Neden Bu Rehber?
Ortopedik cerrahide yapay zeka artık teorik bir gelecek vaadi değildir. 2026 itibarıyla, tanısal görüntüleme, cerrahi planlama ve klinik karar desteğinde derin öğrenme modelleri aktif olarak kullanılmakta veya ileri klinik doğrulama aşamasındadır.
Ancak Türkçe kaynaklarda bu gelişmeleri cerrah perspektifinden ele alan, pratik ve kapsamlı bir kaynak bulunmamaktadır. Akademik PDF'ler ve haber siteleri var — ama cerrahın "Bu aracı kullanmalı mıyım? Güvenilir mi? Yasal durumu ne?" sorularını yanıtlayan bir kaynak yok.
Bu rehber tam olarak bu ihtiyacı karşılamak için yazılmıştır. Yedi klinik alandaki güncel yapay zeka uygulamalarını, Türkiye'deki düzenleyici çerçeveyi ve araç değerlendirme kriterlerini cerrah diliyle anlatmaktadır.
Radyografik Yapay Zeka: OA Evreleme
Radyografi yorumlama, ortopedik yapay zekanın en olgun ve en iyi doğrulanmış uygulama alanıdır.
KL Derecelendirme
Kellgren-Lawrence evreleme sistemi diz osteoartritinin şiddetini 0-4 arasında derecelendirir. Klinik pratikte en yaygın kullanılan sınıflandırmadır — ancak öznel yapısı nedeniyle gözlemciler arası uyum yalnızca %50-65'tir. Aynı radyografiyi inceleyen iki deneyimli radyolog, üçte bir oranında farklı KL derecesi verir.
Yapay zeka bu soruna tutarlılık getirmektedir. Derin öğrenme modelleri — özellikle DenseNet, ResNet ve EfficientNet mimarileri — ikili OA tespitinde %80-95, beş sınıflı KL evrelemede %70-85 doğruluk elde etmektedir. Kalan hata payı büyük ölçüde sınır vakalarda — KL derece 1 ile 2 ayrımında — yoğunlaşmaktadır.
Önemli bir nokta: yapay zekanın asıl değeri cerrahın yerini almak değil, tutarlı ve tekrarlanabilir bir temel sağlamaktır. İki radyolog arasındaki %50-65 uyum oranını düşünün — yapay zeka her seferinde aynı değerlendirmeyi yapar ve cerrah buna göre kabul eder veya reddeder.
Ticari alanda birkaç CE işaretli araç mevcuttur:
Radiobotics (Kopenhag), RBknee sistemleriyle çok merkezli harici doğrulama yayınlamıştır. Deneyimli ortopedi cerrahlarının uyum oranını ve doğruluğunu artırdığı gösterilmiştir.
KOALA (ImageBiopsy Lab), topluluk yöntemleri kullanarak farklı görüntüleme protokolleri arasında güçlü performans elde etmektedir. OAI ve MOST veri setleri üzerinde doğrulanmıştır.
Salnus, DenseNet-121 tabanlı OA tarama sistemi ile bağımsız test setinde %84,1 ikili doğruluk ve %70,3 beş sınıflı doğruluk elde etmektedir. Model tamamen istemci tarafında çalışır — hasta verisi sunucuya iletilmez.
KL derecelendirme sistemi ve yapay zeka destekli evreleme hakkında detaylı bilgi →
Kırık Tespiti
Yapay zekanın ortopedide en erken ve en yaygın uygulamalarından biri röntgen grafisinden kırık tanımadır. Özellikle acil serviste ortopedist olmayan hekimlerin karar vermesinde değerlidir. Geliştirilen algoritmalar, ortopedist olmayan hekimlerden daha iyi ve neredeyse ortopedi uzmanına yakın doğrulukta tanı koyma potansiyeli göstermektedir.
FracAtlas gibi veri setleri (COCO ve YOLO formatında 4.083 etiketlenmiş radyografi) üzerinde eğitilen sistemler, el bileği, kalça ve omurgadaki kırıkları birçok yayınlanmış çalışmada %90'ı aşan duyarlılıkla tespit edebilmektedir.
Eklem Aralığı Genişliği Ölçümü
Eklem aralığı genişliği (JSW) ölçümü, osteoartrit takibinde kritik bir parametredir. Manuel ölçüm gözlemciler arası değişkenliğe açıktır. Yapay zeka destekli otomatik JSW ölçümü, piksel aralığı kalibrasyonu ve DICOM metadata'sı kullanarak fiziksel olarak kalibre edilmiş, tekrarlanabilir ölçümler sunar.
Bu özellikle longitudinal takipte — aynı hastanın ardışık radyografileri arasındaki JSW değişimini objektif olarak ölçmede — değerlidir.
