Ameliyathanede saat 10:30. Cerrah rezeke edilen kitlenin sınırını merak ediyor; frozen section sonucu bekliyor. Patoloji laboratuvarı aynı binada ama patoloğun o an başka bir vakası var. Başka bir senaryoda: patoloğun hiç olmadığı bir ilçe hastanesi, tanıyı kuryeyle gönderilen preparatlar üzerinden günler sonra alabiliyor. Dijital patoloji ve yapay zeka bu iki soruna farklı yanıtlar veriyor — biri zaman için, diğeri coğrafya için.
Dijital patolojinin özü şu: cam preparat, yüksek çözünürlüklü tarayıcıyla tüm preparat görüntüsüne (whole slide image, WSI) aktarılıyor. Patolog artık mikroskobun başında değil, ekran başında çalışıyor. Bu görüntü dijital olduğu için kaydedilebilir, paylaşılabilir, arşivlenebilir — ve bir yapay zeka modeli tarafından analiz edilebilir. Teknoloji kendi başına sınırlı; YZ ile birleşince farklı bir boyut kazanıyor.
HER2 Ultra-Low: YZ Patologun Gözünden Kaçanı Yakalıyor
Meme kanserinde HER2 durumu sadece bir biyobelirteç değil, tedavi kararının mihenk taşı. Trastuzumab deruksetan gibi antikor-ilaç konjügatlarının (ADC) devreye girmesiyle birlikte "HER2 ultra-low" kavramı tedavi kararlarında belirleyici bir yer tutmaya başladı. Sorun şu: bu kategori, patologlar arasında yorumlama tutarsızlığının en yüksek olduğu alan.
2026'da yayımlanan bir çalışma 188 meme kanseri vakasını, 376 tüm preparat görüntüsünü inceledi. Dokuz patoloğun YZ desteğiyle ve desteği olmadan yaptığı değerlendirmeler karşılaştırıldı. Sonuç net: YZ desteğiyle HER2 ultra-low tespitinde F1 skoru 0.78'den 0.98'e çıktı, duyarlılık 0.72'den 0.96'ya yükseldi.1 Bunun anlamı şu: YZ, patoloğun gözünden kaçan vakaları yakalıyor ve aynı zamanda yanlış pozitif oranını düşürüyor.
Bu farkın klinik yansıması somut. HER2 ultra-low yanlış sınıflandırıldığında hasta, etkinliği kanıtlanmış bir ADC tedavisinden mahrum kalıyor. YZ bu noktada patoloğun rakibi değil; yorgunluktan, preparat kalitesindeki değişkenlikten ve deneyim farklılığından kaynaklanan tutarsızlıkları gideriyor.
Gastrointestinal Kanserlerde IHC Tahmini: Boyama Olmadan Sonuç
İmmünohistokimya (IHC) tümör tanı ve evrelemesinde standart bir araç, ama zaman alıcı ve doku tüketici. Daha da önemlisi, deneyimli laboratuvar teknisyeni gerektiriyor. Derin öğrenme modellerinin hedefi şu: hematoksilen-eozin (H&E) boyalı preparata bakarak IHC sonucunu tahmin etmek, fiziksel boyama adımını devre dışı bırakmak.
2025'te yayımlanan bir validasyon çalışması beş IHC biyobelirteç modeli geliştirdi — P40, Pan-CK, Desmin, P53, Ki-67. Özofagus, mide ve kolorektal kanser vakalarını kapsayan 134 tüm preparat görüntüsü kullanıldı. Modellerin AUC değerleri 0.90-0.96 arasında, doğruluk oranları %83-91 bandında çıktı. Patologların AI-IHC ile konvansiyonel IHC arasındaki tutarlılık oranı üç belirteçte %96-100 olarak gerçekleşti.4
Yine de tablo bu kadar parlak değil. P53 tutarlılık oranı %70'te kaldı; Ki-67 proliferasyon indeksinde AI ve konvansiyonel IHC arasındaki varyasyon %17 civarında. Başka bir deyişle, bazı belirteçlerde model henüz klinik kullanıma hazır değil. Teknoloji geliştirme aşamasında, rutin iş akışında yer bulması için daha fazla harici validasyon gerekiyor.
