Anlatı derlemesi incelemesi

Yapay Zeka ile Diş Hekimliği Teşhislerinin Dönüştürülmesi: Hasta Bakımı için ChatGPT ve Büyük Dil Modellerinin Gelişmiş Entegrasyonu

Yapay zeka ve büyük dil modellerinin (LLM) tıp ve diş hekimliği teşhis süreçlerine entegrasyonu, dijital sağlık alanında büyük bir dönüşüm yaratmaktadır. Geleneksel kural tabanlı uzman sistemlerden (Yazılım 1. 0) makine öğrenimi ve derin öğrenmeye dayalı sistemlere (Yazılım 2.

Makalenin anahtar kelimeleri

Yazar: Masoumeh Farhadi Nia, Mohsen Ahmadi, Elyas Irankhah
Yayın: Frontiers in Dental Medicine
Tarih: 2025-01-06
DOI: 10.3389/fdmed.2024.1456208

Makalenin Kapsamı ve Akademik İçeriği

Diş hekimliğinde yapay zeka ve büyük dil modellerinin entegrasyonu, dijital sağlık teknolojilerinde önemli bir dönüşüm yaratmaktadır. Son yıllarda doğal dil işleme alanındaki gelişmeler, özellikle ChatGPT gibi sistemlerin klinik ortamlarda kullanılabilirliğini gündeme getirmiştir. Ancak, klinik tanı süreçlerinde insan gözetiminin eksikliği, yapay zeka algoritmalarının çoğunlukla klinik eğitim almamış bilgisayar bilimcileri tarafından geliştirilmesi ve modellerin halüsinasyon üretme potansiyeli, bu teknolojilerin güvenilir bir şekilde entegre edilmesini zorlaştırmaktadır. Alan yazındaki tartışmalar, yapay zekanın teşhis doğruluğu ve karar destek mekanizması olarak sunduğu fırsatların yanı sıra, veri kalitesi, model yanlılığı ve hasta gizliliği gibi etik kaygılar etrafında yoğunlaşmaktadır. Bu çalışma, söz konusu tartışmalar çerçevesinde, büyük dil modellerinin diş hekimliği teşhis ve tedavisindeki yerini kapsamlı bir şekilde sörgülamaktadır.

Bu derleme çalışmasının temel amacı, ChatGPT ve benzeri büyük dil modellerinin tıbbi ve dental araştırmalarda bir kaynak olarak potansiyelini kanıta dayalı bir şekilde değerlendirmek ve gelecekteki araştırmalar ile klinik uygulamalara yön vermektir. Metodolojik açıdan çalışma, diş hekimliğinin farklı uzmanlık alanlarında yapay zeka uygulamalarını ele alan bibliyometrik analizleri, sistematik incelemeleri ve klinik vaka çalışmalarını sentezlemektedir. Araştırma kapsamında, ChatGPT-3.5, GPT-4 ve Google Bard gibi modellerin Japonya Ulusal Diş Hekimliği Sınavı gibi çeşitli standart sınavlardaki performansları, ortodonti, endodonti ve prostodonti gibi branşlardaki tanısal tutarlılıkları ve Elektronik Diş Kayıtlarından veri çıkarma yetenekleri karşılaştırmalı bir süzgeçten geçirilerek analiz edilmiştir.

Sentezlenen bulgular, yapay zeka modellerinin radyolojik raporları basitleştirme, klinik belgeleri otomatikleştirme ve hastalarla iletişimi güçlendirme konusunda yüksek bir potansiyele sahip olduğunu göstermektedir. Örneğin GPT-4 modelinin, karmaşık koni ışınlı bilgisayarlı tomografi verilerini hastaların anlayabileceği sade bir dile dönüştürebildiği ve diş hekimliği sınavlarında yüksek doğruluk oranlarına ulaşabildiği saptanmıştır. Ancak, karmaşık cerrahi vakalarda ve açık uçlu klinik sorularda ChatGPT'nin doğruluğunun ve eksiksizliğinin hala sınırlı olduğu, referansları hatalı veya uydurma şekilde sunabildiği belirlenmiştir. Ayrıca, sistemlerin yüksek hesaplama maliyetleri ve harici veri kaynaklarını gerçek zamanlı olarak entegre edememesi, küçük kliniklerde yaygınlaşmasının önündeki teknik engeller olarak öne çıkmaktadır.

