Radyolojide yapay zekâ (AI) tabanlı rule-out sistemleri, patoloji içerme olasılığı düşük görüntüleme incelemelerini radyoloğun yorumlama listesinden çıkararak iş yükünü azaltmayı amaçlamaktadır. İlk bakışta bu yaklaşım basit bir verimlilik kazanımı gibi görünür: AI düşük riskli vakaları eler, radyolog daha az sayıda ve daha klinik anlamlı vakaya odaklanır. Ancak Grayson L. Baird, Micheal H. Bernstein, Maggie Chung ve Elizabeth Krupinski'nin bu çalışması, vaka sayısının azalmasının aynı zamanda radyoloğun karar verdiği bilişsel ortamı değiştirdiğini vurgulamaktadır.

Rule-out uygulandığında radyoloğun gördüğü vakalar artık genel klinik popülasyondan yaklaşık rastgele gelen bir akış değildir. Düşük patoloji olasılığı taşıyan vakaların önemli bir bölümü çıkarıldığı için radyoloğa kalan örneklemde hastalık prevalansı artar. Radyolog ayrıca önündeki vakanın AI tarafından tutulduğunu bilir; bu bilgi otomasyon ve çapa yanlılığını tetikleyebilir. AI'nın uyarısının hasta kaydında bulunması veya daha sonra hukuken erişilebilir olması, yanlış negatif kararın algılanan maliyetini yükselterek savunmacı davranışı güçlendirebilir. Son olarak nispeten kolay gerçek-negatif vakaların seçici biçimde kaldırılması, toplam vaka sayısını düşürmesine rağmen kalan iş listesinin ortalama bilişsel güçlüğünü artırabilir.

Yazarlar bu etkileri dört insan-faktörü başlığında toplar: prevalans algısı, otomasyon ve çapa yanlılığı, adaptif yanlılık ve bilişsel yük. Çalışmanın ana mesajı, AI rule-out sistemlerinin yalnız algoritmanın hata oranı ve iş yükü azaltımı üzerinden değerlendirilmemesi gerektiğidir. Algoritma iş listesini değiştirdiğinde, insan karar vericinin karşılaştığı vaka dağılımını, beklentilerini, hukuki risk algısını ve yorgunluk profilini de değiştirebilir. Dolayısıyla gerçek klinik performans, AI ve insanın birbirinden bağımsız performanslarının basit toplamı olmayabilir.

AI rule-out sistemi nedir?

Rule-out veya triyaj sistemi, AI'nın görüntüleme çalışmalarını risk düzeyine göre ayırarak patoloji içerme olasılığı çok düşük olduğu düşünülen vakaları radyoloğun doğrudan yorumlama listesinden çıkarmasını amaçlayan iş akışıdır. Böylece radyolog daha küçük bir vaka grubunu inceleyebilir.

Bu yaklaşım özellikle görüntüleme hacimlerinin artması, radyolog iş gücü üzerindeki baskı ve klinik verimlilik ihtiyacı nedeniyle ilgi çekmektedir. Ancak kaynak, rule-out'un iş listesini yalnız nicelik açısından küçültmediğini; aynı zamanda iş listesinin istatistiksel ve psikolojik yapısını değiştirdiğini savunmaktadır.

AI Rule-Out Radyoloğun Gördüğü Vaka Dağılımını Nasıl Değiştirir?

Geleneksel bir tarama iş akışında radyolog, patoloji olasılığı büyük ölçüde taranan popülasyonun temel prevalansını yansıtan vakalarla karşılaşır. Rule-out sisteminde ise düşük riskli vakalar seçici olarak çıkarıldığı için kalan iş listesi bilinçli biçimde zenginleştirilmiş bir örnekleme dönüşür. Böylece radyoloğun her yeni vakayla karşılaştığında taşıdığı öncül patoloji olasılığı artık genel popülasyon prevalansıyla aynı değildir.

Rastgele olmayan yeni iş listesi

Kaynak örnek olarak bir tarama merkezinde meme kanseri olasılığının yaklaşık %0,3 olduğunu varsayar. Geleneksel iş akışında radyoloğun önüne gelen herhangi bir yeni tarama incelemesinin başlangıçta bu temel prevalansa yakın risk taşıdığı varsayılabilir.

AI düşük riskli vakaları ortadan kaldırdığında ise radyoloğun gördüğü yeni vaka havuzu seçilmiş hale gelir. Bu seçimin kendisi patoloji prevalansını yükseltir ve radyoloğun karar bağlamını değiştirir.