Frozen Section ve Telepatoloji: Ameliyathane Dışından Tanı
İntraoperatif frozen section, cerrah için anlık bir karar noktası. Sınır temiz mi, tümör var mı? Bu sorunun cevabı ameliyat masasındaki hastanın geleceğini değiştirebilir. Patoloğun fiziksel varlığını gerektiren bu süreç, telepatoloji ile coğrafi kısıttan bağımsızlaşıyor.
2026'da yayımlanan bir İtalya çalışması, mobil cihaz tabanlı bir telepatoloji platformunu (PathoZoom) intraoperatif frozen section için değerlendirdi. Modena Üniversite Hastanesi'nde 75 ardışık frozen section vakasında konvansiyonel ışık mikroskobu ile akıllı telefon tabanlı uzaktan inceleme karşılaştırıldı. Genel konkordans %96 (72/75 vaka). Bir majör uyuşmazlık: bazal hücre karsinomu sınır değerlendirmesi, telepatolojide negatif çıkarken ışık mikroskobunda pozitif.3
%96 konkordans güçlü bir rakam, ama cerrahi bağlamda %4 uyuşmazlık ihmal edilebilir değil. Majör uyuşmazlık oranı bu çalışmada %1.3'te kaldı; bu oran kabul edilebilir bir sınırda. Ancak sınır değerlendirmesi gibi kritik kararlarda telepatolojinin bağımsız bir araç olarak mı, yoksa ek bir konsültasyon katmanı olarak mı konumlandırılacağı netleşmeli.
Çalışmanın önemli bir katkısı maliyet analizini de içermesi. Mobil cihaz tabanlı sistemin, geleneksel telepatoloji altyapısına kıyasla çok daha düşük maliyetle çalıştığı gösterildi. Bu bulgu, kaynak kısıtlı sağlık sistemlerinde telepatolojinin uygulanabilir bir yol olduğunu gösteriyor.
YZ Histopatolojide Ne Yapabiliyor?
Meme kanseri, dijital patolojide YZ uygulamalarının en yoğun çalışıldığı alan. Tümör sınıflandırması, histolojik derecelendirme, lenf nodu metastazının lokalizasyonu ve biyobelirteç analizi: bunların tümünde derin öğrenme modelleri —evrişimsel sinir ağları (CNN), YOLO, RetinaNet— test edildi. Görevler genelinde %75-95 doğruluk aralığı raporlandı; YZ destekli iş akışlarında tanısal duyarlılıkta ve gözlemciler arası konkordansta iyileşme gözlemlendi.2
Ama aynı derleme kısıtları da net biçimde ortaya koyuyor: veri değişkenliği, klinik pratikte dış validasyon yetersizliği ve etik kaygılar bu teknolojilerin rutin kullanıma geçişinin önündeki başlıca engeller. YZ patoloğun yerini almıyor; ama tanısal tutarsızlığı azaltıyor, inceleme süresini kısaltıyor. Soru artık "ne zaman" değil, "hangi koşulda" sorusuna dönüşüyor.
Standardizasyon Sorunu: Veriler Neden Karşılaştırılamıyor?
Dijital patoloji araştırmalarının büyümesinin önündeki görünmez bir engel var: veri setlerinin birbirinden tamamen farklı terimlerle tanımlanması. Hasta, numune, blok, preparat, tüm preparat görüntüsü, karo — bu hiyerarşik yapı çalışmadan çalışmaya değişiyor; eğitim verisi boyutu, genellenebilirlik ve klinik geçerlilik hakkındaki iddialar karşılaştırılamaz oluyor.
