Türkçe tıbbi yapay zekâ modeli ve geliştirme aşamaları

Türkçe tıbbi modelin genel amaçlı modelden farkı

ChatGPT ya da Gemini gibi genel amaçlı sohbet araçları geniş bir konu yelpazesi için tasarlanır; belirli bir ülkenin klinik pratiğine, bir kurumun verisine ya da iş akışına göre tasarlanmamıştır. Bu tür modellerin eğitim verisinde Türkçe klinik metnin payı da sınırlıdır. Türkçe klinik metnin ise modelin doğrudan öğrenmesi gereken özellikleri vardır:

• Dil yapısı sondan eklemelidir. "Saptandı" ile "saptanmadı" arasındaki fark tek bir ektir; modelin olumsuzluk ekini kaçırması bir bulguyu tersine çevirir.
• Terminoloji karmadır. Klinik notlarda Türkçe, Latince ve İngilizce terimler bir arada geçer; kısaltmalar branşa, hatta servise göre değişir.
• Hastanın dili klinik dilden farklıdır. "Şekerim var" ya da "tansiyonum çıktı" gibi gündelik ifadelerin klinik karşılığını bilmek, öyküyü doğru yapılandırmanın ön koşuludur.
• Kodlama pratiği ve geri ödeme kuralları yereldir. Türkiye'de tanılar ICD-10 ile kodlanır; kamu geri ödemesinin kuralları SGK'nın yayımladığı Sağlık Uygulama Tebliği'nde (SUT) yer alır, provizyon ve faturalama SGK'nın sistemi Medula üzerinden yürür.

Bu farklar çeviriyle kapanmaz; metni İngilizceye çevirip genel bir modele vermek olumsuzluk ekini, kısaltmayı ya da yerel bir kuralı yolda kaybedebilir. Aynı durum, klinik yazımı ve geri ödeme kuralları kendine özgü her dil ve sağlık sistemi için geçerlidir.

Temel model, uyarlama ve bilgi erişimi katmanları

Model katmanlar hâlinde kurulur; bu, her katmanı ayrı test edip denetlemeyi kolaylaştırır.

• Sürekli ön eğitim (CPT, continued pre-training), hazır bir temel modelin yeni bir dilin ya da alanın metinleri üzerinde eğitilmeye devam edilmesidir. Model burada bir görevi değil, klinik Türkçenin kendisini öğrenir: terimleri, kısaltmaları ve klinik anlatım biçimini. Derleme bir miktar genel metin eklemek, modelin önceki dil yeteneğini korumasına yardımcı olur.
• LoRA adaptörleri (low-rank adaptation), temel modelin ağırlıklarını değiştirmeden eklenen küçük, ayrı eğitilen katmanlardır. Her adaptör bir branşın, bir kurumun ya da ICD-10 kodlama, epikriz yapılandırma, SUT kontrolü gibi bir görevin uzmanlığını taşır; yeni bir görev eklemek tüm modeli yeniden eğitmeyi gerektirmez.
• GraphRAG, erişimle desteklenen üretimin (RAG) bir bilgi grafı üzerinden yapılan biçimidir. Hastalık, bulgu, ilaç, işlem ve kural gibi kavramlar ile aralarındaki ilişkiler bir grafta tutulur ve her ilişki kaynağına bağlanır. Modelin eğitimi belirli bir tarihte biter; model güncel kılavuz ve literatüre bu katman üzerinden, yeniden eğitilmeden ulaşır.
• Ajanik orkestrasyon, modelin görevi adımlara bölüp bilgi grafında arama, kayıt okuma ya da kural kontrolü gibi araçları sırayla kullanmasıdır. Sorumlu bir kurulumda onay ya da red gibi kararlar denetlenebilir bir kural motorunda kalır; yapay zekâ bulguyu ve gerekçesini açıklar.