%75 rule-out örneği

Makale, Bernstein ve arkadaşlarının daha önce yayımladığı istatistiksel çerçeveden şu örneği aktarır:

Bu yaklaşık üç katlık prevalans artışı doğrudan önemli bir insan-faktörü problemi yaratabilir. Radyolog zaman içinde “önüme gelen vakaların artık daha büyük bölümü anormal” beklentisini öğrenebilir ve karar kriterini buna göre değiştirebilir.

Prevalans Artışı Yanlış Pozitifleri Neden Etkileyebilir?

Radyoloji ve görsel arama literatürü, hedef prevalansının tanısal kararları etkileyebildiğini göstermektedir. Rule-out sistemi düşük olasılıklı vakaları kaldırdığında radyoloğun gördüğü pozitif vaka oranı yükselir. Kaynağın öne sürdüğü insan-faktörü hipotezine göre radyolog bu yeni prevalansı öğrendikçe daha fazla incelemeyi şüpheli kabul etme eğilimi gösterebilir ve böylece yanlış pozitif değerlendirmeler artabilir.

Prevalans algısı karar eşiğini değiştirebilir

Bir tanısal karar yalnız görüntünün kendisine dayanmaz. Karar verici, içinde bulunduğu bağlamdan patolojinin ne kadar olası olduğuna ilişkin örtük veya açık bir beklenti de oluşturur.

Rule-out öncesinde çok sayıda kolay normal vaka gören radyolog ile AI tarafından önceden seçilmiş, şüpheli vakalarla zenginleştirilmiş bir listeyi okuyan radyolog aynı görüntüye farklı öncül beklentiyle yaklaşabilir.

Makale, bu nedenle AI'nın yalnız vakaları sınıflandırmadığını; dolaylı biçimde insan okuyucunun karşılaştığı prevalans ortamını da değiştirdiğini vurgular.

Yanlış pozitif artışı neden önemlidir?

Yanlış pozitif değerlendirme, aslında patoloji bulunmayan bir hastanın ek görüntüleme, biyopsi veya başka takip işlemleri için geri çağrılması anlamına gelebilir. Bu durum sağlık sistemi kaynaklarını kullanabilir ve hastalarda gereksiz kaygı veya işlemlere yol açabilir.

Ancak kaynak dengeli biçimde önemli bir nokta daha belirtmektedir: aynı mekanizmalar yalnız yanlış pozitifleri artırmak zorunda değildir; daha yüksek dikkat veya şüphe düzeyi bazı gerçek pozitif vakaların saptanmasını da artırabilir. Dolayısıyla insan-faktörü etkisi yalnız “daha fazla hata” şeklinde tek yönlü yorumlanmamalıdır.

AI'nın Vakayı Seçtiğini Bilmek Radyoloğun Kararını Etkiler mi?

Kaynağa göre etkileyebilir. Radyolog önündeki görüntünün AI tarafından “tutulmuş” veya yüksek riskli kabul edilmiş bir vaka olduğunu biliyorsa, görüntünün kendisini değerlendirmeden önce ek bir bilgiye maruz kalmış olur. Bu bilgi otomasyon yanlılığı ve çapa yanlılığı aracılığıyla radyoloğun kararını AI'nın yönüne doğru kaydırabilir.

Otomasyon yanlılığı

Otomasyon yanlılığı, insanların otomatik sistemlerin önerilerini, başka bilgilerle çeliştiğinde veya öneri hatalı olduğunda bile gereğinden fazla tercih edebilmesi eğilimidir.

Rule-out bağlamında sorun özellikle belirgindir. Radyolog, yalnızca AI'nın elemediği vakaları gördüğünü biliyorsa, her vaka daha görüntü açılmadan önce dolaylı olarak şu mesajı taşır:

“AI bu vakada değerlendirmeye değer bir risk gördü.”

Bu bilgi radyoloğun bağımsız değerlendirmesini etkileyebilir.

Çapa yanlılığı

Çapa yanlılığı, karar vericinin ilk aldığı bilgiye gereğinden fazla ağırlık vermesidir. AI'nın vakayı iş listesinde bırakmış olması bile bir tür ilk çapa oluşturabilir.

Sonraki görüntü bulguları AI'nın örtük sinyaliyle çelişse bile radyoloğun kararının başlangıç noktasından tamamen uzaklaşması zorlaşabilir.