Tartışma ve sonuç bölümünde, yapay zekanın klinisyenlerin yerini almasından ziyade tamamlayıcı birer karar destek mekanizması olarak konumlandırılması gerektiği vurgulanmaktadır. Yazarlar, bu teknolojilerin klinik uygulamalara sorumlu bir şekilde entegre edilmesi için diş hekimlerinin gözetiminin ve etik denetimlerin kritik önem taşıdığına dikkat çekmektedir. Çalışma, Türk diş hekimliği araştırmacıları için, büyük dil modellerinin klinik belgelendirme ve hasta eğitimi süreçlerindeki rolünü anlamak adına zengin bir kuramsal altyapı sunmakta ve gelecekteki ampirik çalışmalar için somut araştırma yönleri çizmektedir. Özellikle klinisyenlerin bilişsel yüklerini azaltma ve hasta otonomisini artırma potansiyeli, dijital diş hekimliği uygulamalarının geleceğini şekillendirecek temel unsurlar olarak değerlendirilmektedir.

Araştırmanın amacı

The primary objective of this review was to provide a detailed, evidence-based evaluation of ChatGPT's potential as a resource for medical and dental research, with the goal of directing future investigations and informing clinical practice(Nia et al., 2025).

İnceleme ve modelleme yöntemi

Bu çalışma, diş hekimliği teşhis süreçlerinde yapay zekanın ve özellikle ChatGPT gibi büyük dil modellerinin rolünü, avantajlarını, operasyonel sınırlarını ve dental eğitime olan yansımalarını güncel literatür üzerinden ele alan kanıta dayalı bir derlemedir(Nia et al., 2025).

Kuramsal ve kavramsal çerçeve

Çalışma, yapay zekanın 'Yazılım 1.0' (kural tabanlı uzman sistemler) aşamasından 'Yazılım 2.0' (makine öğrenmesi ve derin öğrenme modelleri) aşamasına geçişini ve doğal dil akıl yürütme (NLR) ilkelerini kuramsal temel olarak almaktadır.

Makalenin ele aldığı literatür

Yapay zekanın diş hekimliğindeki tarihsel gelişimi, prostodonti, endodonti, ortodonti ve maksillofasiyal cerrahi gibi alt uzmanlık alanlarındaki uygulamaları, ChatGPT-3.5 ve GPT-4 gibi modellerin sınav ve teşhis başarıları ile Elektronik Diş Kayıtlarının (EDR) ikincil amaçlarla kullanımı hakkındaki güncel literatür ele alınmıştır.

Araştırmanın Bulguları

Yapay sınır ağlarının diş hekimliğinde ve özellikle endodontik teşhislerde kullanımı hızla artmakta olup, bu ağların teşhis doğruluğu deneyimli diş hekimleriyle eşdeğer düzeylere ulaşmıştır(Nia et al., 2025).

ChatGPT, florür kullanımı gibi sıkça sorulan klinik sorulara Amerikan Diş Hekimleri Birliği (ADA) rehberleriyle paralel ancak onlardan daha ayrıntılı ve bilimsel açıklamalar sunabilmektedir(Nia et al., 2025).

Gelişmiş büyük dil modellerinin çalıştırılması son derece yüksek hesaplama gücü ve bellek kapasitesi gerektirdiğinden, bu durum küçük bütçeli bağımsız diş klinikleri için ciddi bir finansal engel teşkil etmektedir(Nia et al., 2025).

ChatGPT zaman zaman uydurma veya hatalı akademik referanslar üretebilmekte ve sohbetin bağlamına bağlı olarak ikna edici fakat tamamen yanlış klinik yanıtlar (halüsinasyon) verebilmektedir(Nia et al., 2025).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Büyük dil modellerinin diş hekimliğinde sunduğu en önemli katkılardan biri, yoğun klinik ortamlarda idari iş yükünü hafifletme yeteneğidir. Çalışmada vurgulandığı üzere, ChatGPT gibi yapay zeka araçları, karmaşık tanısal verileri ve tedavi planlarını hastaların kolayca anlayabileceği seviyede sadeleştirilmiş raporlara dönüştürebilir. Bu durum, özellikle klinisyenlerin hastalarıyla kurduğu iletişimi güçlendirmekte ve hastaların tedavi süreçlerine daha aktif katılım göstermelerini sağlayarak hasta otonomisini desteklemektedir.

Yazarlar, diş hekimliğinde yapay zekanın sadece teorik bir gelişim göstermediğini, aynı zamanda pratik branşlarda da kendine yer bulduğunu belirtmektedir. Bibliyometrik verilerin de gösterdiği üzere, yapay sınır ağlarının endodontik teşhislerdeki doğruluk performansı, deneyimli diş hekimlerinin düzeyine yaklaşmıştır. Ancak bu durum, yapay zekanın klinisyenlerin yerini alacağı anlamına gelmemekte; aksine, uzman olmayan hekimler veya genç pratisyenler için teşhis kalitesini artırıcı, tamamlayıcı birer destek sistemi olarak işlev görmesi gerektiğini göstermektedir.