2026'da yayımlanan bir çerçeve çalışması bu soruna DICOM'un hiyerarşik bilgi modeline dayanan bir standardizasyon yaklaşımı önerdi. Klinik, laboratuvar ve dijital alanları birbirinden ayıran bu çerçeve, veri setlerinin şeffaf biçimde tanımlanmasını ve farklı çalışmalar arasında anlamlı karşılaştırma yapılmasını sağlıyor.5
Bu teknik görünen sorunun pratik yansıması şu: bir modelin "yüksek doğruluk" iddiası, hangi hasta grubunda, hangi tarayıcıyla, hangi preparat kalitesiyle elde edildiği bilinmeden değerlendirilemez. Standardizasyon olmadan klinik çeviri gecikiyor.
Türkiye Gerçeği: Üç Engel
Düşük ve orta gelirli ülkelerde dijital patoloji ve YZ'nin moleküler tanıyı nasıl güçlendirdiğini ele alan 2025 tarihli bir derleme, Türkiye gibi ülkeler için son derece tanıdık bir tablo çiziyor: sınırlı uzmanlık, coğrafi erişim güçlüğü ve altyapı yetersizliği.6
Türkiye'de dijital patolojiye geçişin önündeki engeller üç başlıkta somutlaşıyor.
Tarayıcı maliyeti ve altyapı. Yüksek çözünürlüklü tüm preparat tarayıcısı ciddi bir yatırım gerektiriyor. Üretilen görüntü dosyaları —her preparat için gigabaytlar— büyük depolama kapasitesi ve hızlı ağ altyapısı istiyor. Türkiye'deki patoloji laboratuvarlarının büyük çoğunluğu hâlâ analog çalışıyor; bu geçiş tek bir hastane kararıyla değil, sistemik bir yatırım politikasıyla mümkün.
Patolog sayısı açığı. Türkiye'de patolog başına düşen nüfus Batı Avrupa ortalamasının üzerinde. Dijital patoloji bu açığı kapatmak için bir fırsat sunuyor: bir patolog, fiziksel mesafeye bağlı kalmadan farklı merkezlere konsültasyon verebilir. Ama bu kurumsal bir benimseme kararı gerektiriyor — bireysel inisiyatifle değil, sistem düzeyinde.
Yerel validasyon eksikliği. Mevcut YZ modellerinin büyük çoğunluğu Batı veya Doğu Asya popülasyonlarından derlenen verilerle eğitildi. Türk hasta popülasyonunun hastalık sıklıkları, preparat hazırlama protokolleri ve laboratuvar standartları farklı. Yabancı bir modelin Türkiye koşullarında aynı performansı vermeyeceğini varsaymak temkinli ama doğru bir yaklaşım.
Sonuç: Araç Var, Zemin Hazırlanıyor
Dijital patoloji ve YZ, patoloji pratiğine artık gerçek vakalarda giriyor. HER2 ultra-low değerlendirmesinde F1 skorunu 0.98'e taşımak, ameliyat masasından uzaktan frozen section değerlendirmek, H&E preparatından IHC tahmin etmek — bunlar teorik değil, yayımlanmış çalışmalarla kanıtlanmış sonuçlar.
Ama laboratuvar başarısı ile rutin klinik kullanım arasındaki mesafe hâlâ açık. Standardizasyon eksikliği karşılaştırmayı zorlaştırıyor, dış validasyon yetersizliği klinik güveni zayıflatıyor, altyapı maliyeti erişimi kısıtlıyor. Türkiye için bu üç sorun aynı anda var.
Bununla birlikte telepatolojinin coğrafi adaletsizliği azaltma potansiyeli, özellikle Türkiye gibi uzmanlık dağılımının dengesiz olduğu ülkeler için önemli bir fırsat. Mobil cihaz tabanlı uzaktan konsültasyonun %96 konkordansla çalıştığını gösteren bir çalışma, bu olasılığı sayıyla kanıtlıyor.
