoloğa doğru zamanda doğru soruyu soran, unutulan bulguyu hatırlatan, ayırıcı tanıyı gerekçeleriyle görünür hale getiren ve doğrulanmış bilgileri kaliteli bir rapora dönüştüren dijital bir konsültan

olabilir.

Kaynaklar

1. Smith EH, Chan MP. Inflammatory Dermatopathology for General Surgical Pathologists. Clin Lab Med. 2017;37(3):673-696. PMID: 28802506. doi:10.1016/j.cll.2017.05.008

2. Gupta K. Deciphering spongiotic dermatitides. Indian J Dermatol Venereol Leprol. 2008;74(5):523-526. PMID: 19052433. doi:10.4103/0378-6323.44332

3. Rajaratnam R, Smith AG, Biswas A, Stephens M. The value of skin biopsy in inflammatory dermatoses. Am J Dermatopathol. 2009;31(4):350-353. PMID: 19461238. doi:10.1097/DAD.0b013e31819b3e0c

4. Cerroni L, et al. Influence of evaluation of clinical pictures on the histopathologic diagnosis of inflammatory skin disorders. J Am Acad Dermatol. 2010;63(4):647-652. PMID: 20846566. doi:10.1016/j.jaad.2009.09.009

5. Ernst M, et al. The mixed spongiotic and interface reaction pattern: A study of clinical and histopathologic findings. J Cutan Pathol. 2022;49(12):1051-1059. PMID: 36445270. doi:10.1111/cup.14306

6. Caro-Chang LA, Fung MA. The role of eosinophils in the differential diagnosis of inflammatory skin diseases. Hum Pathol. 2023;136:101-128. doi:10.1016/j.humpath.2023.03.017

7. Chau T, et al. Psoriasis or not? Review of 51 clinically confirmed cases reveals an expanded histopathologic spectrum of psoriasis. J Cutan Pathol. 2017;44(12):1018-1026. PMID: 28833447. doi:10.1111/cup.13033

8. Lu MY, et al. A multimodal generative AI copilot for human pathology. Nature. 2024;634:466-473. PMID: 38866050. doi:10.1038/s41586-024-07618-3

9. Tran M, et al. Generating dermatopathology reports from gigapixel whole slide images with HistoGPT. Nat Commun. 2025;16:4886. PMID: 40419470. doi:10.1038/s41467-025-60014-x

10. Hua S, et al. PathFound: An agentic multimodal model activating evidence-seeking pathological diagnosis. Med Image Anal. 2026;113:104200. PMID: 42442213. doi:10.1016/j.media.2026.104200

11. Abukhiran I, et al. End-to-End Clinical Validation of a Human-Supervised Large Language Model Agent for Enterprise Surgical Pathology Reporting. Mod Pathol. 2026;39:101049. PMID: 42526601. doi:10.1016/j.modpat.2026.101049

12. Lall TS, Haroon S. Inflammatory Dermatoses: An Audit of Histopathology Reporting Quality and the Role of Clinicopathological Conference. Cureus. 2026;18:e113775. PMID: 42542857. doi:10.7759/cureus.113775