Otomatik biyometriden standart düzlem tespitine, kalite kontrolünden kardiyak anomali taramasına kadar yapay zekânın fetal ultrasonografideki rolü: kanıtlar, ticari araçlar ve dürüstçe ele alınan sınırlılıklar.
⚕️ Hedef kitle: Bu içerik sağlık profesyonellerine yöneliktir ve eğitim/güncel-bilgi amaçlıdır. Yapay zekâ araçları klinik karar desteği sunar; klinisyen sorumluluğunun ve onaylı klinik iş akışlarının yerine geçmez.
Fetal ultrasonografi, görüntü kalitesi, fetal pozisyon, maternal habitus ve özellikle operatör deneyimi gibi değişkenlere son derece bağımlı bir incelemedir. Aynı görüntünün farklı uygulayıcılar tarafından farklı yorumlanması (gözlemciler-arası değişkenlik) ve standart düzlemlerin elde edilmesindeki güçlük, taramanın doğruluğunu doğrudan etkiler. Son on yılda derin öğrenme (deep learning — çok katmanlı yapay sinir ağlarıyla ham veriden örüntü öğrenen makine öğrenmesi yaklaşımı) temelli yöntemler, bu değişkenliği azaltma ve rutin görevleri otomatikleştirme vaadiyle obstetrik görüntülemenin en aktif araştırma alanlarından biri hâline gelmiştir. Bu metin, fetal ultrasonografide yapay zekânın (YZ) somut uygulama alanlarını, kanıt düzeyini ve gerçek sınırlılıklarını dengeli biçimde ele almaktadır.
Çoğu uygulamada kullanılan mimari, görüntü tanımada başarılı olan konvolüsyonel sinir ağı (CNN — görüntüdeki kenar, doku ve şekil gibi özellikleri katman katman öğrenen derin öğrenme mimarisi) ve bunun türevleridir. Fiorentino ve arkadaşlarının 2017 sonrası 153 çalışmayı taradığı kapsamlı derlemesinde, bu çalışmalar üç temel başlıkta toplanmıştır: standart düzlem tespiti, anatomik yapı analizi/segmentasyon ve biyometri parametre kestirimi (Fiorentino ve ark., Med Image Anal 2023). Aşağıda bu başlıklar klinik açıdan ele alınmaktadır.
Fetal biyometri (biparietal çap [BPD], baş çevresi [HC], abdominal çevre [AC], femur uzunluğu [FL]) ölçümleri, hem gözlemci-içi hem gözlemciler-arası değişkenliğe açıktır; ölçüm hatası doğrudan gebelik haftası ve tahmini fetal ağırlık (TFA) hesabına yansır. YZ tabanlı sistemler, standart düzlemi otomatik tanıyıp ilgili yapıyı segmente ederek ölçümü yarı- veya tam-otomatik hâle getirmeyi amaçlar.
Strazburg Üniversite Hastanesi'nden Goetz-Fu ve arkadaşlarının zamansal (prospektif) dış doğrulama içeren çalışmasında, derin sinir ağı tabanlı bir sistem önce HC/AC/FL standart düzlemlerini ayırt etmiş, ardından ölçümleri yapmış ve Hadlock formülüyle TFA hesaplamıştır. Sistem, uzman sonografere kıyasla benzer; daha az deneyimli operatörlere kıyasla ise anlamlı derecede düşük mutlak göreli ölçüm hatası göstermiştir (örneğin AC için YZ-uzman karşılaştırmasında ortalama mutlak göreli hata ~%1,56; TFA için ~%3,10) (Goetz-Fu ve ark., J Gynecol Obstet Hum Reprod 2025, validasyon çalışması). Bu bulgu, YZ'nin asıl katkısının "uzmanı geçmek" değil, deneyimsiz operatörün performansını ve tekrarlanabilirliğini uzman seviyesine yaklaştırmak olabileceğini düşündürmektedir.
