İnsan radyologlara olan talep tüm zamanların en yüksek seviyesine ulaştı

• 2017’de yayımlanan CheXNet gibi yapay zeka modelleri, zatürre teşhisinde insan radyologlardan daha doğru performans göstermiş olsa da, gerçek sağlık hizmeti ortamında bu başarıyı yeniden üretemiyor
• Son dönemde yüzlerce radyoloji yapay zeka modeli FDA onayı almış olmasına rağmen, ABD’de radyolog pozisyonları ve maaşları tersine tarihî zirveye ulaşmış durumda
• Tıbbi yapay zekanın sınırları arasında veri eksikliği, gerçek ortamla eğitim verisi arasındaki fark, düzenleyici ve sigorta engelleri ile insan radyologların teşhis dışında birçok rol üstlenmesi yer alıyor
• Tam otomasyon yerine, insan ve yapay zekanın birlikte çalıştığı sistem sağlık sektöründe standart hâline geldi; yapay zeka ilerlese de radyolog emeğine olan ihtiyaç azalmıyor
• Tıbbi yapay zekanın yaygınlaşmasının ilk 10 yılı, yapay zekanın verimlilik artışı potansiyeli yüksek olsa da pratikte daha fazla insan emeği talebi doğuran bir paradoks yarattığını gösteriyor

---

Giriş: Yapay zekanın devreye alınması ve beklentiler

• 2017’de ortaya çıkan CheXNet gibi yapay zeka modelleri, 100 binden fazla göğüs röntgeni verisiyle eğitildi ve zatürre yorumlamasında insan uzmanlardan daha üstün sonuçlar sundu
• Annalise.ai, Lunit, Aidoc, Qure.ai gibi birçok şirket, yüzlerce hastalığı tespit edebilen yapay zeka sistemleri piyasaya sürdü; bunlar hastane kayıt sistemlerine de entegre edilebiliyor
• FDA onayı almış 700’den fazla radyoloji yapay zeka modeli bulunuyor ve bu sayı tüm tıbbi yapay zeka cihazlarının %75’ine karşılık geliyor
• Radyoloji, dijital girdi, örüntü tanıma ve açık performans ölçümü açısından yapay zeka tarafından ikame edilmeye en uygun alanlardan biri olarak görülüyordu
• Ancak gerçekte, radyolog yetiştirme talebi tüm zamanların en yüksek seviyesine ulaşmış durumda; ücretler de 2015’e kıyasla %48 artarak insan iş gücüne olan talebin yükseldiğini gösteriyor

Yapay zeka tabanlı radyoloji teşhis sistemlerinin sınırları

Gerçek ortam ile eğitim verisi arasındaki fark

• Radyoloji yapay zeka modelleri standartlaştırılmış veriler ve belirli koşullar altında mükemmel performans gösterse de, gerçek hastane ortamında hastaneden hastaneye veri farkı, teşhis cihazlarının özellikleri ve çeşitlilik eksikliği nedeniyle performans düşüyor
• Modellerin çoğu yalnızca belirli bir hastalıkta veya tek bir görüntü türünde yüksek doğruluk sağlıyor; farklı vakalarda ise birden fazla modeli sırayla uygulama gibi pratik olmayan durumlar ortaya çıkıyor
• FDA onayı almış algoritmalar bile gerçek görüntü yorumlama iş akışının yalnızca bir kısmını kapsıyor ve çoğunlukla felç, meme kanseri, akciğer kanseri gibi az sayıdaki kritik hastalığa odaklanıyor
• Çocuklar, kadınlar ve azınlık etnik gruplara ait verilerin yetersiz olması; ayrıca hastalığın belirsiz biçimde ortaya çıkması ya da başka hastalıklarla iç içe geçmesi durumunda tahmin gücü de düşüyor

Benchmark ile klinik uygulama arasındaki fark

• Benchmark testlerinde yapay zeka yüksek nicel metrikler kaydetse de, gerçek klinik ortamda insan radyologlar ile destek sistemleri beklenen kadar iyi sonuç veremiyor
• Örneğin mamografi alanında yardımcı yapay zeka sistemleri yorumlama duyarlılığını artırdı, ancak sadece gereksiz ek test ve doku biyopsisi oranını yükseltti; kanser tespit oranını ise artırmadı
• Bir veya iki insan yorumlayıcının birlikte yaptığı çift okuma, yapay zeka desteğine kıyasla kanser bulmada daha yüksek başarı ve gereksiz yeniden inceleme oranında daha düşük sonuç verdi

