Yapay zekânın patolojideki ilk dönemi büyük ölçüde tek bir soruya odaklanıyordu:
“Bu dijital lamda tümör var mı?”
Bugün ise soru değişiyor.
Yeni nesil sistemler yalnızca tümörü bulmayı değil; tümörün derecesini ölçmeyi, immünohistokimyasal belirteçleri nicelleştirmeyi, moleküler değişiklikleri tahmin etmeyi, klinik ve radyolojik verileri histolojiyle birleştirmeyi ve hatta verdiği kararın nedenini patolog için açıklamayı hedefliyor.
Bu nedenle yapay zekânın patolojideki geleceğini yalnızca “otomatik tanı” başlığı altında değerlendirmek giderek yetersiz kalıyor.
2026 itibarıyla patoloji pratiğini etkileme potansiyeli en yüksek gelişmeleri birkaç başlık altında toplamak mümkün.
1. AI destekli tanı artık araştırma prototipi olmaktan çıkıyor
Convolutional neural network (CNN) tabanlı sistemlerin en olgun kullanım alanlarından biri kanser saptama ve tanısal triyaj.
AI özellikle:
- prostat biyopsilerinde tümör odaklarının saptanması,
- lenf nodlarında metastaz aranması,
- meme ve gastrointestinal biyopsilerde malignite taraması,
- sitoloji örneklerinin sınıflandırılması,
- yüksek hacimli tarama işlerinde şüpheli alanların işaretlenmesi
gibi görevlerde güçlü sonuçlar veriyor.
Buradaki önemli değişiklik AI'nın patoloğun yerine tanı vermesi değil, patoloğun baktığı alanı daraltması ve ikinci okuyucu gibi çalışmasıdır.
Örneğin bir lenf nodunun tamamını eşit dikkatle taramak yerine algoritma birkaç şüpheli alanı işaretleyebilir. Patolog son kararı verir ancak arama yükü azalır.
Bu yaklaşım özellikle:
- mikrometastaz,
- küçük tümör odağı,
- yoğun biyopsi serileri,
- rutin tarama işleri
için günlük pratiği doğrudan etkileyebilir.
2. En erken yaygınlaşacak alanlardan biri: kantitatif patoloji
Patolojide önemli miktarda zaman aslında “tanı koymaya” değil, saymaya ve derecelendirmeye ayrılıyor.
Örneğin:
- mitoz sayısı,
- Ki-67 proliferasyon indeksi,
- HER2 skoru,
- PD-L1 değerlendirmesi,
- tümör-infiltre eden lenfositler,
- tümör yüzdesi,
- Gleason paterni dağılımı,
- hücre yoğunluğu ve nükleer morfometri
AI açısından oldukça uygun problemlerdir.
Çünkü bu görevlerin önemli bir bölümü matematiksel olarak tanımlanabilir ancak insanlar arasında gözlemci değişkenliğine açıktır.
Mitoz sayımı
AI mitotik hücre adaylarını bütün tümör alanı içinde tarayabilir ve hotspot seçiminde yardımcı olabilir.
Bu yaklaşımın en önemli avantajı yalnız hız değildir.
Aynı zamanda:
“Hangi alanı saydık?”
sorusunu daha standart hale getirme potansiyelidir.
Ancak apoptotik cisimler, hiperkromatik dejenere nükleuslar ve ezilme artefaktları gibi mitoz taklitçileri hâlâ önemli hata kaynaklarıdır.
HER2 ve diğer immünohistokimyasal skorlar
HER2 değerlendirmesi AI için doğal bir kullanım alanıdır.
Algoritma:
- membran bütünlüğünü,
- boyanma şiddetini,
- pozitif hücre oranını,
- tümör heterojenitesini
aynı anda değerlendirebilir.
Bununla birlikte özellikle borderline ve düşük ekspresyonlu olgular, algoritmalar açısından da en zor grubu oluşturmaktadır.
Dolayısıyla yakın gelecekte AI'nın rolü muhtemelen “otomatik nihai skor” vermekten çok:
ön skor + ölçüm + şüpheli alan gösterimi + patolog onayı
şeklinde olacaktır.
3. H&E'den moleküler biyoloji tahmini: “pathomics”
En ilginç gelişmelerden biri, rutin H&E görüntüsünden doğrudan moleküler özellik tahmini yapılmasıdır.
