Yapay zekânın yok edeceği ilk meslek radyoloji olacaktı. On yıl sonra ne oldu?

2016'da Toronto'daki bir makine öğrenmesi konferansında Geoffrey Hinton çok net konuştu: radyolog yetiştirmeyi hemen bırakmalıydık. Ona göre beş yıl, en fazla on yıl içinde derin öğrenmenin görüntü okumada radyologlardan daha iyi olacağı "tamamen açıktı". Radyologları, uçurumdan çoktan çıkmış ama henüz aşağı bakmamış çizgi film karakterine benzetti.

Hinton sıradan biri değildi; bugün Nobel ödüllü ve yapay zekânın kurucu isimlerinden sayılıyor. Tahmini de yankı buldu — 2010'ların sonu radyolojinin sonunu ilan eden yazılarla doldu, bazı öğrenciler bu yüzden başka uzmanlık seçti.

On yıl geçti. Ve gerçekten ilginç olan şu: tahminin dayandığı teknoloji gerçekleşti, sonucu gerçekleşmedi.

Yapay zekâ radyolojiye gerçekten girdi

Bu bir "AI hype'ı boş çıktı" hikâyesi değil. Amerikan Radyoloji Koleji'ne göre FDA'nın Haziran 2026 güncellemesindeki yapay zekâ araçlarının yaklaşık %80'i radyoloji kullanım alanlarına ait. Başka hiçbir tıp dalı yakın değil. ACR'ın kendi anketinde üyelerinin yaklaşık %90'ı bir biçimde yapay zekâ kullandığını söylüyor.

Araçlar da işe yarıyor. İsveç'teki MASAI çalışmasının 2026 sonuçlarında yapay zekâ destekli mamografi taramalarında duyarlılık %80,5 çıkmış; yapay zekâsız çift okumada bu oran %73,8. Özgüllük iki grupta aynı. Çalışmanın ana bulgusu "en az standart yöntem kadar iyi" şeklinde, yani devrimsel bir üstünlük iddiası yok — ama taramalar arasında ortaya çıkan kanserlerin daha az olumsuz özellik taşıdığı görülmüş.

Yani Hinton'ın teknoloji hakkındaki öngörüsü büyük ölçüde tuttu.

Ama radyologlara ihtiyaç azalmadı

Fakat iş gücü tarafında beklenen çöküş gerçekleşmedi. Yapay zekâ kullanımında öncü merkezlerden Mayo Clinic'in Rochester'daki radyoloji kadrosu 2016'dan bu yana %55 büyüyerek 400 kişiye çıktı. Tek bir kurum ulusal eğilimin kanıtı değil elbette; ama yoğun yapay zekâ kullanımıyla büyüyen insan kadrosunun aynı çatı altında olabildiğini gösteriyor.

Projeksiyonlar da aynı yönde. Bir çalışma, rezidans kontenjanlarının 2024 sonrasında artmadığı varsayımıyla ABD'deki radyolog sayısının 2055'e kadar %25,7 büyüyeceğini hesaplıyor. Kontenjanlar büyümeye devam ederse aynı projeksiyon %40,3'e çıkıyor. Yani en düşük büyüme senaryosunda bile radyolog sayısının artması bekleniyor.

Sektörün bugünkü sorunu radyolog fazlası değil, radyolog açığı. Bazı merkezlerde görüntüleme randevuları aylarca geriye düşmüş durumda. Ekonomik sinyaller de aynı yöne bakıyor: Medscape'in hekim kazanç anketinde radyologların yıllık ortalama kazancı 571 bin dolar ve bir önceki yıla göre %9 artmış.

Hinton neden yanıldığını anlatıyor

Hinton hatasını bir süredir kabul ediyor. 2025'te New York Times'a 2016'da fazla geniş konuştuğunu, aslında yalnızca görüntü analizinden bahsettiğini yeterince netleştirmediğini söylemişti. Bu yılın haziranında verdiği ve son günlerde yeniden dolaşıma giren bir röportajda ise yanılma sebeplerini ikiye ayırıyor.

Birincisi, sağlık talebi esnek. Tarama okumak ucuzlayıp hızlanınca hastaneler daha az radyoloğa ihtiyaç duymadı; daha çok tarama yapmaya başladı. Maliyet düşünce talep arttı ve toplam iş hacmi büyüdü.