Benzer şekilde Płotka ve arkadaşları, yalnızca fetal abdomenin video taramasını ve gebelik haftasını kullanarak TFA'yı doğrudan kestiren bir derin öğrenme yöntemini, prospektif olarak toplanmış 100 olguluk dış test setinde altı insan okuyucuyla karşılaştırmıştır. Altı okuyucu ile YZ arasındaki ortalama mutlak yüzde hata %3,75±2,00; yalnızca uzmanlarla karşılaştırıldığında %2,59±1,11 bulunmuş, Bland-Altman analizinde sistematik sapma saptanmamıştır (Płotka ve ark., Am J Obstet Gynecol MFM 2023). Bu yaklaşımın ilgi çekici yanı, üç ayrı standart düzlem yerine tek bir anatomik bölgenin videosundan ölçüm yapabilmesidir.
Standart düzlemin doğru elde edilmesi, geçerli bir ölçümün ön koşuludur. Bu alandaki çapa veri seti, Burgos-Artizzu ve arkadaşlarının halka açık FETAL_PLANES veri setidir: iki farklı hastaneden, çok sayıda operatör ve cihazla toplanan, uzman maternal-fetal klinisyence etiketlenmiş 1.792 hastaya ait 12.400'ün üzerinde görüntü. Bu çalışmada güncel derin CNN mimarileri, en sık kullanılan fetal düzlemleri (abdomen, beyin, femur, toraks) ve serviksi sınıflandırmada araştırma teknisyenleriyle benzer performans göstermiş; ancak fetal beyin alt düzlemlerinin (transtalamik, transserebellar, transventriküler) ince-ayrımında performansın hâlâ geliştirilmeye açık olduğu vurgulanmıştır (Burgos-Artizzu ve ark., Sci Rep 2020). Veri setinin halka açık olması, sonraki birçok çalışmanın kıyaslama (benchmark) zeminini oluşturmuştur.
Düzlem tespiti, gerçek zamanlı kalite kontrolüne de doğrudan bağlanır: tarama sırasında elde edilen görüntünün doğru anatomik düzleme ait olup olmadığını ve kalite ölçütlerini (örn. gerekli yapıların görünürlüğü) anlık olarak işaretleyen sistemler, hem dokümantasyon kalitesini hem de standardizasyonu artırma potansiyeli taşır. Bu, özellikle eğitimde ve yüksek hacimli tarama ortamlarında uygulayıcıya geri bildirim sağlayan bir "ikinci göz" işlevi görür.
İkinci trimester rutin taramasında fetal beyin yapılarının değerlendirilmesi de otomasyona uygun bir alandır. BCNatal grubundan Coronado-Gutiérrez ve arkadaşları, rutin orta-trimester görüntülerinden oluşan bir veri setinde, beyin düzlemini sınıflandıran (transventriküler/transtalamik/transserebellar), dokuz yapıyı segmente eden ve ölçümleri otomatik üreten bir derin öğrenme hattı (pipeline) geliştirmiştir. Düzlem sınıflandırma doğruluğu yüksek (~%98,6) olmakla birlikte, hata oranları yapıya göre belirgin değişmektedir: dört standart baş biyometrisi için mutlak hata %3,5'in altında iken, Sylvian fissür operkülizasyon derecesi gibi daha güç ölçümlerde hata ~%26'ya çıkmaktadır (Coronado-Gutiérrez ve ark., Fetal Diagn Ther 2023). Bu, "tek bir doğruluk rakamı"nın yanıltıcı olabileceğini; performansın ölçülen yapıya göre kritik biçimde farklılaştığını gösteren önemli bir uyarıdır.
Gebelik haftası tayini (dating), YZ'nin görece olgunlaştığı alanlardandır. Naz ve arkadaşlarının sistematik derleme ve meta-analizinde, ultrason görüntüsü/kör tarama (blind-sweep) videosu temelli YZ modellerinin gebelik haftası kestirimindeki birleştirilmiş ortalama hatası 2B görüntülerde ~4,32 gün, kör tarama videolarında ~2,55 gün olarak bildirilmiştir; istatistiksel heterojenlik ise yüksektir (Naz ve ark., Front Glob Womens Health 2025, meta-analiz). Yazarlar bu performansın özellikle eğitimli yorumlayıcının kısıtlı olduğu düşük-kaynaklı ortamlar için değer taşıyabileceğini vurgulamaktadır.