MR Tabanlı Yapay Zeka: Ligament ve Menisküs
MR tabanlı yapay zeka, radyografik yapay zekadan önemli ölçüde daha karmaşıktır. Tek bir 2B görüntü yerine, birden fazla sekansta düzinelerce kesiti işleyerek üç boyutlu yapıları değerlendirmek gerekir.
Ön Çapraz Bağ (ÖÇB)
ÖÇB yırtık tespiti MR tabanlı ortopedik yapay zekanın en aktif araştırma alanıdır. Stanford'un MRNet çalışması (PLoS Medicine, 2018), derin öğrenmenin diz MR'ından 0,96'yı aşan AUC ile ÖÇB yırtıklarını tespit edebildiğini göstermiştir.
Daha yeni modeller 2B kesit düzeyinde analizi 3B hacimsel işlemeyle birleştirerek farklı MR sekansları (PD, T2, STIR) arasında güçlü performans elde etmektedir. Klinik zorluk genellenebilirlik olmaya devam etmektedir — bir tarayıcı üreticisi veya alan gücü üzerinde eğitilmiş modeller diğerinde düşük performans gösterebilir.
Arka Çapraz Bağ (AÇB)
AÇB — sıklıkla "unutulmuş ligament" — yapay zeka araştırmasında en az temsil edilen yapıdır. İzole AÇB yaralanmalarının görece nadir olması, eğitim veri seti eksikliğine yol açmaktadır.
Özellikle kronik AÇB yırtıklarında MR duyarlılığının %62,5'e kadar düştüğü göz önüne alındığında, bu alan yapay zeka desteğine en çok ihtiyaç duyan ve en az araştırılmış alandır.
AÇB'nin yapay zeka araştırmasındaki durumu hakkında detaylı bilgi →
Menisküs
Menisküs yırtığı tespiti ve kıkırdak değerlendirmesi aktif araştırma alanlarıdır. Çoklu görev modelleri — ÖÇB, menisküs, kıkırdak ve kemiği eş zamanlı değerlendiren — gelecekte en olası yaklaşım olarak öne çıkmaktadır.
3B Cerrahi Planlama: Şablondan Zekaya
Preoperatif planlama, ortopedide yapay zekanın en hızlı dönüşüm yarattığı alanlardan biridir.
Otomatik Kemik Segmentasyonu
BT veya MR hacimlerinden kemik yüzeylerini çıkarmak, geleneksel 3B planlama iş akışının en zaman alıcı adımıdır. Deneyimli bir teknisyen tek bir diz segmentasyonuna 2-4 saat harcayabilir. Derin öğrenme modelleri (nnU-Net, SAM-Med3D, TotalSegmentator) bunu dakikalara indirmiştir.
Bu yetenek doğrudan 3B baskılı hastaya özgü cerrahi kılavuzlara (PSI) beslenmektedir. OJSM'deki yayınımız, diz rekonstrüksiyonu için PSI kılavuzlarının klinik doğruluğunu doğrulamış ve geleneksel serbest el tekniklerine kıyasla iyileştirilmiş intraoperatif hassasiyet göstermiştir.
Geometrik Analiz
Yüksek tibial osteotomi (HTO) veya distal femoral osteotomi (DFO) gibi prosedürler mekanik ve anatomik açıların hassas ölçümünü gerektirir: mekanik aks (HKA), medial proksimal tibial açı (MPTA), lateral distal femoral açı (LDFA), posterior tibial eğim ve femoral-tibial açı (FTA).
Yapay zeka destekli landmark tespiti bu ölçümleri otomatikleştirerek gözlemciler arası değişkenliği azaltır. 2023 yılındaki bir çalışma, 3B preoperatif planlamanın cerrahi hassasiyeti %44,7'ye kadar artırabildiğini göstermiştir.
Preoperatif planlama yazılımları hakkında detaylı karşılaştırma →
Robotik Cerrahi ve İntraoperatif Yapay Zeka
Robot destekli ortopedi cerrahisi dünya genelinde hızla yaygınlaşmaktadır. MAKO (Stryker), ROSA (Zimmer Biomet) ve VELYS (DePuy Synthes) gibi sistemler binlerce merkezde kullanılmaktadır. Türkiye'de de üniversite hastaneleri bu teknolojileri aktif olarak kullanmaya başlamıştır.
Mevcut robotik sistemler ağırlıklı olarak önceden planlanmış kemik kesimlerini milimetre altı hassasiyetle gerçekleştirir — "zeka" gerçek zamanlı adaptasyonda değil planlama aşamasındadır. Yeni nesil intraoperatif yapay zeka, doku özellikleri, enstrüman konumu ve intraoperatif görüntülemeye dayalı olarak cerrahın gerçek zamanlı ayarlama yapabilmesini hedeflemektedir.