AI yanlış olduğunda insan da kararını değiştirebilir

Makale Bernstein ve arkadaşlarının akciğer grafileri üzerinde yaptığı önceki çok-okuyuculu pilot çalışmayı örnek verir. Radyologlara AI'nın bir nodülü işaretlediği söylendiğinde, AI olmadan doğru biçimde negatif değerlendirdikleri bazı negatif vakalar için takip görüntülemesi önermeye daha yatkın hale gelmişlerdir.

Bu örnek, AI'nın yalnız doğru önerilerinin değil, yanlış uyarılarının da insan kararını sürükleyebileceğini göstermesi açısından önemlidir.

AI çıktısının sunum biçimi de önemli olabilir

Kaynak Krupinski ve arkadaşlarının araştırmasına dayanarak AI bilgisinin radyoloğa nasıl sunulduğunun da karar davranışını değiştirebileceğini belirtmektedir. Örneğin ısı haritası ile olasılık grafiği aynı klinik bilgiyi farklı bilişsel biçimlerde sunabilir ve bazı doğru kararları yanlışa, bazı yanlış kararları da doğruya çevirebilir.

Dolayısıyla “AI sonucu gösterilsin mi?” sorusuna ek olarak “hangi biçimde gösterilsin?” sorusu da insan-faktörleri tasarımının parçasıdır.

Hukuki Risk Algısı AI Sonrası Kararları Nasıl Değiştirebilir?

Makale bu mekanizmayı adaptif yanlılık çerçevesinde tartışır. İnsanlar yalnız hata sayısını azaltmaya çalışmaz; farklı hataların taşıdığı maliyetleri de tartar. Radyolojide yanlış negatif bir kanser değerlendirmesinin hukuki ve profesyonel maliyeti, birçok durumda yanlış pozitif takip önermenin maliyetinden daha yüksek algılanabilir. AI'nın vakayı önceden anormal olarak işaretlediğinin kayıtlarda bulunması bu asimetriyi daha da güçlendirebilir.

Yanlış pozitif ve yanlış negatif arasında simetrik olmayan maliyet

Yazarların argümanı, radyoloğun karar kriterinin hata sayısını eşit biçimde azaltmaya değil, algılanan toplam maliyeti azaltmaya göre şekillenebileceğidir.

AI bayrağı hukuken görünürse ne değişebilir?

Kaynakta aktarılan önceki çalışmada radyologlar AI uyarısının hasta dosyasına kaydedileceğini düşündüklerinde, aynı AI uyarısının kaydedilmeyeceğini düşündükleri duruma göre negatif vakalarda takip görüntülemesi önermeye daha yatkın bulunmuştur.

Yazarlar bunu şu mekanizmayla ilişkilendirir: Bir vaka daha sonra kanser çıkarsa ve dosyada AI'nın başlangıçta vakayı yüksek riskli olarak işaretlediği görülebiliyorsa, radyolog “AI bile uyarmıştı, neden takip etmediniz?” biçimindeki hukuki değerlendirmenin daha ağır olacağını düşünebilir.

Mock jury ve hasta portalı çalışmaları

Kaynak iki ek çalışmayı bu yorumla ilişkilendirir. Randomize bir sahte jüri çalışmasında AI'nın vakayı anormal olarak işaretlediği durumda, yanlış negatif karar veren radyolog aleyhine karar verme eğilimi AI kullanılmayan duruma göre daha yüksek bulunmuştur.

Başka bir randomize varsayımsal hasta portalı çalışmasında ise AI doğru biçimde vakayı işaretlediği halde radyolog yanlış negatif karar verdiğinde hastaların hukuki yola başvurma eğiliminin, aynı hatanın AI olmadan gerçekleştiği senaryoya göre arttığı bildirilmiştir.

Bunlar gerçek malpractice davalarının sonucunu belirleyen evrensel hukuk kuralları değildir; insan katılımcıların deneysel senaryolara verdiği tepkileri gösteren araştırma bulgularıdır.

Savunmacı radyoloji davranışı

Bu koşullarda radyolog AI tarafından tutulmuş vakalarda daha düşük takip eşiği benimseyebilir. Bu davranış potansiyel yanlış negatif hukuki riskini azaltmaya çalışırken gereksiz takip ve yanlış pozitif oranını artırabilir.

Dolayısıyla AI'nın kayıtlarda görünürlüğü yalnız teknik veri yönetimi meselesi değil, klinisyen davranışını değiştirebilecek bir insan-faktörü değişkenidir.

Daha Az Vaka Okumak Bilişsel Yükü Neden Artırabilir?