Teknolojinin sunduğu tüm bu fırsatlara rağmen, klinik entegrasyonun önünde çok katmanlı engeller bulunmaktadır. ChatGPT gibi gelişmiş sınır ağlarının gerektirdiği yüksek hesaplama gücü ve bellek kapasitesi, düşük bütçeli klinikler için kurulum maliyetlerini erişilemez kılmaktadır. Ayrıca, yapay zekanın harici veri kaynaklarına doğrudan erişiminin olmaması ve eğitim verilerindeki olası yanlılıklar, teşhis aşamasında taraflı ya da hatalı yönlendirmelerin ortaya çıkması riskini beraberinde getirmektedir.

Sonuç olarak, yapay zekanın tıp ve diş hekimliğindeki rolünün sürdürülebilir olması, ancak insan merkezli bir denetim mekanizması ile mümkündür. Literatürdeki çalışmaların da ortaya koyduğu gibi, yapay zeka modelleri bazen tamamen uydurma referanslar veya klinik olarak hatalı bilgiler üretebilmektedir. Bu nedenle, 'Dentronics' olarak adlandırılan dijital diş hekimliği çağında, yapay zeka araçları birincil karar merci olarak değil, yalnızca hekimin klinik deneyimini ve karar verme kalitesini artıran yardımcı birer enstrüman olarak konumlandırılmalıdır.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yapay zekanın oral radyolojide anatomik noktaları yüzde yüz doğrulukla belirleyebildiği yönündeki iddialara karşılık, Mago ve meslektaşları (2023) sistemin nadiren de olsa üretebileceği klinik hatalar sebebiyle bu modellere tamamen güvenilmemesi gerektiği konusunda güçlü uyarılarda bulunmuştur(Nia et al., 2025).

Cerrahi vaka yönetiminde yapay zekanın performansı incelenirken, Vaira ve meslektaşlarının (2024) baş ve boyun cerrahisinde ChatGPT'nin yüzde 87,2 oranında doğru ve yüzde 73 oranında kapsamlı bilgi sunduğunu saptayan bulgularına değinilmiş; ancak modelin karmaşık cerrahi karar süreçlerinde yetersiz kaldığı gösterilmiştir(Nia et al., 2025).

Sonuç Bölümünün Sunduğu Çıkarımlar

Büyük dil modelleri hasta eğitimi, idari süreçlerin hızlandırılması ve dental müfredatın zenginleştirilmesinde önemli birer yardımcı enstrüman olsa da, klinik teşhis ve karar alma süreçlerinde uzman bir diş hekiminin deneyim temelli klinik sezgilerinin, bireyselleştirilmiş hasta bakımı yaklaşımının ve doğrudan denetiminin yerini kesinlikle alamayacağı; yapay zekanın yalnızca hekim kontrolünde destekleyici bir araç olarak entegre edilmesi gerektiği sonuçuna varılmıştır(Nia et al., 2025).

Literatür Taraması İçin Sunduğu Çerçeve

Diş hekimliğinde yapay zeka ve büyük dil modellerinin entegrasyonunu ele alan bu çalışma, literatürde kural tabanlı sistemlerden derin öğrenmeye dayalı üretken yapay zekaya geçişi kuramsal ve pratik boyutlarıyla değerlendiren kapsamlı bir derleme işlevi görmektedir. Çalışma, tanı doğruluğunun artırılması, hasta-hekim iletişiminin kolaylaştırılması ve idari yüklerin hafifletilmesi gibi kritik süreçlerin altını çizerek diş hekimliği özelinde yapay zeka tabanlı uygulamaların güncel bir haritasını sunmaktadır.

Çalışma, önceki literatürde yer alan kural tabanlı uzman sistemler ve erken dönem makine öğrenimi yaklaşımları ile güncel çok modlu derin öğrenme ve büyük dil modelleri arasında güçlü bir köprü kurmaktadır. Önceki çalışmaların yalnızca görüntü analizine odaklanan dar kapsamını aşarak, doğal dil işleme yetenekleriyle yapılandırılmamış klinik notların ve elektronik dental kayıtların analiz edilmesine yönelik modern metodolojileri entegre etmektedir.

Bu çalışma, diş hekimliğindeki klinik branşların her birinde yapay zekanın sunduğu somut katkıları akademik bir biçimde tasnif ederek alan yazına özgün bir sentez kazandırmaktadır. ChatGPT ve benzeri dil modellerinin hasta bilgilendirme, tanı raporlaması ve dental eğitim süreçlerindeki etkinliğini somut klinik senaryolar ve iş akışları üzerinden ele alarak, araştırmacıların gelecekteki ampirik çalışmalarına teorik bir zemin hazırlamaktadır.

