Yapay zekâ ve patoloji denildiğinde birkaç yıl öncesine kadar akla çoğunlukla tek bir yaklaşım geliyordu:

Dijital preparatın CNN ile analiz edilmesi ve tümörün sınıflandırılması.

Ancak computational pathology alanı artık bundan çok daha geniş bir noktaya ilerliyor.

Yeni nesil AI sistemleri yalnızca görüntüyü sınıflandırmayı değil;

• çok büyük histopatoloji veri setlerinden genel morfolojik temsiller öğrenmeyi,
• klinik, radyolojik ve moleküler verileri aynı model içinde birleştirmeyi,
• hücreler arasındaki mekânsal ilişkileri analiz etmeyi,
• patologların binlerce görüntüyü tek tek etiketleme gereksinimini azaltmayı,
• rutin H&E preparatlarından moleküler özellikleri öngörmeyi

amaçlıyor.

2026 itibarıyla patolojide öne çıkan teknolojik yönelimler arasında foundation modeller, multimodal ve multi-omics sistemler, graph neural networks, weakly supervised learning ve LLM entegrasyonu özellikle dikkat çekiyor.

1. Foundation modeller: Her tümör için ayrı algoritmadan genel patoloji modeline

Klasik patoloji AI sistemlerinde genellikle belirli bir görev için ayrı bir model geliştirilir.

Örneğin:

• prostat kanseri saptayan model,
• meme kanserinde HER2 değerlendiren model,
• kolorektal kanserde MSI tahmin eden model,
• melanom sınıflandıran model.

Bu yaklaşımın önemli bir dezavantajı vardır.

Her yeni görev için yeniden büyük miktarda veri toplamak ve modeli yeniden eğitmek gerekir.

Foundation model yaklaşımı bunu değiştirmeye çalışıyor

Foundation modeller önce çok büyük miktarda histopatolojik görüntü üzerinde eğitilir.

Çoğu zaman bunun için self-supervised learning kullanılır.

Modelin başlangıçta belirli bir tümörü öğrenmesi gerekmez.

Bunun yerine:

• glandüler yapılar,
• hücre morfolojileri,
• stromal özellikler,
• nekroz,
• lenfositik infiltrasyon,
• doku organizasyonu

gibi çok sayıda genel histolojik temsil öğrenilir.

Daha sonra aynı model farklı görevler için kullanılabilir.

Örneğin:

Foundation model

↓

prostat kanseri saptama

↓

tümör grade tahmini

↓

biyobelirteç tahmini

↓

prognoz

↓

mutasyon tahmini

Bu nedenle foundation modeller, bilgisayarlı patolojinin “genel amaçlı histoloji modelleri” haline gelebilir.

Prov-GigaPath örneği

Yeni nesil büyük patoloji foundation modellerinden biri Prov-GigaPath'tir.

Bu tür modeller çok büyük WSI koleksiyonlarında önceden eğitilerek daha sonra farklı downstream görevlerde kullanılabilir.

Örneğin bir çalışmada foundation model tabanlı özellikler kullanılarak melanomlarda BRAF V600 mutasyon durumu rutin histoloji görüntülerinden tahmin edilmeye çalışılmıştır.

Bu yaklaşım önemli bir değişime işaret ediyor:

Moleküler özelliklerin bazıları gelecekte yalnız DNA dizisinden değil, histolojik fenotipten de öngörülebilir hale gelebilir.

Ancak bu tür tahminlerin moleküler testlerin yerini aldığı düşünülmemelidir.

Daha gerçekçi kısa dönem kullanım alanı:

moleküler test için hasta ön seçimi veya triage olabilir.

2. Multimodal AI: Patolog zaten multimodal düşünüyor

Klasik AI modellerinin önemli bir sorunu yalnızca görüntüye bakmalarıdır.

Oysa patolog tanı koyarken hiçbir zaman sadece H&E preparatını değerlendirmez.

Örneğin bir renal tümörde aynı anda:

• hasta yaşı,
• tümör lokalizasyonu,
• radyolojik görünüm,
• morfoloji,
• immünohistokimya,
• moleküler sonuçlar

birlikte değerlendirilir.

Dolayısıyla gerçek patoloji pratiği doğal olarak multimodaldir.

Multimodal AI ne yapar?

Farklı veri türlerini aynı analiz içerisinde birleştirir:

WSI + radyoloji + klinik bilgi + laboratuvar + moleküler veri

Örneğin:

Tiroid ince iğne aspirasyonu + ultrason bulguları

birlikte değerlendirilebilir.

2025 yılında bildirilen bir modelde tiroid sitolojik görüntüleri ultrason özellikleriyle birlikte değerlendirildiğinde yalnız sitoloji kullanan modele göre performansın arttığı gösterilmiştir.