Histolojik morfoloji aslında genomik değişikliklerin fenotipik sonucudur.
Bu nedenle yeterli sayıda örnekle eğitilen modeller:
- MSI/dMMR,
- BRAF,
- BAP1,
- PBRM1,
- SETD2
gibi moleküler özelliklerle ilişkili morfolojik imzaları öğrenebilmektedir.
Örneğin kolorektal kanserde H&E görüntüsünden MSI olasılığının tahmin edilmesi uzun süredir araştırılmaktadır.
Renal hücreli karsinomlarda BAP1 gibi sürücü değişikliklerin morfolojiden tahmin edilmesi de benzer bir yaklaşımın örneğidir.
Burada önemli nokta şudur:
AI yakın gelecekte moleküler testlerin tamamının yerini almak zorunda değildir; daha gerçekçi kullanım alanı, hangi olgunun moleküler teste öncelikle gönderilmesi gerektiğini belirleyen bir ön tarama sistemi olabilir.
Bu yaklaşım moleküler test maliyetlerini ve laboratuvar yükünü azaltabilecek önemli bir gelişmedir.
4. Foundation modeller: patolojinin “genel amaçlı modeli”
Klasik CNN modelleri çoğunlukla tek bir görev için geliştirilirdi.
Örneğin:
“Prostat biyopsisinde kanser saptayan model.”
Foundation modellerde yaklaşım farklıdır.
Model önce milyonlarca histolojik görüntü üzerinde kendi kendine öğrenir ve temel histolojik temsil oluşturur.
Daha sonra aynı model:
- tümör sınıflandırma,
- grade tahmini,
- prognostik analiz,
- biyobelirteç tahmini,
- mutasyon tahmini
gibi farklı downstream görevlerde yeniden kullanılabilir.
Bu, patoloji AI'sında önemli bir paradigma değişikliğidir.
Patoloji için gelecekte her tümöre ayrı algoritma geliştirmek yerine, büyük bir patoloji foundation modeli üzerine daha küçük görevlerin eklenmesi daha olası görünmektedir.
Prov-GigaPath gibi modeller bu yaklaşımın erken örneklerindendir.
Ancak sorunlar devam ediyor
Foundation modeller:
- çok büyük veri setlerine,
- ciddi GPU kapasitesine,
- yüksek depolama alanına,
- dış merkez doğrulamasına
ihtiyaç duyar.
Ayrıca model büyüdükçe neden o kararı verdiğini anlamak daha da zorlaşabilir.
Bu nedenle foundation modellerin klinik kullanımı büyük olasılıkla XAI yöntemleriyle birlikte gelişecektir.
5. Weakly supervised learning: patologların annotation yükünü azaltabilir
AI geliştirmede en büyük darboğazlardan biri veri değildir.
Uzman tarafından etiketlenmiş veridir.
Bir patologdan binlerce WSI üzerinde tüm tümör alanlarını tek tek çizmesini istemek pratik değildir.
Weakly supervised learning bu sorunu azaltmaya çalışır.
Örneğin algoritmaya yalnızca:
- “kanser”
- “benign”
etiketi verilen binlerce WSI sunulur.
Model hangi bölgelerin bu tanıyı belirlediğini zaman içinde kendisi öğrenmeye çalışır.
Multiple instance learning (MIL) gibi yaklaşımlar bu nedenle computational pathology alanında giderek önem kazanmaktadır.
Bu teknolojinin patoloğa doğrudan görünmeyen fakat çok önemli bir etkisi olacaktır:
Yeni AI uygulamalarının geliştirilmesi için gerekli patolog annotation süresi ciddi biçimde azalabilir.
6. Multi-modal AI: yalnız lamı değil hastayı değerlendirmek
Bir patolog hiçbir zaman yalnız histolojik görüntüye bakarak çalışmaz.
Tanıda aynı zamanda:
- yaş,
- cinsiyet,
- anatomik lokalizasyon,
- radyolojik bulgular,
- laboratuvar verileri,
- önceki tümör öyküsü,
- immünohistokimya,
- moleküler testler
kullanılır.
Bu nedenle yalnız WSI kullanan bir AI sisteminin doğal bir sınırı vardır.
