Yapay Zeka İlk Tanıda Yüzde 80’den Fazla Yanılma Gösteriyor

Yeni araştırma, yapay zekanın erken tanı koymada yüzde 80’den fazla hatalı sonuçlar verdiğini ortaya koydu.

Yapılan yeni bir araştırma, yapay zeka dil modellerinin erken tanı koyma süreçlerinde yüzde 80’den fazla hata yaptığını ortaya koydu. Bu durum, yapay zekanın henüz denetimsiz bir şekilde klinik ortamlarda kullanılmasının güvenli olmadığını gösteriyor.

Mass General Brigham’daki araştırmacılar, yapay zeka sohbet botlarının kapsamlı klinik bilgilerle desteklendiğinde tanı koyma doğruluğunun arttığını, ancak yine de uygun ayırıcı tanı üretme konusunda çoğu vakada başarısız kaldığını belirtti. Araştırma, açık erişimli tıp dergisi JAMA Network Open‘da yayımlandı ve büyük dil modellerinin (LLM’ler) klinik uygulama için gerekli muhakeme becerilerini yeterince geliştiremediğini ortaya koydu.

Çalışmanın ortak yazarı Marc Succi, mevcut yapay zeka modellerinin gözetimsiz bir şekilde klinik düzeyde kullanılmaya hazır olmadığını vurguladı. Ayrıca, ayırıcı tanının tıbbın sanatı olduğunu belirterek, yapay zekanın bu alanda henüz yeterli seviyeye ulaşamadığını ifade etti.

Araştırma ekibi, Claude, DeepSeek, Gemini, GPT ve Grok gibi 21 büyük dil modelinin işleyişini inceledi. Bu modeller, PrIME-LLM adı verilen yeni bir araçla 29 standartlaştırılmış klinik vaka senaryosu üzerinden değerlendirildi. Araç, klinik muhakemenin farklı aşamalarındaki yetkinliği ölçüyor: ilk tanı, uygun tetkiklerin istenmesi, kesin tanıya ulaşılması ve tedavi planlaması.

Araştırma sırasında, hastanın yaşı, cinsiyeti ve belirtileri gibi temel bilgilerle başlayan simülasyonlar, fizik muayene bulguları ve laboratuvar sonuçları ile devam etti. Ayırıcı tanı aşamasında başarısız olsalar bile, modellerin bir sonraki aşamaya geçebilmesi için ek bilgiler sağlandı. Sonuçlar, dil modellerinin kesin tanıda yüksek doğruluk oranlarına ulaşmasına rağmen, ayırıcı tanı üretme ve belirsizlikle başa çıkma konusunda zayıf kalmaya devam ettiğini gösterdi.

Çalışmanın yazarlarından Arya Rao, LLM’lerin adım adım değerlendirilmesinin, onları sadece bir sınav çözücüsü olarak görmekten öteye taşıdığını belirtti. Veriler tamamlandığında, bu modellerin kesin tanıyı koymada oldukça başarılı olduğunu, ancak bilginin sınırlı olduğu durumlarda zorlandığını ekledi. Araştırmacılar, tüm modellerin vakaların yüzde 80’inden fazlasında uygun bir ayırıcı tanı üretemediğini tespit etti. Kesin tanı başarı oranları ise modele bağlı olarak yüzde 60’tan yüzde 90’a kadar değişiklik gösterdi.

LLM’lerin doğruluk oranları, metne ek olarak laboratuvar sonuçları ve görüntüleme verileri sağlandığında artış gösterdi. Araştırma, Grok 4, GPT-5, GPT-4.5, Claude 4.5 Opus, Gemini 3.0 Flash ve Gemini 3.0 Pro gibi en yüksek performansa sahip modellerin bir kümesini ortaya koydu.

Yazarlar, bu modellerin geliştirilmesine rağmen, klinik muhakemeyi güvenli bir şekilde gerçekleştirebilmek için gereken düzeye henüz ulaşmadığını vurguladı. Succi, sağlık alanında kullanılan büyük dil modellerinin hâlâ bir insanın müdahalesine ve sıkı bir denetime ihtiyaç duyduğunu belirtti. Çalışmada yer almayan İspanya Aile ve Toplum Hekimliği Derneği’nden Susana Manso García ise bulguların kamuoyuna net bir mesaj verdiğini ifade etti. García, dil modellerinin gözetim olmaksızın klinik kararlar almak için kullanılmaması gerektiğini vurguladı ve yapay zekanın umut verici bir araç olmasına rağmen insan klinik yargısının vazgeçilmez olduğunu belirtti. Kamuya yönelik öneri ise bu teknolojilerin temkinli bir şekilde kullanılması ve sağlık sorunlarıyla karşılaşıldığında mutlaka bir sağlık profesyoneline başvurulması gerektiği yönünde oldu.