Önemli bir nokta: robotik cerrahinin geleneksel cerrahiye kıyasla üstün sonuçlar ürettiğine dair kanıtlar artmakla birlikte, evrensel benimsemeyi haklı kılacak düzeyde henüz netleşmemiştir. Cerrahın deneyimi ve yargısı belirleyici faktör olmaya devam etmektedir.
Açıklanabilir Yapay Zeka
Ortopedi cerrahının bir yapay zeka sonucunu kabul etmesi veya reddetmesi için sonucun gerekçesini görmesi gerekir.
GradCAM ısı haritaları modelin radyografinin hangi bölgesine odaklandığını görselleştirir. İyi eğitilmiş bir OA modeli için ısı haritası medial ve lateral eklem aralığını — kıkırdak kaybının eklem aralığı daralması olarak ortaya çıktığı yeri — ve osteofit kenarlarını vurgulamalıdır. Eğer ısı haritası görüntü kenarını veya hasta etiketini vurguluyorsa, model yanlış nedenlerle karar veriyor demektir.
Güven skorları modelin kararından ne kadar emin olduğunu gösterir. "%92 güvenle KL-2" veren bir model, sadece "KL-2" diyen bir modelden çok daha klinik olarak faydalıdır. Düşük güvenli vakalar otomatik olarak uzman incelemesine yönlendirilebilir.
Veri Gizliliği: Mimari Bir Tercih
Yapay zeka aracının hasta verilerini nasıl işlediği, neyi analiz ettiği kadar önemlidir.
Sunucu tarafı işleme görüntüleri bulut sunucuya gönderir. Daha güçlü modellere olanak tanır ancak hasta verisi kurumun ağını terk eder — KVKK, GDPR ve HIPAA kapsamında ciddi veri işleme yükümlülükleri oluşturur.
İstemci tarafı çıkarım yapay zeka modellerini doğrudan cerrahın tarayıcısında çalıştırır. Hasta verisi hiçbir zaman cihazı terk etmez. Bu mimari, veri korumayı bir uyumluluk onay kutusu değil, tasarım ilkesi haline getirir.
Salnus'ta tüm yapay zeka işleme istemci tarafında çalışır. OA tarama modelimiz (27MB, DenseNet-121) görüntü başına yaklaşık 110ms çıkarım süresiyle tamamen tarayıcıda çalışır.
Türkiye'de Düzenleyici Çerçeve
Türkiye'deki ortopedik yapay zeka geliştiricileri için düzenleyici ortam, AB MDR uyumlaşması nedeniyle karmaşık ancak net bir yol haritasına sahiptir.
TİTCK ve EU MDR Uyumu
Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK), AB Tıbbi Cihaz Yönetmeliği (EU MDR) ile uyumlaşmıştır. Yapay zeka destekli ortopedik yazılım, EU MDR Kural 11 kapsamında sınıflandırılır:
- Sınıf IIa: Tanı veya tedavi kararlarına bilgi sağlayan yazılım
- Sınıf IIb: Ciddi sağlık bozulması veya cerrahi müdahaleye yol açabilecek kararlar
- Sınıf III: Ölüm veya geri dönüşü olmayan sağlık bozulmasına yol açabilecek kararlar
Klinik karar destek araçları genellikle Sınıf IIa veya IIb'dir. Onaylanmış Kuruluş değerlendirmesi ve CE işareti gerektirir.
ÜTS Kayıt Sistemi
CE işaretli tıbbi cihazlar, Ürün Takip Sistemi (ÜTS) aracılığıyla Türkiye pazarına erişebilir. Bu, Avrupa'da onaylanmış yapay zeka araçlarının Türkiye'de de yasal olarak kullanılabilmesi anlamına gelir — ancak ÜTS kaydı ayrıca tamamlanmalıdır.
Gerekli Standartlar
- IEC 62304: Medikal yazılım yaşam döngüsü
- ISO 14971: Risk yönetimi
- ISO 13485: Kalite yönetim sistemi
- IEC 82304-1: Sağlık yazılımı güvenliği
- IEC 62366: Kullanılabilirlik mühendisliği
TÜSEB ve TÜBİTAK
TÜSEB bünyesindeki TÜYZE (Türkiye Yapay Zeka Enstitüsü), sağlıkta yapay zeka alanında ulusal düzeyde öncü bir kurumdur. RADİS projesi gibi girişimler, radyolojide yapay zeka araştırmalarını desteklemektedir.
TÜBİTAK'ın 1711 sayılı Yapay Zeka Ekosistemi Çağrısı, ortopedik yapay zeka çözümlerini kapsayacak şekilde finansman sağlayabilir. Akademik-sanayi işbirliği, bu alandaki Türk girişimler için kritik bir fırsat penceresidir.