Rule-out sistemlerinin en sezgisel faydası iş yükünün azalmasıdır. Ancak kaynak, vaka sayısı ile bilişsel iş yükünün aynı şey olmadığını vurgular. AI en kolay normal vakaların önemli bir bölümünü kaldırırsa radyolog sayısal olarak daha az vaka okuyabilir fakat kalan vakaların ortalama belirsizliği ve yorumlama güçlüğü artabilir.

Kolay gerçek negatiflerin kaybolması

Rule-out algoritması düşük kanser olasılığı taşıyan görüntüleri çıkardığında bunların önemli bölümünün nispeten kolay gerçek-negatif vakalar olması beklenebilir.

Bunun sonucunda kalan iş listesi daha fazla belirsiz, şüpheli veya karmaşık vaka içerir. Yani:

Daha az vaka ≠ otomatik olarak daha az zihinsel çaba.

Vaka sayısı ile vaka güçlüğü arasındaki denge

Yorgunluk etkisi

Kaynak radyoloji literatüründe nöbet, vardiya, vaka hacmi ve karmaşık vakaların tanısal performans üzerindeki yorgunluk etkilerini gösteren araştırmalara dayanır. Daha çok belirsiz vaka okumanın bilişsel yükü yükselterek yorgunluğu artırabileceği öne sürülmektedir.

Bu durum günün ilerleyen saatlerinde oluşan performans düşüşüyle de etkileşebilir. Böylece AI vaka sayısını azaltırken çalışma günündeki her vakanın zihinsel maliyetini artırabilir.

Rule-Out Oranı Arttıkça İnsan Faktörlerinin Önemi Değişir mi?

Kaynağın sonucuna göre evet. AI yalnız iş yükünün küçük bir bölümünü, örneğin yaklaşık %5'ini çıkarıyorsa vaka dağılımı ve radyoloğun çalışma bağlamındaki değişiklik görece sınırlı olabilir. Buna karşılık iş listesinin %50 veya %90 gibi büyük bir kısmı elendiğinde kalan örneklemin prevalansı, güçlük düzeyi ve AI seçimi hakkındaki beklentiler çok daha belirgin biçimde değişebilir.

Dolayısıyla rule-out yüzdesi yalnız “kaç vaka otomatikleştirildi?” metriği değildir. Aynı zamanda insanın karşı karşıya kalacağı yeni çalışma ortamının ne kadar farklılaşacağını belirleyen bir tasarım değişkenidir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Bu makale yeni bir deney veya retrospektif görüntü veri analizi değildir. Yazarlar AI rule-out uygulamasının radyolog davranışı üzerindeki olası etkilerini, mevcut insan-faktörleri, radyoloji, bilişsel psikoloji ve medikolegal literatürü bir araya getirerek kavramsal bir çerçevede incelemektedir.

Dolayısıyla makalenin dört ana başlığı doğrudan bu sekiz sayfalık çalışmada deneysel olarak ölçülmüş etki büyüklükleri değildir. Bazıları önceki deneylerden destek alırken, rule-out bağlamına uygulanmaları yazarların kavramsal çıkarımıdır.

Dört temel insan-faktörü mekanizması

Kaynağın ana sonucu

AI rule-out sistemlerinin klinik etkisi yalnız algoritmanın duyarlılık, özgüllük ve iş yükü azaltma oranlarından çıkarılamaz. Sistem iş listesinin yapısını değiştirdiğinde radyoloğun karar verdiği psikolojik ve istatistiksel bağlamı da değiştirir.

Bu nedenle uygulama sonrası insan davranışının sabit kalacağı varsayımı risklidir.

Yanlış pozitifler konusunda yönlü hipotez

Makale dört mekanizmanın birçoğunun özellikle yanlış pozitif değerlendirmeleri artırabileceğini öngörür. Yüksek prevalans, AI'nın “bu vaka dikkat gerektiriyor” sinyali ve yanlış negatifin hukuki maliyeti aynı yönde karar kriterini daha hassas hale getirebilir.

Ancak yazarlar bunun yalnız olumsuz sonuç yaratmayabileceğini açıkça belirtir. Daha yüksek hassasiyet ve şüphe düzeyi bazı gerçek pozitif vakaların tespitini de artırabilir. Dolayısıyla rule-out sonrası performansın net etkisi ampirik olarak ölçülmelidir.

Çalışmanın göstermediği şey

Bu çalışma belirli bir rule-out yüzdesinin klinik olarak optimum olduğunu belirlemez. %5, %25, %50 veya %90 rule-out için gerçek dünyadaki insan davranışının ne kadar değişeceğine ilişkin yeni ölçüm yapmaz. Belirli bir AI ürününü değerlendirmez ve herhangi bir üreticinin cihazının klinik güvenliğini onaylamaz.