Hukuki ve kurumsal düzenlemeler otomasyon hızını sınırlıyor

• FDA, radyoloji yazılımlarını yardımcı/sınıflandırma araçları ve tam otomasyon araçları olarak ayırıyor
  • Tam otomasyon nadir görülüyor ve IDx-DR örneğinde olduğu gibi yalnızca bazı özel koşullarda uygulanıyor
  • Yapay zekanın yorumlamakta zorlandığı görüntülerde yazılımın kendi kendini durdurup vakayı sağlık personeline aktarması gerekiyor
• Düzenleyici gereklilikler yüksek ve model her yeniden eğitildiğinde veya değiştirildiğinde yeni onay alınması gerekiyor
• Sigorta şirketleri, otomasyon araçlarında hata olması hâlinde toplu zarar olasılığının yüksek olduğunu düşünüyor; bu yüzden yalnızca yapay zeka ile konulan teşhislerin sigorta ödemesine daha isteksiz yaklaşıyorlar
• Hukuken, sigorta kapsamına alınan standart yaklaşımın doktorun doğrudan yorumlayıp imzaladığı raporlar olması yaygın kabul görüyor

İnsan radyologların rolünün değişmesi

• Gerçekte radyologlar zamanlarının yalnızca %36’sını görüntü yorumlamaya ayırıyor; geri kalan zamanı hasta ve meslektaş danışmanlığı, tetkik gözetimi, eğitim, reçete değişikliği gibi çeşitli işlere harcıyor
• Görüntü yorumlama süresi azalsa bile gereksiz işten çıkarmalar yaşanmadı; tersine yeni görevler arttı ve toplam görüntü yorumlama hacmi genel olarak yükseldi
  • Örneğin film tabanlı sistemlerden dijitale geçişte de görüntü yorumlama verimliliği ciddi biçimde arttı, ancak sağlık çalışanı sayısı azaltılmadı; aksine toplam görüntüleme tetkikleri %60’tan fazla arttı
• Görüntü işleme hızındaki artış, test bekleme sürelerinin azalması ve acil durumlara müdahale kapasitesinin yükselmesi gibi sağlık sistemi içinde daha çeşitli kullanım alanları yarattı

Gelecek görünümü: Yapay zekanın yaygınlaşmasının ilk 10 yılından çıkarılan dersler

• Son 10 yılda günlük klinik kullanıma geçiş, yapay zeka modellerinin teknik seviyesindeki ilerlemeden çok daha yavaş oldu
• Düzenleme, sigorta, hasta danışmanlığı ve hekim özerkliği gibi teknik olmayan faktörler, tam ikamenin önündeki engeller olarak işliyor
• Yapay zekanın iş gücünü ikame etmesinden ziyade insanla iş birliği yoluyla verimliliği güçlendirmesi, temel model hâline geldi
• Büyük platformlarda (ör. Facebook) yapay zeka ile otomasyon olasılığı yüksek olsa da, bilgi işleri farklı görevlerden oluştukça yazılımın devreye alınması insan emeğini azaltmak yerine artırma eğilimi gösteriyor
• Radyoloji alanındaki deneyim, yapay zekanın insan işini hemen ikame etmekten çok; toplumsal, kurumsal ve davranışsal değişimlerle birlikte insan iş gücüne olan talebi koruyan veya büyüten paradoksal bir sonuç doğurduğunu gösteriyor

[GN⁺]

Hacker News görüşü

• Ben girişimsel radyoloji doktoruyum ve bilgisayar bilimi yüksek lisans derecem var; radyoloji dışındakilerin, yapay zekanın neden hâlâ radyolojinin yerini alamadığını tam kavrayamadığını düşünüyorum. Açıklamak gerekirse, yapay zeka görüntü yorumlamayı insan radyologlardan daha iyi yapabilir mi sorusunun cevabı neredeyse "evet" ya da yakında öyle olacak. Ama radyolojinin yerinin alınıp alınmayacağı sorusunun cevabı neredeyse kesin olarak "hayır". Bunun nedeni tıbbi-hukuki risk. Mevcut yasa değişmediği sürece, radyoloğun tüm raporları nihai olarak imzalaması gerekiyor. Dolayısıyla yapay zeka görüntüleri okuyup kusursuz bir rapor yazsa bile, en sonunda radyoloğun son onayı darboğaz oluyor. Şu anda radyologlar günde en az 60-100 farklı tetkiki hızla okuyor ve bu, insanın kaldırabileceği sınırın eşiğine yakın. Yapay zeka bütün raporları yazsa bile, bunların hepsini inceleyip imzalamak zorundasın; zaman farkı neredeyse yok. Elbette sadece imza atan sorumsuz bir doktor bulunabilir ama buna dava açmaya hazır bir avukat da bulunur