YZ'nin en yüksek klinik etki potansiyeli taşıyan — aynı zamanda en çok dikkat gerektiren — alanı yapısal anomali ve özellikle konjenital kalp hastalığı (KKH) taramasıdır. Fetal kalp taraması bu konuda örnek bir paradoksu temsil eder: rehberlerin önerdiği beş kardiyak görüntü birlikte kompleks KKH'nin yaklaşık %90'ını yakalayabilirken, gerçek pratikte duyarlılık %30'a kadar düşebilmektedir.
Arnaout ve arkadaşlarının çığır açan çalışmasında, 1.326 retrospektif ekokardiyogram ve tarama ultrasonundan elde edilen 107.823 görüntüyle eğitilen bir yapay sinir ağı topluluğu (ensemble — birden çok modelin kararını birleştiren yöntem), önce önerilen kardiyak görüntüleri tanımış, ardından normal kalpleri kompleks KKH'den ayırmıştır. İç test setinde (4.108 fetal tarama, %0,9 KKH) model, normal-anormal ayrımında AUC 0,99, duyarlılık %95 (GA %84–99), özgüllük %96 ve negatif öngörü değeri %100'e ulaşmış; performans dış-hastane ve düşük-kaliteli görüntülerde de korunmuştur (Arnaout ve ark., Nat Med 2021). Bu, YZ'nin rehber-uyumlu görüntülemeye uygulandığında, küresel ve kritik bir tanısal açığı kapatabileceğine dair en güçlü kanıtlardandır — ancak bunun bir iç test seti performansı olduğu ve prospektif klinik sonuç verisinden farklı olduğu unutulmamalıdır.
İnce ayrımlı kardiyak anomaliler için de umut verici bulgular vardır. Taksøe-Vester ve arkadaşları, 18–22. hafta anomali taramasındaki otomatik kardiyak biyometrik ölçümleri (RV/LV alan oranı, ana pulmoner arter/asendan aort çap oranı vb.) kullanarak aort koarktasyonu (CoA) riskini öngören bir model geliştirmiştir; 73 CoA olgusu ve 7.300 sağlıklı kontrol içeren olgu-kontrol tasarımında model AUC 0,96, %90,4 duyarlılıkta %88,9 özgüllüğe ulaşmıştır (Taksøe-Vester ve ark., Ultrasound Obstet Gynecol 2024). Doğum öncesi sıklıkla atlanan CoA için bu, klinik olarak anlamlı bir hedeftir; yine de olgu-kontrol tasarımı, gerçek tarama popülasyonundaki performansı (özellikle yanlış-pozitif yükünü) olduğundan iyi gösterebilir.
🌍 Düşük-kaynaklı ortamlar: Maternal ölümlerin, yenidoğan ölümlerinin ve ölü doğumların önemli bir kısmı intrapartum dönemde, ağırlıklı olarak düşük ve orta gelirli ülkelerde gerçekleşmekte; rutin ultrason kullanımı eğitimli sonografer eksikliğiyle sınırlanmaktadır. Kör tarama (blind-sweep) protokolleri + YZ tabanlı otomatik yorumlama ve tele-ekokardiyografi, uzman erişimini genişletme potansiyeli taşır (Bai ve ark., Med Image Anal 2026; Suha ve ark., Medicina 2025). Ancak araçlar yalnızca yüksek-kaynaklı popülasyonlarda doğrulanırsa, eşitsizliği azaltmak yerine derinleştirebilir.
Araştırma prototiplerinin ötesinde, klinik kullanıma sunulmuş ve düzenleyici onay almış araçlar da mevcuttur. Bunların onay kapsamını doğru aktarmak önemlidir; "FDA onaylı" ifadesi çoğu zaman, bağımsız tanı koymaya değil, klinisyene yardımcı olmaya yetkilendirilmiş Sınıf II yazılımları tanımlar.