Türkçe tıbbi model geliştirmenin adımları

Model geliştirirken ya da hazır bir çözümü değerlendirirken şu sıra izlenebilir:

1. Modelin hangi işi yapacağını baştan tanımlayın; ICD-10 önerisi, epikriz yapılandırma, SUT kontrolü ve klinik soru-cevap farklı veri ve farklı test gerektirir. Modelin karar vermeyeceğini, karar destekleyeceğini de yazılı hâle getirin.
2. Kurum içinde çalıştırılabilecek, lisansı kullanım amacına uygun, açık ağırlıklı bir temel model seçin; Türkçe metni nasıl parçalara (token) ayırdığına ve uzun belgeleri işleyip işleyemediğine bakın.
3. Derlemi hazırlayın; Türkçe tıbbi terminolojiyi, klinik kılavuzları, ders kitaplarını ve mevzuat metinlerini bir araya getirin ve her kaynağın kullanım hakkını kontrol edin. Hasta kaydından türeyen metin kullanılacaksa anonimleştirmeyi ve hukuki değerlendirmeyi eğitimden önce tamamlayın.
4. Temel modeli sürekli ön eğitimden geçirin ve genel dil yeteneğini koruyup korumadığını ölçün.
5. Branş, kurum ve görev için ayrı LoRA adaptörleri eğitip sürümleyin; böylece bir görevdeki davranışı diğerlerini etkilemeden güncelleyebilirsiniz.
6. Klinik bilgi grafını kurun ve modelin yanıtında belgeden gelen bilgiyle kendi çıkarımını ayrı göstermesini sağlayın.
7. Kararı etkileyen kuralları kural motorunda tanımlayın; yapay zekâ yalnızca bulguyu ve gerekçesini açıklasın.
8. Modeli sabit bir test setiyle ve hekim incelemesiyle doğrulayın, ardından kurumun kendi iş akışında sınırlı kapsamlı bir POC ile deneyin.

Klinik doğrulama, halüsinasyon ve kaynak gösterme

Tıbbi bir modelde en kritik aşama doğrulamadır. Halüsinasyon, modelin akıcı ve ikna edici görünen ama kaynağa dayanmayan ya da yanlış bir bilgi üretmesidir; uydurulmuş bir doz, var olmayan bir kılavuz önerisi ya da yanlış bir kod hasta güvenliğini ve ödeme kararını doğrudan etkileyebilir. Bu risk daha büyük bir modelle kendiliğinden ortadan kalkmaz; ölçülmesi ve sistemin tasarımıyla sınırlanması gerekir:

• Test seti sabit tutulur ve eğitim verisinden ayrılır; vakalar gerçek hasta verisi yerine sentetik ya da anonim olabilir ve branşlara göre ayrı değerlendirilir.
• Kontrendikasyon, gözden kaçabilecek bir bulgu ya da yanıltıcı bir öykü gibi klinik tuzak içeren vakalar eklenir ve modelin bunları yakalayıp yakalamadığı ayrıca ölçülür.
• Model bir kılavuza ya da SUT kuralına atıf yapıyorsa, bu atfın gerçekten var olduğu ve söyleneni desteklediği kontrol edilir.
• Genel amaçlı modellerle karşılaştırma aynı protokol ve test setiyle yapılır; sonuçları hekimler inceler.

Kullanımda da model her önerisinde gerekçesini ve kaynağını gösterir, belgede yazanla kendi çıkarımını ayırır. Kararı her zaman hekim ya da ilgili uzman verir; yapay zekâ hekimin yerine geçmez.

Opinion AI bu süreçte ne yapar

Opinion AI, hastaneler ve sağlık sigortası şirketleri için Türkçe klinik yapay zekâ MINA üzerine kurulu bir klinik karar destek platformudur. MINA, üç katmanlı bir mimariyle geliştirildi. Açık ağırlıklı temel modeli sürekli ön eğitimle (CPT) Türkçeye ve 14 branşın klinik diline uyarlandı, LoRA adaptörleriyle branş, kurum ve görev bazında uzmanlaştırıldı; bilgi erişimi klinik bilgi grafı (GraphRAG) üzerinde çalışan ajanik orkestrasyonla yürür. MINA'nın yararlandığı 30M+ kaynak arasında PubMed, The Lancet, JAMA, BMJ, UK Biobank, MIMIC-IV ve ClinicalTrials yer alır.

Modelin klinik doğruluğunu ve etik sınırlarını, 15 branştan hekimin yer aldığı Hekim Etik ve Danışma Kurulu düzenli olarak denetler. MINA'nın son sürüm değerlendirmesindeki model sonuçları ICD-10 kodlamada %87, SUT karar doğruluğunda %91 ve klinik tuzak tespitinde %96'dır (MINA v3.7 · 8 protokol · ~9.300 vaka). Ayrıntılar MINA v3.7 sayfasında yer alıyor.