Bu fark küçük bile olsa kavramsal açıdan önemlidir.

Çünkü tanısal algoritma ilk kez patolog gibi:

“Preparatta ne var?”

sorusuna ek olarak

“Hasta ve lezyon hakkında başka ne biliyoruz?”

sorusunu da değerlendirmektedir.

3. Multi-omics AI: Morfoloji ile tümör biyolojisinin birleşmesi

Multimodal ve multi-omics kavramları birbirine yakın görünse de aynı değildir.

Multimodal

Farklı veri formatlarının birlikte kullanılmasıdır.

Örneğin:

• histoloji,
• radyoloji,
• klinik veri.

Multi-omics

Farklı moleküler veri katmanlarının birlikte değerlendirilmesidir.

Örneğin:

• genomik,
• transkriptomik,
• proteomik,
• epigenomik,
• metabolomik.

Kanser biyolojisi tek bir gen veya tek bir proteinden oluşmadığı için, özellikle karmaşık klinik sonuçların tahmininde multi-omics modeller önemli olabilir.

Örneğin:

immünoterapi yanıtı

tek başına PD-L1 veya tümör mutasyon yüküyle kusursuz biçimde tahmin edilemez.

Genomik, transkriptomik ve proteomik verilerin birlikte kullanılması daha güçlü biyolojik modeller oluşturabilir.

Patoloji bu sistemin neresinde?

Histoloji aslında başka bir “omics” değildir.

Ancak tümörün moleküler biyolojisinin fenotipik çıktısıdır.

Bu nedenle gelecekte modeller şu tip bir veri setini aynı anda değerlendirebilir:

H&E

IHC

NGS

RNA ekspresyonu

radyoloji

klinik veri

↓

entegre tanı / prognoz / tedavi yanıtı

Bu yaklaşım precision oncology açısından oldukça önemlidir.

4. Graph Neural Networks: Hücreleri tek tek değil, birbirleriyle ilişkileri içinde değerlendirmek

Histopatoloji temel olarak mekânsal bir bilimdir.

Bir hücrenin morfolojisi kadar:

• nerede bulunduğu,
• hangi hücrelerin yanında olduğu,
• stromayla ilişkisi,
• damarlarla ilişkisi,
• immün hücrelerle ilişkisi

de önemlidir.

Klasik CNN sistemleri küçük görüntü bölgelerindeki lokal morfolojik özellikleri saptamakta çok başarılıdır.

Ancak geniş ölçekli doku mimarisini modellemek daha zordur.

Graph Neural Network — GNN

Bu yaklaşımda histolojik yapı bir grafik olarak modellenebilir.

Örneğin:

• tümör hücresi = node
• lenfosit = node
• fibroblast = node
• damar = node

Bu yapılar arasındaki mesafe veya biyolojik ilişki ise:

edge

olarak tanımlanabilir.

Böylece AI yalnız:

“Bu hücrenin nükleusu büyük mü?”

sorusunu değil,

“Bu tümör hücresinin çevresinde hangi hücreler bulunuyor?”

sorusunu da değerlendirmeye başlar.

5. GNN neden özellikle kanser patolojisi için önemli?

Kanser yalnız tümör hücresinden oluşmaz.

Tümör mikroçevresinde:

• T lenfositler,
• makrofajlar,
• fibroblastlar,
• damarlar,
• nekrotik alanlar,
• ekstrasellüler matriks

bulunur.

Bunların tümörle mekânsal ilişkisi:

• prognozu,
• immünoterapi yanıtını,
• metastatik potansiyeli

etkileyebilir.

Bu nedenle GNN'ler özellikle:

tumour microenvironment

ve

spatial pathology

alanlarında önemli hale gelebilir.

6. Weakly supervised learning: Patologların binlerce alan çizmesi gerekmeyebilir

AI geliştirilmesindeki en pahalı kaynaklardan biri GPU değildir.

Patolog zamanıdır.

Bir WSI üzerinde tüm tümör alanlarının patolog tarafından tek tek işaretlenmesi oldukça zaman alıcıdır.

Örneğin bir veri setinde:

10.000 WSI

bulunuyorsa bunların tümünde:

• tümör,
• stroma,
• nekroz,
• normal doku

alanlarını manuel çizmek pratik olarak çok zor olabilir.

Weakly supervised learning bu problemi azaltır

Model ayrıntılı hücresel annotation yerine yalnız slide-level etiketi kullanabilir.

Örneğin:

Slide 1: kanser

Slide 2: benign

Model zaman içinde slide içindeki hangi bölgelerin bu sınıflandırmaya katkı sağladığını öğrenmeye çalışır.

