Yapay zekâ cilt analizinde veri kayması performansı nasıl etkileyebilir?

Kamera, ışık, çekim mesafesi, kullanıcı profili veya klinik iş akışı zamanla değiştiğinde sisteme giren veri eğitim verisinden uzaklaşabilir. Veri kayması, model kodu değişmese bile performansın azalmasına yol açabilir.

Kısa yanıt

Model değişmeden giriş verisinin dağılımı değişebilir.
Yeni kamera veya çekim protokolü yeniden doğrulama gerektirebilir.
İzleme yalnızca hata sayısını değil veri kalitesini ve alt grupları da kapsamalıdır.

Veri kayması nedir?

Modelin öğrendiği görüntüler ile gerçek kullanımda karşılaştığı görüntüler arasında zamanla fark oluşmasına veri kayması denebilir. Yeni telefon kameraları, yazılım filtreleri, mevsimsel ışık, farklı cilt tonu dağılımı veya çekim talimatına uyulmaması bu farkın nedenleri arasında olabilir.

Neden görünmeyebilir?

Sistem sonuç vermeye devam ettiği için performans kaybı hemen fark edilmeyebilir. Ortalama çıktı dağılımı sabit görünürken belirli bir kamera, cilt tonu veya görüntü kalitesi grubunda hata artabilir; yalnızca kullanıcı şikâyetini beklemek yeterli bir izleme yöntemi değildir.

İzleme ve eylem planı

Reddedilen görüntü oranı, yeniden çekim gereksinimi, hekim ile yazılım arasındaki önemli uyuşmazlıklar ve alt grup performansı düzenli incelenmelidir. Önceden belirlenmiş eşikler aşıldığında kullanımın sınırlandırılması, yeniden doğrulama veya üretici incelemesi gibi adımlar tanımlanmalıdır; tek bir evrensel eşik yoktur.

Bu makalenin sınırı

Bu içerik tanı, reçete, kişisel risk değerlendirmesi veya tedavi planı değildir. Kaynaklar belirli ürün, cihaz, görev, endikasyon veya çalışma grubuyla sınırlı olabilir.

Kaynaklar ve kanıt sınırı

Aşağıdaki bağlantılar makaledeki sınırları değerlendirmek için kullanılan editöryel başlangıç noktalarıdır.

Ethics and governance of artificial intelligence for health
World Health Organization · 2021
Kapsam ve sınırlılıklar: Sağlıkta yapay zekâ insan özerkliğini, bilgilendirilmiş onamı, mahremiyeti, şeffaflığı, hesap verebilirliği, kapsayıcılığı ve sürekli güvenlik izlemini korumalıdır. Bu yönetişim rehberi herhangi bir cilt analiz sisteminin doğruluğunu, klinik yararını veya amaçlanan kullanımını doğrulamaz.
Editöryel kaynak — imzalı klinik inceleme değildir
Özel Nitelikli Kişisel Verilerin İşlenmesine İlişkin Rehber
Kişisel Verileri Koruma Kurumu · 2025
Kapsam ve sınırlılıklar: Sağlık ve biyometrik veriler dahil özel nitelikli verilerin işlenmesine ilişkin Türkiye rehberidir. Bir yüz fotoğrafı benzersiz kimlik tespiti veya doğrulama için teknik işleme tabi tutulmadıkça otomatik olarak biyometrik veri sayılmaz; ancak görüntüler ve bunlardan türetilen cilt bulguları yine kişisel veri veya sağlık verisi olabilir. Hukuki sebep, aydınlatma, erişim, saklama, silme, güvenlik ve aktarım gerçek veri akışı için ayrıca değerlendirilmelidir.
Editöryel kaynak — imzalı klinik inceleme değildir
Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI
B. Vasey et al.; DECIDE-AI Expert Group · 2022
Kapsam ve sınırlılıklar: Yapay zekâ karar destek sistemlerinin erken ve gerçek kullanım ortamındaki değerlendirmesi için klinik yarar, güvenlik, insan faktörleri, iş akışı ve insan gözetimi rollerini içeren asgari raporlama maddeleri belirler. Bir raporlama standardıdır; sistemin doğru, klinik olarak yararlı, yanlılıksız veya düzenleyici kurumca yetkilendirilmiş olduğunun kanıtı değildir.
Editöryel kaynak — imzalı klinik inceleme değildir
Disparities in dermatology AI performance on a diverse, curated clinical image set
R. Daneshjou et al. · 2022
Kapsam ve sınırlılıklar: Dış testler dermatoloji görüntü sınıflandırıcılarında, özellikle koyu cilt tonları ve seyrek hastalıklarda belirgin performans sınırlılıkları bulmuş; çeşitli verilerle ince ayar sonrasında iyileşme görülmüştür. Çalışma kozmetik cilt ölçütlerini değil hastalık sınıflandırmasını inceler ve adı belirtilmeyen bir klinik sisteminin performansını ölçemez; model, görev ve alt gruba özgü doğrulama gereğini gösterir.
Editöryel kaynak — imzalı klinik inceleme değildir
Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review
Systematic review authors · 2025
Kapsam ve sınırlılıklar: Sağlıkta makine öğrenmesinde veri kaymasını saptama ve azaltma yöntemlerini derler; yöntemlerin karşılaştırılabilirliği ve gerçek klinik uygulama kanıtı sınırlıdır. Tek bir izleme metriği veya yeniden eğitim eşiği önermez.
Editöryel kaynak — imzalı klinik inceleme değildir
Monitoring performance of clinical artificial intelligence in health care: a scoping review
E. S. Andersen et al. · 2024
Kapsam ve sınırlılıklar: Klinik yapay zekâ performansını izleme yöntemlerini haritalar; pratik metrikler ve eşikler için kanıtın seyrek ve heterojen olduğunu bildirir. Belirli bir sistem için hazır bir izleme protokolü sunmaz.
Editöryel kaynak — imzalı klinik inceleme değildir
Good Machine Learning Practice for Medical Device Development: Guiding Principles
U.S. Food and Drug Administration / IMDRF · 2025
Kapsam ve sınırlılıklar: Yapay zekâ kullanan tıbbi cihazlarda veri, ekip, test, insan-yapay zekâ etkileşimi ve gerçek kullanım performansının izlenmesi için genel iyi uygulama ilkeleridir. Ürün bazında klinik doğrulama veya yetkilendirme kanıtı değildir.
Editöryel kaynak — imzalı klinik inceleme değildir