  • Bu, otonom araçların sürücü koltuğunda "sorumluluğu üstlenecek" bir insan gerektirdiği için asla ticarileşmeyeceğini söylemeye benziyor. Gerçek durum böyle değil; FDA zaten doktor onayı olmadan çalışmasına izin verdiği yapay zeka sistemlerini onayladı
  • Yapay zeka insan radyologlardan daha iyi olduğunda ne olacağına gelince, radyologların gün boyu sadece "onayla, onayla" tuşladığını ya da yapay zekaya itiraz etseler bile sonunda haklı çıkan tarafın hep yapay zeka olduğunun kanıtlandığını düşünebiliriz. Bu durum sağlık dünyasında genel kabul görünce, hastaneler maliyeti düşürmek için yasanın değiştirilmesi yönünde lobi yapar ve sonunda insan radyolog olmadan çalışırlar
  • %99,9 doğruluktan %99,95'e çıkmak için 6.000 dolar ödemek istemeyecek hastalar da olacaktır
  • Ben 20 yılı aşkın klinik deneyimi olan bir tanısal radyoloğum ve 1979'dan beri programlama yapıyorum. Temel varsayımlarından birine itiraz etmek istiyorum. "Yapay zeka zaten görüntü yorumlamada insanlardan daha iyi ya da yakında olacak" kısmına katılmıyorum. En yeni yapay zeka ürünlerini kullanıyor ve gelişmeleri yakından takip ediyorum ama bunların hiçbiri gerçek klinik yorumlamada kullanılabilecek seviyeye bile yaklaşmıyor. Verinin sınırları ve insan anatomisi ile patolojik değişimlerin sonsuz çeşitliliği nedeniyle, gerçek AGI ortaya çıkmadıkça insan radyoloğun sezgisel, analitik ve bütüncül düşünmesini ikame edemezler. Her gün yeni örüntüler ve daha önce hiç görülmemiş vakalarla karşılaşıyoruz; bunların çoğu veriye sığmıyor. Kariyerimin sonlarına yakınım, yani konumumu korumak gibi bir derdim yok. Gerçekten iyi bir ikame teknoloji çıkarsa memnuniyetle mikrofonu bırakırım ama henüz o noktaya hiç yaklaşılmadığını düşünüyorum
  • Radyoloji dışındakilerin, yapay zekanın neden hâlâ yerleşemediğini tam anlamadığı bir nokta var. Aslında yapay zekanın radyolojinin tamamen yerini alması pek olası değil. Daha çok, yoğun iş yükünü ve sınırlı insan kaynağı sorununu hafifletmek için radyologlarla işbirliği yapmalı. Kardiyolojiden örnek verirsek, kardiyolog oranı da hâlâ çok düşük. ECG yorumlamak zor ve tekrar eden bir iş olduğu için birçok ülkede Holter ECG neredeyse tamamen otomatik yoruma geçiyor. Ama AI/ML yorumlama doğruluğu o kadar düşük ki, kardiyologlarla işbirliği yapabilmesi için duyarlılığı neredeyse %100'e çıkarmak gerekiyor. Bu yüzden otomasyonun "ikame" değil "yardımcı" olarak konumlanması gerekiyor. Kardiyologlar zamanlarını geleceğin nesillerini eğitmeye, girişimlere, araştırmaya ya da dinlenmeye ayırmayı tercih eder. Örnek olarak Pan-Tompkins algoritmasına bakın: Pan–Tompkins algoritması wiki

• Tesla 2016'da "sürücü yalnızca hukuki nedenlerle orada oturuyor, hiçbir şey yapmıyor; arabayı kendi kendine sürüyor" diyerek tam otonom sürüş demo videosunu yayımladığında, bunun kamyonculuk sektörünü sonsuza dek değiştireceğini düşünmüş ve sektöre girmeyi yeniden değerlendirmiştim. Ama 2025 kapıdayken bile değişimlerin çoğu ya çok yavaş ilerledi ya da neredeyse hiç olmadı. Teknolojinin dünyayı kökten değiştireceğine dair büyük bir iyimserlik var ama gerçekte değişim çoğu zaman çok yavaş ya da duraklamış oluyor