Ayrıca dört mekanizmanın her hastane, her görüntüleme türü ve her radyologda aynı büyüklükte gerçekleşeceğini göstermez. Kaynak açık biçimde etkinin rule-out düzeyine ve muhtemelen radyologlar arasındaki bireysel farklılıklara bağlı olabileceğini kabul eder.

İnsan-AI sistem performansının temel problemi

Makalenin en önemli çıkarımlarından biri şu şekilde özetlenebilir:

AI'nın bağımsız performansı + radyoloğun AI öncesi performansı = AI sonrası gerçek klinik sistem performansı değildir.

Çünkü AI yalnız karar vermekle kalmaz; radyoloğun önüne hangi vakaların geleceğini ve radyoloğun bu vakalar hakkında ne bildiğini de belirler.

Uygulama tasarımı açısından çıkarım

Kaynağın tartışması, rule-out sistemleri değerlendirilirken algoritmik metriklere ek olarak kalan vaka prevalansının, yanlış pozitif ve yanlış negatif dağılımının, radyoloğun AI seçimini bilip bilmemesinin, AI çıktısının nasıl sunulduğunun, kayıtların medikolegal görünürlüğünün, kalan vaka güçlüğünün ve vardiya boyunca bilişsel yorgunluğun da değerlendirilmesi gerektiğine işaret etmektedir.

Bunlar bu preprintte tamamlanmış bir klinik uygulama protokolü halinde test edilmemiştir; yazarların gelecek uygulama ve araştırmalar için vurguladığı insan-faktörü alanlarıdır.

Kaynak ve Yöntem Notu

Özgün başlık: Human Factors Considerations when using Rule-out Devices

Yazarlar: Grayson L. Baird, PhD; Micheal H. Bernstein, PhD; Maggie Chung, MD; Elizabeth Krupinski, PhD.

Sorumlu yazar: Grayson L. Baird.

Kurumlar: Radiology Human Factors Lab, Department of Radiology, The Warren Alpert Medical School, Brown University and Brown University Health; Department of Radiology and Biomedical Imaging, University of California San Francisco; Department of Radiology and Imaging Sciences, Emory University School of Medicine.

Kaynak türü: Kavramsal derleme / insan faktörleri değerlendirmesi.

Platform: SSRN.

SSRN Abstract ID: 6926646.

DOI: 10.2139/ssrn.6926646.

Date Written: 10 Haziran 2026.

SSRN'de yayımlanma: 15 Haziran 2026.

Sayfa sayısı: 8.

Hakemlik: Kaynak açık biçimde hakem değerlendirmesinden geçmediğini belirtmektedir.

Etik statü: SSRN kaydı “Not Human Subjects Research” olarak belirtmektedir.

Çalışmanın finansmanı: Bu çalışma fonlanmamıştır.

Maggie Chung için bildirilen destekler: National Institutes of Health, Radiological Society of North America Research Scholar Grant ve Breast Cancer Research Foundation.

Çıkar çatışması: Maggie Chung, Voio Inc. hissedarıdır; ilişkinin sunulan çalışma ile ilgisiz olduğu beyan edilmiştir. Diğer yazarlar çıkar çatışması bildirmemektedir.

Yazar katkıları

Maggie Chung makalenin yazımına katkıda bulunmuştur. Micheal H. Bernstein ve Elizabeth Krupinski kavramsallaştırma ve yazıma katkıda bulunmuştur. Grayson L. Baird kavramsallaştırma ve yazıma katkıda bulunmuştur. Kaynağa göre tüm yazarlar son metni okumuş ve onaylamıştır.

Kanıt düzeyi hakkında not

Makalenin kendisi yeni klinik etki büyüklükleri üretmez. Örneğin %0,76'dan %2,21'e prevalans artışı önceki Bernstein ve arkadaşları çalışmasından, AI uyarısının radyolog kararını değiştirmesi yine önceki insan-deneylerinden alınmaktadır. Paper ın özgün katkısı bu ve diğer kanıtları rule-out iş akışı için dört bileşenli bir insan-faktörleri çerçevesinde bir araya getirmesidir.

Klinik yorum sınırı

Bu çalışma bir klinik kılavuz değildir ve belirli hastalarda görüntüleme, biyopsi veya takip kararı vermek için kullanılmamalıdır. İncelenen konu sağlık sistemlerinin ve radyoloji departmanlarının AI iş akışlarını tasarlarken dikkate alması gereken insan-faktörü mekanizmalarıdır.