Bu listede dikkat edilmesi gereken bir nokta: piyasadaki bazı YZ-destekli görüntü-edinim araçları (ör. UltraSight) erişkin kardiyak ekokardiyografi için FDA izinlidir ve obstetrik/fetal kullanım için onaylı değildir. Bu nedenle bunlar fetal ultrason aracı olarak sunulmamalıdır — endikasyon dışı genelleme, sık karşılaşılan bir yanlış-bilgi kaynağıdır.
Uluslararası Obstetri ve Jinekolojide Ultrason Derneği (ISUOG), Kasım 2025 tarihli Yapay Zekâ Konumlandırma Bildirisi (AI Positioning Statement) ile YZ'nin kadın sağlığına katkı potansiyelini kabul ederken, uygulama öncesi dikkatli değerlendirme ve hasta/klinisyen güvenliğini koruyacak güvencelerin gerekliliğini vurgulamaktadır. Bildiri; şeffaflık (kullanılan yöntem ve veri setlerinin açıkça tanımlanması), eşitlik ve yanlılığın önlenmesi (eğitim verisinin demografik ve etnik temsil gücü), ve risk sınıflandırması (idari/düşük-risk → klinisyene yardımcı/orta-risk → otonom karar/yüksek-risk) gibi ilkeler ortaya koyar. Ayrıca insan denetiminin korunmasını, tutarsızlıkların yorumlanmasına ilişkin standart işletim prosedürlerini ve uygulama sonrası sürekli gözetimi (post-implementation surveillance) zorunlu görmektedir (ISUOG, 2025).
Yukarıdaki başarı rakamları umut verici olsa da, alanın kanıt tabanı önemli ölçüde olgunlaşmamıştır. Bu sınırlılıkların dürüstçe ele alınması, abartıya açık bu alanda profesyonel sorumluluğun gereğidir:
Bugünkü kanıt düzeyinde fetal ultrasonografide YZ, klinisyenin yerini alan bir tanı koyucu değil, klinisyeni güçlendiren bir karar-destek ve standardizasyon aracı olarak konumlandırılmalıdır. En somut ve yakın katkıları şunlardır: (1) biyometride operatör bağımlılığını ve gözlemciler-arası değişkenliği azaltmak, özellikle deneyimsiz operatörü uzman seviyesine yaklaştırmak; (2) gerçek zamanlı kalite kontrolü ve standart düzlem işaretlemesiyle dokümantasyon kalitesini artırmak; (3) kardiyak gibi yüksek-kaçırma-oranlı taramalarda "ikinci okuyucu" olarak duyarlılığı desteklemek; (4) düşük-kaynaklı ortamlarda gebelik haftası tayini ve temel tarama için uzman erişimini genişletmek.
Sorumlu kullanım için pratik ilkeler: bir aracın onaylı endikasyonunu ve onay kapsamını (yalnızca yardımcı mı, otonom mu) bilmek; mümkünse kendi popülasyonunuza yakın verilerle dış-doğrulanmış araçları tercih etmek; YZ çıktısını her zaman klinik bağlamda ve insan denetimi altında değerlendirmek; ve raporlama standartlarına (örn. yapay-zeka çalışmaları için TRIPOD-AI/CONSORT-AI) uygun, prospektif kanıtı olan araçlara öncelik vermek. ISUOG'un çerçevesi de bu yönü destekler: şeffaflık, eşitlik, insan denetimi ve uygulama sonrası gözetim.
Özetle, fetal ultrasonografide yapay zekâ — biyometri, düzlem tespiti ve kardiyak tarama desteğinde gösterilen güçlü ön kanıtlarla — gerçek bir potansiyel taşımaktadır; ancak bu potansiyelin klinik faydaya dönüşmesi, geniş çaplı dış doğrulama, prospektif sonuç çalışmaları ve eşitliği gözeten dikkatli bir entegrasyona bağlıdır. Heyecan, kanıtın önüne geçmemelidir.
Son güncelleme: . Kaynaklar yayın tarihleri ve güncel sürümleriyle teyit edilmiştir. Ticari araçların düzenleyici durumu (FDA 510(k) / ticari erişilebilirlik) üretici ve resmî kaynaklardan doğrulanmıştır.