  • Ben robotaksilere değil, Waymo'ya bakıyorum. Waymo çocukken hayal ettiğim gerçek otonom sürüş vizyonunu hayata geçiriyor ve müşteri sayısı üstel olarak artıyor. Waymo'nun güvenlik istatistiklerine inanırsanız, gerçekten güvenli bir hizmet. Teknolojik ilerlemenin kısa vadede abartılıp uzun vadede küçümsendiğine dair söz burada yerinde bence; gerçi radyoloji elbette farklı bir örnek... Waymo güvenliği için: Waymo güvenlik ve etki
  • Tesla videosuna kandırılmış hissetmene gerek yok. Çünkü o videonun kurgulanmış olduğu ortaya çıktı. İlgili haber: Reuters – Tesla'nın otonom sürüş tanıtım videosu manipüle edildi Son 1 yıldır düzenli Waymo kullanıyorum ve çok memnunum. Teknolojinin daha hızlı yayılmasını isterim ama beklenmedik uç durumların çözümü zaman aldığı için bunun imkânsız bir meydan okuma olduğunu düşünmüyorum
  • Makine öğrenimi zaten baştan beri vakaların %98'inde mükemmeldi; biz geriye kalan %2'nin de kolayca çözüleceğini sandık
  • Aşırı iyimser teknolojilerde genelde demolar çok etkileyicidir ama ortada 10.000 ölümcül istisna durumu vardır. Otonom sürüş ve radyoloji yorumlama bunun tipik örnekleri. İstisna vakaları ne kadar azsa, teknoloji de beklenenden o kadar iyi çalışır. Örneğin TikTok önerileri, Shazam
  • Çoğu trenin hâlâ insanlar tarafından kullanılıyor olması bana gerçekten şaşırtıcı geliyor

• Makine öğrenimi ve radyolojiyle ilgili en iyi anekdotlardan biri, herkesin COVID enfeksiyonu olan akciğer X-ray görüntülerini yapay zekayla saptamaya çalıştığı dönemdi. Bir araştırma grubu oldukça iyi sonuçlar elde etmişti ama sonra modelin, COVID enfeksiyonunu değil, veri setindeki farklı hastanelerin görüntü filigranlarındaki yazı tipi farklarını öğrendiği ortaya çıktı. İlgili makale: Nature Machine Intelligence makalesi Arama ifadesi: “AI for radiographic COVID-19 detection selects shortcuts over signal” Açık erişimli sürümünü de bulabilirsiniz

  • Öksürük sesiyle COVID enfeksiyonunu saptamaya çalışan makine öğrenimi girişimlerini de gördüm. Eğer bir tür solunum yolu hastalığı olan kişilerle COVID hastalarının öksürük sesi arasında gerçekten istatistiksel olarak anlamlı bir fark olsaydı, insanlar da bunu kolayca ayırt edebilirdi; neden bunun işe yarayacağına inanıldığını anlamıyorum
  • Bu tür anekdotlar öğretici ama aslında algoritmanın kendi sınırlarından çok, kötü veri ve zayıf eğitimle ilgili örnekler. Veri ve yöntem doğru kurulursa, teknik olarak radyologların yerini almak zor bir iş değil. Çünkü sınırlayıcı genel bir ilke ya da açık bir engel olmadığı sürece, görsel modeller bu iş için fazlasıyla uygun

• Makalenin özü şu üç nokta: 1) modellere daha fazla iş devretmeye çalışırsanız yasal düzenlemeye takılırsınız 2) düzenleyiciler ve sigortacılar otonom modelleri onaylamıyor ya da geri ödeme kapsamına almıyor 3) radyoloğun işinde tanı koyma kısmının payı küçük; hasta ve sağlık çalışanlarıyla iletişim gibi başka işler daha büyük yer tutuyor. Makine öğrenimi modelleri kusursuz ve bedava tanı koysa bile, radyologlar hemen "ikame" edilebilecek bir yapıda değil