İkincisi, radyoloğun ne yaptığını yanlış anlamıştı. Kendi ifadesiyle tek bir örneğe dayanıp bütün mesleği tek bir dar göreve indirgemişti. Görüntüye bakıp anormallik bulmak radyoloğun yaptığı işlerden biri; hepsi değil. Hangi görüntülemenin çekileceğine karar vermek, sonucu klinik tabloyla birleştirmek, diğer hekimlerle konuşmak, girişimsel işlemler yapmak ve nihayetinde bir teşhis sorumluluğu üstlenmek de işin parçası.

Hinton bugün tahmininin yönünden çok zamanlamasında yanıldığını düşünüyor: görüntülerin giderek daha fazlasını yapay zekâ okuyacak, radyologlar ise mesleğin diğer görevlerini sürdürmeye devam edecek.

Görev ile meslek aynı şey değil

NVIDIA'nın CEO'su Jensen Huang bu örneği son dönemde sık kullanıyor ve buradan genel bir ayrım çıkarıyor: yapay zekâ görevleri otomatikleştiriyor, işleri değil. Bir meslek onlarca görevin toplamıysa, bunlardan birkaçının otomatikleşmesi mesleği ortadan kaldırmıyor — çoğu zaman o kişiyi daha üretken hale getiriyor.

Bu ayrım gerçekten faydalı. "Yapay zekâ şu mesleği yok eder mi?" sorusu, sorulabilecek en kaba soru. Daha işe yarar hali şu: o mesleğin hangi görevlerini yok eder, geriye ne kalır, ve kalan kısım bir insanın günü doldurmaya yeter mi?

Ama buradan "hiçbir iş gitmeyecek" çıkmıyor

Bu noktada dikkatli olmak gerekiyor, çünkü örnek fazla rahatlatıcı ve fazla kolay genelleniyor.

Radyoloji birkaç bakımdan özel bir vaka. Talebi esnek — daha ucuz tarama daha çok tarama demek. ABD'de otomasyon zaten mevcut bir radyolog açığının üzerine geldi; yani boş bir alana değil, dolmayan bir boşluğa girdi. Ağır regülasyon var; bir teşhisin altına imza atan birinin bulunması gerekiyor. Ve hata maliyeti çok yüksek, bu da insan denetimini zorunlu kılıyor.

Bu dört özelliğin hepsine sahip olmayan bir meslekte aynı sonuç çıkmayabilir. Talebi sabit, regülasyonu gevşek ve hata maliyeti düşük bir işte otomasyon doğrudan iş sayısına yansıyabilir.

Bir de radyolojinin kendi içinde sorunlar var. 2026 tarihli bir Amerikan Tabipler Birliği raporunda hekimlerin %27'si yapay zekâ konusunda hiçbir eğitim almadığını, yalnızca %11'i herhangi bir kaynaktan "çok" eğitim aldığını bildirmiş. 2023 tarihli bir çalışma, deneyimli radyologların bile yanlış yapay zekâ önerilerinden etkilenerek mamografi yorumlama doğruluklarının anlamlı biçimde düştüğünü gösterdi — literatürde otomasyon yanlılığı denen şey. Yani araç iyi olsa bile onunla birlikte çalışmayı öğrenmek ayrı bir mesele.

Bu hikâyeden ne çıkarıyorum

Bence asıl ders tahmin hakkında, radyoloji hakkında değil.

Hinton teknolojiyi doğru okudu, mesleği yanlış okudu. Bir alandaki en yetkin insanın bile, kendi alanı dışındaki bir işin içeriği hakkında eksik bir modeli olabiliyor. Ve tahmin ne kadar iddialı ve net söylenirse, o kadar çok tekrarlanıyor — gerçekliğe yakınlığından bağımsız olarak.

Bugün yazılım geliştirme, çeviri, muhasebe, hukuk gibi alanlar için benzer cümleler kuruluyor. Bunları duyduğumda sorduğum soru şu oldu: konuşan kişi o işi gerçekten yakından biliyor mu, yoksa işin en görünür tek görevine bakıp bütünü mü adlandırıyor?

Kendi işim için de geçerli. Kalite mühendisliğinde yapay zekânın veri toplama ve raporlama tarafını devralması bana çok mümkün görünüyor. Ama bir hattın neden durduğunu anlamak için sahaya inmek, operatörle konuşmak ve sorumluluğu üstlenmek başka bir şey. Belki ben de kendi alanımda aynı hatayı ters yönde yapıyorum — bunu bilmenin yolu da on yıl beklemek.