Cerrahi pratiğimizde bizi en çok zorlayan noktalardan biri cerrahi sınır pozitifliği. Rezeksiyon sınırlarının belirlenmesi, hastanın tedavi sürecini baştan aşağı etkiliyor. Örneğin meme kanseri cerrahisini ele alalım: meme koruyucu cerrahi yaparken sınırın negatif olacak şekilde rezeksiyonun tamamlanması gerekiyor. Ancak hasta önceden neoadjuvan tedavi almışsa ve gelişen fibrozis nedeniyle sınırdan emin olunamıyorsa, rezeksiyon sınırları genişletilmeli mi yoksa cerrahi orada bitirilmeli mi?
Eğer bu fibrozis zemininde mikroskopik tümör odakları kaldıysa ne yapacağız? Hastayı radyoterapiye mi yönlendirmeli, yoksa tekrar operasyona alıp sınırları mı genişletmeli? Pratikte hem patoloğu hem cerrahı arada bırakan bu durumdan kurtulmak için yapay zeka destekli incelemeler yapmak şart mı? Validasyon nasıl yapılacak? Birçok soru var, ama elimizde henüz yanıt yok.
Umut verici gelişmeler mevcut; ancak hem teknolojik hem de maliyet kısıtları şu an için bir engel teşkil ediyor. Yakın gelecekte bu sınırlılıklar aşıldığında günlük pratiğe girmesi, hastanın olduğu kadar cerrahın ve patoloğun da faydasına olacak gibi görünüyor. Böylece medikolegal problemlerin de önüne geçilebilecek.
- YZ destekli HER2 ultra-low değerlendirmesi patologlar arası tutarsızlığı belirgin biçimde azaltıyor; F1 skoru 0.78'den 0.98'e çıktı
- Gastrointestinal kanserlerde derin öğrenme modelleri IHC tahmininde AUC 0.90-0.96 elde etti; ama P53 ve Ki-67 tutarlılığı hâlâ sınırlı
- Mobil cihaz tabanlı telepatoloji intraoperatif frozen section'da %96 konkordansla çalıştı — küçük merkezler için gerçekçi bir seçenek
- Veri standardizasyonu eksikliği farklı çalışmaları karşılaştırılamaz kılıyor; DICOM tabanlı çerçeve bu boşluğu doldurmaya çalışıyor
- Türkiye için öncelik: tarayıcı altyapısı, yerel validasyon çalışmaları ve telepatoloji iş akışlarının kurumsal düzeyde benimsenmesi
Kaynaklar
- Wang XP, Han Y, Yao M ve ark. AI-enhanced precision: boosting pathologist confidence in HER2 ultra-low diagnosis through intelligent re-screening. Breast Cancer Res. 2026;28(1). doi:10.1186/s13058-026-02261-4 PMID: 41845525
- Ivanov V, Khalid U, Gurung J ve ark. Use of AI histopathology in breast cancer diagnosis. Medicina (Kaunas). 2025;61(10). doi:10.3390/medicina61101878 PMID: 41155864 Derleme
- Fabbri VP, Reggiani Bonetti L, Pagni F ve ark. Mobile device smartphones for intraoperative diagnosis: from validation process to costs analysis. Diagn Pathol. 2026. doi:10.1186/s13000-026-01792-w PMID: 42129876
- Wang J, Zhang S, Li J ve ark. Development and clinical validation of deep learning-based immunohistochemistry prediction models for subtyping and staging of gastrointestinal cancers. BMC Gastroenterol. 2025;25(1):494. doi:10.1186/s12876-025-04045-0 PMID: 40597706
- Dy A, Lennerz JK. A straightforward framework to harmonize computational pathology. J Pathol Inform. 2026;22:100676. doi:10.1016/j.jpi.2026.100676 PMID: 42281754 Metodoloji
- Rahman A, Cheng CL, Salim R ve ark. Digital pathology and AI: enhancing molecular diagnostics in low- and middle-income countries. Expert Rev Mol Diagn. 2025;25(12):859-867. doi:10.1080/14737159.2025.2581687 PMID: 41147250 Derleme