"Yalnızca Araştırma Amaçlı Kullanım" (RUO) Statüsü
CE işareti veya TİTCK onayı almamış yapay zeka araçları "Yalnızca Araştırma Amaçlı Kullanım" (Research Use Only — RUO) statüsündedir. Bu araçlar:
- Araştırma, eğitim ve değerlendirme için kullanılabilir
- Klinik kararlar için tek dayanak olamaz
- Cerrahın bağımsız klinik değerlendirmesinin yerini alamaz
RUO statüsü bir eksiklik değil, dürüstlük göstergesidir. Onay almamış bir aracı "klinik kullanıma hazır" olarak sunmak hem etik hem yasal açıdan sorunludur.
Yapay Zeka Aracı Değerlendirme Kriterleri
Ortopedik yapay zeka araçlarını değerlendirirken cerrahların sorması gereken sorular:
1. Düzenleyici durum nedir? CE işaretli mi, FDA onaylı mı, yoksa RUO mu? Bu tek soru, araçların çoğunluğunu ayırt eder.
2. Harici doğrulama var mı? İç test seti performansı gerekli ancak yetersizdir. Farklı kurum, farklı ekipman, farklı popülasyonda doğrulanmış mı?
3. Açıklanabilir mi? GradCAM ısı haritası, güven skoru veya landmark katmanı gösteriyor mu?
4. Hasta verisi nereye gidiyor? İstemci tarafı mı sunucu tarafı mı? KVKK uyumlu mu?
5. DICOM-native mi? Doğrudan DICOM dosyalarıyla çalışıyor mu, yoksa JPEG dışa aktarımı mı gerektiriyor?
6. Entegre mi? Mevcut iş akışınıza uyuyor mu?
7. Kanıtlanmış mı? Hakemli dergilerde yayınlanmış klinik doğrulama verisi var mı?
Yapay zeka aracı seçimi hakkında detaylı değerlendirme rehberi →
Salnus'un Yaklaşımı
Salnus, ortopedi cerrahları için yapay zeka destekli klinik karar destek platformu geliştirmektedir. Mevcut yeteneklerimiz:
- Diz OA tarama: DenseNet-121, bağımsız test setinde %84,1 ikili doğruluk, %70,3 beş sınıflı doğruluk
- DICOM görüntüleme: Çok düzlemli rekonstrüksiyon (MPR), GPU hızlandırmalı Cornerstone3D
- Otomatik raporlama: Klinik bulgular ve yapay zeka değerlendirmelerini birleştiren PDF raporları
- İstemci tarafı mimari: Tüm işleme tarayıcıda, hasta verisi sunucuya iletilmez
Platformumuz GradCAM açıklanabilirlik ve güven skorlarıyla şeffaf performans raporlama sunmaktadır.
Şu anda Yalnızca Araştırma Amaçlı Kullanım (RUO) statüsündeyiz. CE işareti ve TİTCK onayı yönünde geliştirme devam etmektedir. IEC 62304 yazılım yaşam döngüsü ve ISO 14971 risk yönetimi süreçleri uygulanmaktadır.
Ekibimizle iletişime geçin →
Sorumluluk Reddi: Bu makale yalnızca eğitim ve araştırma amaçlıdır. Salnus araçları Yalnızca Araştırma Amaçlı Kullanım (RUO) statüsündedir ve onaylı tıbbi cihaz değildir. Tüm klinik kararlar nitelikli hekimler tarafından kapsamlı hasta değerlendirmesine dayalı olarak alınmalıdır.
Kaynaklar:
- TOTBİD Dergisi. Ortopedi hemşireliğinde yapay zeka uygulamaları. 2025;24:207-213.
- Şimşek MA, Dinçel YM. Ortopedide Yapay Zeka Uygulamalarında Güncel Yaklaşımlar. ResearchGate. 2022.
- Brejneboel MW, et al. External validation of an AI tool for radiographic knee OA severity classification. Eur J Radiol. 2022;149:110194.
- Pihl K, et al. AI-based computer-aided system for knee OA assessment. Knee Surg Sports Traumatol Arthrosc. 2023;31:1028-1039.
- Bien N, et al. Deep-learning-assisted diagnosis for knee MRI. PLoS Med. 2018;15(11):e1002699.
- Mercurio M, et al. Deep Learning Models to Detect ACL Injury on MRI. Diagnostics. 2025;15(6):776.
- Salnus Research Group. 3D-Printed Patient-Specific Guides for Knee Reconstruction. OJSM. 2026.
- TİTCK. Tıbbi Cihaz Yönetmeliği. 02.06.2021 tarihli ve 31499 sayılı Resmi Gazete.
- Elkohail A, et al. AI-Enhanced Surgical Decision-Making in Orthopedics. Cureus. 2025.
- Zhou X, et al. 3D preoperative planning improves precision by up to 44.7%. Int J Surg. 2023.