  • "Radyologlar zamanlarının çoğunu tanıdan çok hastalar ve meslektaşlarıyla iletişime ayırıyor" iddiasına katılmıyorum. Radyologların büyük kısmı işe gelir, görüntüleri art arda okur, sonuçları dikte eder ve çıkar. Eğer kusursuz bir yapay zeka olursa bu meslek anlamsız hale gelir. Bu iş biraz CCTV ekranına bakmak gibi olur
  • Kusursuz yapay zeka varsa radyoloğa gerek yok. Şu anda akış birinci hekim → radyoloji teknisyeni → radyolog (yorum) → birinci hekim şeklinde. Kusursuz yapay zeka olursa akış radyoloji teknisyeni → ML modeli → birinci hekim olur
  • X-ray çektirdiğim hiçbir seferde radyologla konuşmadım. Genelde görüntüyü çeken teknisyen yalnızca cihazı kullanıyor, tanıyı da uzaktaki bir radyolog ayrı yazıyor. Doğrudan görüştüğüm diğer doktorların da radyologla birebir konuştuğunu sanmıyorum. Bunun ABD genelinde böyle olup olmadığını merak ediyorum
  • Hastayla iletişimin radyoloğun önemli bir işi olduğu iddiasını sorguluyorum. Benim yaşadığım tüm görüntüleme süreçlerinde radyologla hiç iletişim olmadı. Radyologlar hastayı pek görmüyor ve diğer sağlık çalışanlarıyla iletişimin çoğunu da teknisyen yapabilir. Bu iletişim için neden mutlaka uzman gerektiği ikna edici gelmiyor. Yapay zeka yorumlarsa, iletişim rolü hemşireye ya da radyoloji teknisyenine kayabilir

• Daha bugün bir kadın hastayı radyolojiye core biyopsi için sevk ettim; bir erkek hastayı lomber enjeksiyon için, başka bir hastayı omuz enjeksiyonu için gönderdim; bir ay önce de başka bir kadın hastayı endometriozis embolizasyonu için sevk ettim. Yakında nefrektomi sonrası idrar kaçağı embolizasyonu için de sevk yapacağım. Bunları bir LLM yapabilir mi? Yapay zeka bir beceriyi yaygınlaştırdığında, uzmanlar başka becerilere yönelir ve metalaşan işi devreder. Örneğin ECG yorumlama cihazlara otomatikleştirilince geri ödeme ücretleri çok düştü; ben de bilinçli olarak bu beceriyi geri plana itip beyin ve hareket bozuklukları alanına odaklandım. Bu yüzden bir hastanın ECG yorumu gerekiyorsa onu doğrudan kardiyolojiye gönderiyor, çeşitli ek testler istiyorum. Bu hasta ve sağlık sistemi için ekstra maliyet ve zaman demek ama yapacak bir şey yok. İleride, tıpkı "medical desert" gibi, yapay zeka uzmanlarının çalışmak istemediği alanlar ortaya çıkabilir; özellikle yaşlılar, kırsal bölgeler ve psikiyatri gibi

  • Sağlık sisteminin amacı doktorlara yüksek gelir garantilemek değil, hastaları tedavi etmektir. Mümkün olan yerleri otomatikleştirip erişimi artırmalıyız. ECG otomasyonu da erişimi genişletir
  • Girişimsel radyoloji, yalnızca görüntü yorumlayan radyolojiden farklıdır ve çok daha fazla eğitim gerektirir
  • Otomatik ECG yorumlayıcıları o kadar lafzi ve düşük duyarlılıkta sonuçlar veriyor ki, sahadaki acil sağlık ekipleri için çoğu zaman hiç işe yaramıyor. Makine sürekli "ABNORMAL ECG – EVALUATION NEEDED" diyorsa, gerçekten işe yarar bir araca ihtiyaç var demektir

• 2016'da Prof. Geoffrey Hinton "artık radyoloji eğitimi durdurulmalı" demişti. Eğer yapay zeka savunucularının bütün iddialarına inansaydık, dünya şimdiye kadar çoktan çökmüş olurdu

  • Bu söz sık anılıyor ama Hinton bunu, radyoloğun işinin yalnızca tanı koymak olmadığını anlamadan, anlık bir çıkışla söylemişti. Hinton aslında sıkı bir yapay zeka "fanboy"u değil; hatta daha çok yapay zeka kötümserine yakın
  • Mesela 2016'da asistanlığa başlasan, 5 yıl sonra 2021'de eğitimin biter ve yaklaşık 31 yaşında olursun. Sonrasında yaklaşık 30 yıl doktorluk yaparsın; yani takvim açısından 2050'lere kadar tahmin yürütmek için yeterince uzun bir süre var. 25 yıl sonra Hinton'un sözü %50 doğru çıkabilir
  • Tıbbi düzenlemeleri gevşetip AMA'yı dağıtsaydık, Hinton'un kehaneti şimdiye kadar doğru çıkmış olabilirdi. Ve belki de herkesin hayatı daha iyi olurdu
  • Yapay zekanın radyolojinin yerini almasının önündeki en büyük engel hukuk. Yıllarca eğitim gerektiren bir mesleğin yalnızca düzenlemeler sayesinde ayakta durması, yasa değiştiğinde bir anda yok olabileceği anlamına gelir; bu da riskli bir seçimdir
  • Geleceği öngörmek gerçekten çok zor. 20 yıl sonra dünyanın nasıl olacağını kimse bilmiyor