Aynı çekirdek, hastanede HBYS'nin (hastane bilgi yönetim sistemi) üzerine eklenen TIS içinde ICD-10 önerisi ve epikriz analizinde, sigorta tarafında SIT-I içinde ön provizyon ve geri ödeme kontrolünde çalışır. Mimari başka dillere ve sağlık sistemlerine de uyarlanabilir; Kuzey Avrupa'daki birçok hastane grubuyla başlattığımız POC süreçleri bu yapıya dayanıyor.

Kararı her zaman insan verir; MINA önerisinin gerekçesini ve kaynağını gösterir, her çıktı denetlenebilir. Veri kurumun içinde kalır; Opinion AI kişisel veri toplamaz, veri sorumlusu kurumdur ve modelin gördüğü veri KVKK uyumlu maskelemeden geçer.

Sık sorulan sorular

Türkçe tıbbi yapay zekâ modeli nedir?

Türkçe tıbbi yapay zekâ modeli, Türkçe klinik metinleri, yerel tıbbi terminolojiyi ve Türkiye'deki sağlık sisteminin kurallarını anlayacak biçimde uyarlanmış bir dil modelidir. Epikriz, konsültasyon notu ve rapor gibi belgeleri okur, ICD-10 kodlama pratiğini ve SUT gibi yerel geri ödeme kurallarını tanır ve önerisini kaynağıyla birlikte sunar. Karar vermez; hekime ve ilgili uzmana karar desteği sağlar.

Sürekli ön eğitim (CPT) ile LoRA adaptörü arasındaki fark nedir?

Sürekli ön eğitim, hazır bir temel modelin yeni bir dilin ya da alanın metinleri üzerinde eğitilmeye devam edilmesidir ve modele klinik Türkçenin kendisini öğretir. LoRA adaptörleri ise temel modelin ağırlıklarını değiştirmeden eklenen küçük katmanlardır ve modele belirli bir branş, kurum ya da görev için uzmanlık kazandırır. Kısaca dil bilgisi temel modelde, uzmanlık adaptörlerde durur.

GraphRAG nedir, tıbbi yapay zekâda neden kullanılır?

GraphRAG, modelin yanıt üretmeden önce ilgili bilgiyi bir bilgi grafından bulup yanıtını bu bilgiye dayandırdığı erişim yöntemidir. Klinik kavramlar, aralarındaki ilişkiler ve bunları destekleyen kaynaklar bir graf yapısında tutulur. Böylece model güncel bilgiye yeniden eğitilmeden ulaşır ve her önerisinin hangi kaynağa dayandığını gösterebilir.

Tıbbi yapay zekâ modelinde halüsinasyon riski nasıl azaltılır?

Halüsinasyon riski, yanıtları doğrulanabilir kaynaklara dayandırarak, belgede yazanla modelin çıkarımını ayrı göstererek ve kararı etkileyen kuralları denetlenebilir bir kural motorunda tutarak azaltılır. Model sabit bir test setinde, klinik tuzak içeren vakalarda ve atıf doğruluğu açısından düzenli olarak ölçülmeli, sonuçları hekimler incelemelidir. Risk tamamen ortadan kalkmadığı için kararı her zaman hekim ya da ilgili uzman verir.

Türkçe tıbbi model geliştirmek için hasta verisinin kurum dışına çıkması gerekir mi?

Gerekmez. Dil uyarlamasının büyük bölümü terminoloji, kılavuz ve literatür gibi kişisel veri içermeyen metinlerle yapılabilir; hasta kaydından türeyen metin kullanılacaksa anonimleştirme ve hukuki değerlendirme önceden tamamlanmalıdır. Sağlık verileri KVKK'da özel nitelikli kişisel veri, GDPR'da özel kategori veri sayıldığından, veriyi korumanın en doğrudan yolu modeli kurumun kendi sunucularında ya da izole bir bulut ortamında çalıştırmaktır. MINA bu şekilde kurulur; veri sorumlusu kurumdur ve Opinion AI kişisel veri toplamaz.

Böyle bir modelin kendi belgeleriniz üzerinde nasıl çalıştığını birlikte değerlendirmek için POC Talebi formunu kullanabilirsiniz. Ayrıca genel amaçlı sohbet botları ile klinik karar destek sistemlerinin farkı ve ajanik yapay zekânın sağlıkta klinik ve idari süreçlerdeki rolü rehberlerine bakabilirsiniz.