Multi-modal AI
Multi-modal modeller farklı veri formatlarını birlikte değerlendirir:
WSI + klinik veri + radyoloji + laboratuvar + moleküler sonuçlar
Örneğin tiroid ince iğne aspirasyonlarında sitolojik görüntünün ultrason özellikleriyle birlikte değerlendirilmesi, yalnız sitoloji kullanan modele göre daha başarılı olabilir.
Bu yaklaşım aslında patologların günlük düşünme biçimine çok daha yakındır.
7. Multi-omics: morfolojiden biyolojiye
Multi-modal ve multi-omics birbirinden ayrılmalıdır.
Multi-modal AI, farklı veri formatlarını birleştirir.
Multi-omics AI ise farklı moleküler katmanları birlikte değerlendirir:
- genomik,
- transkriptomik,
- proteomik,
- epigenomik,
- metabolomik.
Özellikle:
- immünoterapi yanıtı,
- prognoz,
- ilaç duyarlılığı,
- tümör biyolojisi
gibi kompleks problemlerde tek bir biyobelirteç yerine çok sayıda biyolojik katmanın birlikte kullanılması daha güçlü modeller oluşturabilir.
Patolojinin burada rolü yalnız görüntü sağlamak değildir.
Histomorfoloji, bu multimodal sistemlerin temel veri katmanlarından biri olacaktır.
8. Grafik sinir ağları: AI tek hücreye değil doku mimarisine bakmaya başlıyor
Klasik CNN'ler görüntüdeki lokal özellikleri saptamakta çok başarılıdır.
Ancak histopatolojik tanı yalnız hücrelerin nasıl göründüğü değildir.
Aynı zamanda:
- hücrelerin birbirleriyle ilişkisi,
- gland mimarisi,
- tümör-stroma ilişkisi,
- immün hücre dağılımı,
- invazyon paterni,
- tümör mikroçevresi
önemlidir.
Graph neural network (GNN) yaklaşımında hücreler veya doku bölgeleri birer node, aralarındaki ilişkiler ise edge olarak modellenebilir.
Böylece AI:
“Bu hücre nasıl görünüyor?”
sorusundan
“Bu hücre çevresindeki hücrelerle nasıl organize olmuş?”
sorusuna geçmektedir.
Bu özellikle tümör mikroçevresi ve spatial biology çalışmalarında önemli olabilir.
9. Büyük dil modelleri patoloji AI'sının arayüzü olabilir
LLM'lerin asıl etkisi her zaman doğrudan görüntü sınıflandırmak olmayabilir.
Daha önemli rollerinden biri farklı AI sistemlerinin sonuçlarını patologla iletişim kurabilecek forma dönüştürmek olabilir.
Örneğin sistem:
- WSI üzerinde tümör alanını saptar.
- Foundation model histolojik özellikleri çıkarır.
- Moleküler model olası biyobelirteçleri değerlendirir.
- Klinik verilerle multimodal analiz yapılır.
- LLM sonucu okunabilir bir açıklamaya dönüştürür.
Örneğin:
“Model adenokarsinom olasılığını yüksek olarak değerlendirdi. Kararı en fazla etkileyen alanlarda düzensiz glandüler yapılanma, nükleer pleomorfizm ve infiltratif büyüme paterni bulunmaktadır.”
Bu tür sistemler geleceğin patoloji copilotu kavramına oldukça yakındır.
Ancak LLM'nin ürettiği açıklamanın ikna edici olması, açıklamanın gerçekten modelin karar mekanizmasını yansıttığı anlamına gelmez.
Bu nedenle LLM ile XAI birbirinin eş anlamlısı değildir.
10. Açıklanabilir Yapay Zekâ (XAI): klinik kullanımın anahtarlarından biri
AI'nın en önemli sorunlarından biri hâlâ “black box” problemidir.
Bir sistem %97 doğruluk gösterebilir.
Ancak patolog açısından ikinci soru hemen gelir:
“Neye bakarak bu kararı verdi?”
XAI yöntemleri bu soruya cevap vermeye çalışır.
Model örneğin:
- heatmap,
- attention map,
- Grad-CAM,
- feature visualization,
- SHAP benzeri feature-importance analizleri
ile kararını etkileyen alanları gösterebilir.
Bu özellik yalnız kullanıcı güveni açısından değil, hatalı AI kararının fark edilmesi açısından da kritiktir.