Bu yaklaşım özellikle multiple instance learning — MIL yöntemleriyle computational pathology'de yaygınlaşmaktadır.

7. Neden weak supervision patoloji AI'sını hızlandırabilir?

Çünkü patoloji arşivlerinde zaten milyonlarca preparat vardır.

Bu preparatların büyük bölümünde:

• WSI,
• patoloji raporu,
• tanı

mevcuttur.

Ancak ayrıntılı piksel seviyesinde annotation yoktur.

Weakly supervised modeller bu mevcut verilerin kullanılmasını kolaylaştırabilir.

Dolayısıyla geleceğin önemli veri kaynağı yeni oluşturulan araştırma setlerinden çok:

rutin patoloji arşivleri

olabilir.

8. Semi-supervised learning

Semi-supervised learning biraz farklı bir yaklaşım kullanır.

Verilerin bir kısmı ayrıntılı olarak etiketlidir.

Büyük bölümü ise etiketsizdir.

Örneğin:

1.000 patolog tarafından anotasyon yapılmış görüntü

100.000 etiketsiz WSI

birlikte modele verilebilir.

Model küçük fakat yüksek kaliteli uzman anotasyonunu referans olarak kullanırken büyük etiketsiz veri havuzundan ek özellikler öğrenebilir.

Bu yaklaşım da patolog annotation yükünü azaltabilir.

Ancak önemli bir risk vardır:

Küçük referans veri setindeki hatalar çok büyük veri setine yayılabilir.

Dolayısıyla annotation kalitesi, annotation miktarı kadar önemlidir.

9. Large Language Models: Patoloji AI'sının iletişim katmanı

LLM'lerin patolojideki rolünü yalnız:

“rapor yazan chatbot”

olarak görmek sınırlayıcıdır.

LLM gelecekte farklı AI sistemlerini birbirine bağlayan bir arayüz haline gelebilir.

Örneğin:

Adım 1

Foundation model WSI'yi analiz eder.

Adım 2

GNN tümör mikroçevresini değerlendirir.

Adım 3

Multimodal model radyolojik ve klinik verileri ekler.

Adım 4

Moleküler model olası genomik profili değerlendirir.

Adım 5

LLM bütün sonuçları patolog için okunabilir hale getirir.

Örneğin:

“Morfoloji ve klinik veriler birlikte değerlendirildiğinde clear cell renal cell carcinoma olasılığı yüksektir. Modelin en fazla ağırlık verdiği alanlar berrak sitoplazmalı alveoler tümör alanları ve ince kapiller damar ağıdır.”

Bu kavram giderek AI pathology copilot yaklaşımına dönüşmektedir.

10. LLM + görüntü modeli = multimodal pathology copilot

En ilginç gelişmelerden biri büyük dil modellerinin görüntü foundation modelleriyle birleştirilmesidir.

Bu sistemler teorik olarak:

• preparatı analiz edebilir,
• morfolojik bulguları tanımlayabilir,
• ayırıcı tanı oluşturabilir,
• ek immünohistokimya önerebilir,
• patoloji raporu taslağı hazırlayabilir.

Ancak burada önemli bir ayrım vardır.

Görüntüyü analiz eden model

ile

açıklamayı yazan dil modeli

aynı şey değildir.

LLM'nin çok ikna edici bir açıklama yazabilmesi, histolojik analizin doğru olduğu anlamına gelmez.

Bu nedenle patolog kontrolü kritik olmaya devam eder.

11. Capsule Networks: Mekânsal hiyerarşiyi koruma girişimi

CNN modellerinde görüntü farklı katmanlardan geçirilirken pooling işlemleri yapılır.

Bu işlemler önemli özellikleri korurken bazı mekânsal bilgilerin kaybolmasına yol açabilir.

Capsule network yaklaşımında ise özelliklerin:

• yönü,
• pozisyonu,
• birbirleriyle ilişkisi

daha fazla korunmaya çalışılır.

Bu özellik patoloji açısından teorik olarak önemlidir.

Çünkü örneğin:

gland

yalnız birkaç hücrenin toplamı değildir.

Hücrelerin belirli bir geometrik düzen içinde organize olması gerekir.

Capsule modeller bu part-whole relationship ilişkisini daha iyi korumayı amaçlar.

Ancak günümüzde bu yaklaşım hâlâ daha deneysel düzeydedir.

12. Reinforcement Learning: AI hangi alana bakacağına karar verebilir

Reinforcement learning klasik sınıflandırmadan farklı çalışır.

Model belirli bir çevre içinde karar verir ve sonuçlarına göre ödül veya ceza alır.

Patolojide henüz erken aşamadadır.

Ancak ilginç bir uygulama alanı WSI navigasyonudur.

