Abstract
<jats:p>Meme kanseri, dünya genelinde kadınlarda kansere bağlı ölümlerin başlıca nedenlerinden biri olmaya devam etmektedir. Bu nedenle mamografik tarama programları erken tanı açısından büyük önem taşımaktadır. Bununla birlikte, konvansiyonel mamografi taramalarında bildirilen mortalite azalmasına rağmen, kanserlerin yaklaşık %20–40’ının gözden kaçabildiği bildirilmiştir. Son yıllarda dijital meme tomosentezinin (DMT) kullanıma girmesi, kanser saptama oranlarını artırmış ve geri çağırma oranlarını azaltmıştır. Ancak DMT’nin hacimsel görüntüleme yapısı, radyologların inceleme süresini %50–200 oranında artırarak tarama programlarında önemli bir iş yükü oluşturmuştur. Birinci nesil bilgisayar destekli tanı (CADe) sistemleri klinik uygulamada beklenen tanısal faydayı sağlayamamış ve yüksek yanlış pozitif oranları nedeniyle güvenilirlik sorunları yaratmıştır. Bu durum, özellikle DMT incelemelerinin çok sayıda kesit içeren yapısıyla birleştiğinde, radyologların mevcut iş yükünü daha da artırmaktadır. Son yıllarda geliştirilen derin öğrenme tabanlı yapay zekâ sistemleri, mamografide kanser tespitinde radyolog performansına ulaşabilmekte hatta bazı çalışmalarda bu performansı aşabilmektedir. Yapay zekânın eş zamanlı karar destek sistemi olarak kullanılması, radyologların tanısal doğruluğunu artırırken okuma süresini artırmadan tanı performansını iyileştirebilmektedir. DMT taramalarında yapılan çalışmalar, klinik olarak anlamlı duyarlılık kaybı olmadan %30–70 oranında iş yükü azalmasının mümkün olduğunu göstermektedir. MASAI randomize çalışması, yapay zekâ destekli tek okuma yaklaşımının standart çift okumaya kıyasla daha fazla kanser tespit ettiğini ve radyolog iş yükünü belirgin biçimde azalttığını ortaya koymuştur. Bununla birlikte, algoritmaların farklı popülasyonlarda genellenebilirliği, bazı lezyon tiplerinde sınırlı duyarlılık, algoritmik önyargı ve medicolegal sorumluluk gibi konular halen araştırılmaya devam etmektedir.</jats:p>