XAI bu nedenle önümüzdeki dönemin ayrı bir ana başlığıdır.
11. Kapsül ağları
Capsule network yaklaşımı CNN'lerdeki pooling işlemleri sırasında kaybolabilecek uzaysal ve hiyerarşik ilişkileri korumayı amaçlar.
Patolojide bu teorik olarak önemlidir çünkü:
bir hücrenin görünümü kadar hücrenin doku içindeki konumu da anlam taşır.
Capsule network'ler günümüzde foundation modeller veya GNN'ler kadar klinik gündemin merkezinde değildir; ancak yapısal ilişkinin korunması açısından ilginç bir araştırma alanıdır.
12. Reinforcement learning: henüz erken aşamada
Reinforcement learning sistemleri ödül ve ceza mekanizmasıyla karar stratejileri öğrenir.
Patolojide henüz daha deneysel durumdadır.
Olası kullanım alanlarından biri:
- düşük büyütmede WSI tarama,
- hangi alanların yüksek büyütmede inceleneceğine karar verme,
- ROI seçimi
gibi süreçlerdir.
Yani gelecekte algoritma yalnız görüntüyü yorumlamakla kalmayıp:
“Bu lamda bundan sonra nereye bakmalıyım?”
sorusunu da öğrenebilir.
Peki patolog açısından gerçekten ne değişecek?
Yakın dönemde en olası senaryo tam otomatik tanı değildir.
Daha olası olan, günlük iş akışının giderek şu hale gelmesidir:
WSI → AI ön tarama → şüpheli alanların işaretlenmesi → otomatik ölçümler → klinik/moleküler veri entegrasyonu → patolog değerlendirmesi → AI destekli raporlama
Bu modelde patolog sistemin dışında değildir.
Aksine en kritik noktadadır.
Çünkü:
- artefaktı tanıyan,
- klinik bağlamı değerlendiren,
- nadir varyantı fark eden,
- immünohistokimyayı yorumlayan,
- AI'nın yanlış korelasyonunu reddeden
kişinin hâlâ patolog olması gerekir.
Patoloji laboratuvarları için en önemli soru
AI sistemi seçerken yalnızca:
“AUC kaç?”
diye sormak yeterli olmayacaktır.
Aynı zamanda şu sorular sorulmalıdır:
- Dış merkez validasyonu var mı?
- Farklı scanner sistemlerinde çalışıyor mu?
- Farklı boyama protokollerine dayanıklı mı?
- Hangi olgularda başarısız oluyor?
- Kararını açıklayabiliyor mu?
- Yanlış negatiflerin klinik maliyeti nedir?
- Sonuç patolog tarafından kolayca override edilebiliyor mu?
- İş akışını hızlandırıyor mu, yoksa yeni bir kontrol yükü mü getiriyor?
- Hasta verilerinin gizliliği nasıl korunuyor?
Gerçek klinik değer yalnız algoritmanın doğruluğuyla değil, patoloji laboratuvarının tamamına entegrasyonuyla belirlenecektir.
Sonuç
Patolojide AI'nın bir sonraki aşaması “daha iyi görüntü sınıflandırıcısı” geliştirmekten ibaret değildir.
Yeni dönem;
foundation modeller + multimodal veri + multi-omics + spatial analiz + XAI + LLM
birleşimine doğru ilerlemektedir.
En önemli değişiklik ise muhtemelen şudur:
AI patoloğun yerine geçen tek bir algoritma olmayacaktır.
Bunun yerine patolog ile birlikte çalışan, lamı tarayan, ölçen, verileri birleştiren, olasılıkları sıralayan ve gerekçesini göstermeye çalışan bir dijital yardımcı sistemler ekosistemi ortaya çıkacaktır.
Patolojinin geleceğinde önemli soru artık:
“AI patologların yerini alacak mı?”
değil,
“Patologlar AI'nın hangi kararlarını kabul edecek, hangilerini sorgulayacak ve bu sistemleri klinik güvenliği bozmadan iş akışına nasıl entegre edecek?”
sorusudur.
Kaynak
Tham JA, Xie F, Chen B, et al. An update of artificial intelligence in pathology: Current applications, challenges, and future directions. Intelligent Systems with Applications. 2026;32:200736. doi:10.1016/j.iswa.2026.200736