• Ben hem doktorum hem full-stack mühendisim; bu yüzden radyoloji ya da ek uzmanlık eğitimi yapmak istemiyorum. Yapay zeka önce radyolojiyi güçlendirecek, sonra da bazı işleri kısmen ikame etmeye başlayacak. Mevcut radyologlar da doğal olarak girişimsel radyoloji gibi yeni alanlara kayacak

  • Ben radyolog ve full-stack mühendisim; bu mesleğin yok olacağından endişe etmiyorum. Değişecek ama diğer mesleklerin geçtiği sürece benzer bir yol izleyecek
  • Ben de eski bir tıp öğrencisi olarak katılıyorum. Diş hekimimin kullandığı yapay zeka artık implant gibi işler için tamamen yeni ağız modelleri tasarlıyor, o da yalnızca son rötuşları yapıyor. Birçok sağlık çalışanı sonunda yalnızca sigorta ve hukuki sorumluluğu üstlenen bir role dönüşebilir diye düşünüyorum. ABD'deki asistanlık pozisyonlarının %30'unun yabancılarla dolduruluyor olması da ilginç
  • Doktor + mühendis kombinasyonu gerçekten nadir ama çevremde de var. Bu bakış açısı sağlık dünyasında gerçekten gerekli ve çok özgün bir avantaj. Biraz Neo ve Morpheus gibi geliyor
  • Doktor + mühendis isen, aslında radyolojide büyük bir geleceğin var. Meslek ortadan kalkmayacak; aksine tıp ve teknoloji arasında köprü kuracak insanlara ihtiyaç olacak
  • Eczacıların geleceğini nasıl görüyorsunuz merak ediyorum; bana tamamen otomatikleşecek gibi geliyor ve insan muhakemesinin neyi değiştirdiğini gerçekten anlayamıyorum

• Bu yıl mayısta New York Times da "yapay zeka radyologların yerini almıyor" temalı benzer bir haber yayımladı: NYT yazısına bakın Doktorların ve Hinton'un sözleri ilginçti. "Yapay zeka yardımcı olacak, nicelleştirecek ama tekniğin yorumlayıcı sonucunu üstlenmeyecek" "5 yıl sonra yapay zeka kullanmamak tıbbi hata sayılabilir" "Ama sonuçta insan ve yapay zeka birlikte gidecek" Hinton da sonradan e-postayla, fazla genelleme yaptığını; yalnızca görüntü yorumlamadan söz ettiğini, yön konusunda haklı olsa da zamanlama tahmininde yanıldığını kabul etti

• Radyolojide yapay zeka dönüşümü zorunlu olmalı. Radyoloji bölümleri her gün belli bir oranın üzerinde yapay zeka kullanmalı, üretkenliği iki katına çıkarmalı ve bunu yapmayanlar işten çıkarılmalı. CEO'ların dediği gibi yapay zeka gördüğümüz en dönüştürücü teknoloji, dolayısıyla kaygı duysak da mutlaka benimsemeliyiz. Bunun dışındaki her şey kabul edilemez

  • Bunun ciddi mi yoksa alay mı olduğunu artık ayırt edemiyorum

• Yapay zeka yorum sonuçlarını radyolog olmayan doktora yorumlatmaya güvenmem. Yapay zeka benchmark'larda ne kadar iyi görünürse görünsün, doğrudan analiz edecek altyapı bilginiz yoksa bu, 20 sayfalık bir makaleyi okuyup güvenilir olup olmadığına karar verememeye benzer

  • "PhD düzeyinde araştırma" kavramı başlı başına fazla muğlak. Preprint, konferans posteri, WIP ortak yazarlı makale, hakem öncesi makale, monografi... her aşamanın niteliği çok farklı
  • Böyle durumlarda başka bir derin öğrenme tabanlı araştırma modeline eleştiri yaptırmak nasıl olur diye yapılan bir şaka da var