Bir patolog preparata baktığında genellikle:

1. düşük büyütmede genel yapıyı görür,
2. şüpheli alanı seçer,
3. yüksek büyütmeye geçer.

Reinforcement learning kullanan sistemler benzer bir strateji öğrenebilir.

Örneğin:

Düşük büyütme

↓

şüpheli ROI seçimi

↓

yüksek büyütme

↓

başka ROI

↓

tanısal karar

Bu durumda AI yalnız:

“Ne görüyorum?”

sorusunu değil,

“Bundan sonra nereye bakmalıyım?”

sorusunu da öğrenmektedir.

13. Rutin H&E'den moleküler değişiklik tahmini

Patoloji AI'sındaki en dikkat çekici alanlardan biri molecular prediction from morphology yaklaşımıdır.

Rutin H&E üzerinde görülen morfoloji:

DNA mutasyonları,

epigenetik değişiklikler,

transkriptomik farklılıklar

sonucunda ortaya çıkan fenotipik bir görüntüdür.

Dolayısıyla model yeterli veriyle bazı moleküler durumları öğrenebilir.

Çalışmalarda örneğin:

• MSI/dMMR,
• BRAF,
• BAP1,
• PBRM1,
• SETD2

gibi değişikliklerin histolojiden tahmin edilmesi araştırılmıştır.

Ancak burada önemli bir klinik sınır çizilmelidir.

AI tahmini ≠ moleküler test

Bugünkü koşullarda daha gerçekçi yaklaşım:

“Bu tümörde MSI olasılığı yüksek, moleküler test önceliklendirilebilir.”

şeklinde bir pre-screening stratejisidir.

14. Spatial pathology ile AI birleşiyor

Multiplex IHC, spatial transcriptomics ve benzeri teknolojiler giderek daha fazla hücresel konum bilgisi üretmektedir.

Bu veriler:

• hangi hücrelerin yan yana olduğunu,
• immün hücrelerin tümör içine girip girmediğini,
• tümör-stroma sınırındaki biyolojik değişiklikleri

gösterebilir.

GNN ve multimodal AI sistemleri bu tür spatial verilerin analizinde özellikle uygun olabilir.

Bu nedenle geleceğin computational pathology sistemi yalnız H&E görüntüsünü değil:

morfoloji + molekül + mekân

üçlüsünü birlikte değerlendirebilir.

15. En önemli engel artık yalnız algoritma doğruluğu değil

Yeni AI modelleri giderek daha büyük ve karmaşık hale geliyor.

Ancak büyüklük beraberinde yeni sorunlar getiriyor:

• GPU ihtiyacı,
• enerji tüketimi,
• WSI depolama maliyeti,
• scanner farklılıkları,
• boyama standardizasyonu,
• veri gizliliği,
• kurumlar arası generalizasyon,
• hukuki sorumluluk.

Tek bir WSI'nin dosya boyutu yüzlerce megabayttan birkaç gigabayta çıkabilir.

Binlerce WSI'nin aynı anda analiz edildiği bir laboratuvarda sorun artık yalnız algoritmanın doğruluğu değildir.

Dijital altyapının tamamı önem kazanır.

16. “AUC kaç?” sorusu artık yeterli değil

Bir AI sisteminin değerlendirilmesinde uzun süre en önemli ölçütlerden biri AUC oldu.

Ancak klinik uygulamada başka sorular da vardır.

Örneğin:

• False negative oranı nedir?
• Hangi tümör varyantlarında başarısız oluyor?
• Başka hastanede aynı performansı gösteriyor mu?
• Başka scanner ile çalışıyor mu?
• Boya yoğunluğu değiştiğinde ne oluyor?
• Analiz ne kadar sürüyor?
• Patolog zamanından gerçekten tasarruf sağlıyor mu?
• Yanlış sonucun klinik maliyeti nedir?
• Veriler nerede saklanıyor?
• Sistemin kararına kim hukuken sorumlu?

Dolayısıyla patoloji AI'sında gelecek:

en yüksek AUC'ye sahip modeli

değil,

klinik iş akışında en güvenli ve faydalı modeli

seçmeye doğru ilerlemektedir.

17. Patolog açısından yakın gelecekte en önemli değişiklik ne olabilir?

En olası senaryo “otonom AI patolog” değildir.

Bunun yerine farklı AI sistemlerinin birleştiği bir workflow daha gerçekçi görünmektedir.

WSI
 ↓
Foundation model
 ↓
Tümör / ROI saptama
 ↓
Kantitatif analiz
 ↓
GNN ile spatial değerlendirme
 ↓
Klinik + radyoloji + moleküler veri
 ↓
Multimodal model
 ↓
LLM tabanlı özet / rapor desteği
 ↓
Patolog değerlendirmesi