Kaynakça

Mago, J., Sharma, M. (2023). The potential usefulness of ChatGPT in oral and maxillofacial radiology. Cureus, 15(7).
Vaira, L. A., Lechien, J. R., Abbate, V., Allevi, F., Audino, G., Beltramini, G. A., et al. (2024). Accuracy of ChatGPT-generated Information on Head and Neck and Oromaxillofacial Surgery: A Multicenter Collaborative Analysis. Otolaryngol Head Neck Surg, 170(6).

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Diş hekimliğinde yapay zeka entegrasyonu klinik tanı süreçlerinde uzman seviyesinde doğruluk sağlayabilmektedir.

Tez yazımında, yapay sınır ağlarının dental patolojileri teşhis etmedeki doğruluk oranlarının diş hekimleriyle karşılaştırıldığı bölümlerde bu çalışmanın literatür özetlerinden yararlanılabilir(Nia et al., 2025).

Çok Modlu Yapay Zeka Destekli Raporlamanın Hasta Memnuniyeti ve Tedavi Uyumuna Etkisi

Araştırma sorusu: Dental tomografi taramalarında yapay zeka tarafından üretilen sadeleştirilmiş raporların, hastaların tedavi süreçlerini anlama düzeyleri üzerindeki etkisi nedir?
Yöntem taslağı: Kontrollü deneysel desen. Diş kliniğine başvuran ve konik ışınlı bilgisayarlı tomografi çekilen hastalar rassal olarak iki gruba ayrılacaktır. Deney grubuna hekim kontrolünden geçmiş yapay zeka raporu sunulurken, kontrol grubuna standart hekim açıklaması yapılacaktır. Tedaviye uyum ve memnuniyet düzeyleri ölçeklerle ölçülecektir. Örneklem büyüklüğü güç analiziyle belirlenecektir.

Makaleyle bağlantısı: Makalenin sekizinci sayfasında sunulan, tomografi verilerinin yapay zeka ile işlenip hastaya anlaşılır dilde raporlanarak hasta katılımının artırılabileceği argümanından ve gelecek araştırma çağrısından türetilmiştir(Nia et al., 2025).

Tez veya makalede kullanım · Kavramsal çerçeve

Büyük dil modellerinin kliniklerde hayata geçirilmesi yüksek maliyetler ve donanım gereksinimleri nedeniyle sınırlandırılmaktadır.

Yapay zeka teknolojilerinin sağlık kuruluşlarında yaygınlaşmasının önündeki ekonomik ve teknik engeller tartışılırken bu çalışmanın neural network altyapı maliyetlerine dair argümanı referans gösterilebilir(Nia et al., 2025).

Yapay Zeka Destekli Klinik Karar Sistemlerinin Genç Diş Hekimlerinin Teşhis Performansına Etkisi

Araştırma sorusu: Büyük dil modelleri ile entegre edilmiş klinik karar destek sistemlerinin kullanımı, genç pratisyen hekimlerin dental patolojileri teşhis etme doğruluğunu anlamlı düzeyde artırır mı?
Yöntem taslağı: Yarı deneysel desen. Deneyimi iki yıldan az olan genç diş hekimlerinden oluşan bir grupta, yapay zeka desteği öncesi ve sonrası teşhis doğruluğu analiz edilecektir. Niteliksel derinlemesine görüşmelerle veri doygunluğuna ulaşılana kadar hekim deneyimleri sörgülanacaktır.

Makaleyle bağlantısı: Yazarların makalede belirttiği üzere, yapay sınır ağlarının endodontik problemlerde genç ve uzman olmayan hekimlere tanısal doğruluk kazandırma potansiyeline yönelik bulgulardan türetilmiştir(Nia et al., 2025).

Tez veya makalede kullanım · Tartışma

Yapay zeka sistemleri klinik ortamlarda diş hekimlerinin mesleki karar alma süreçlerinin yerini tamamen alamaz.

Tezin tartışma bölümünde, yapay zekanın hekim denetiminde bir destek aracı olarak konumlandırılması ve insan faktörünün vazgeçilmezliği savunulurken bu makalenin sonuç değerlendirmesi kullanılabilir(Nia et al., 2025).

Büyük Dil Modellerinin Diş Hekimliğinde Doğruluk ve Halüsinasyon Sıklığının Karşılaştırmalı Analizi

Araştırma sorusu: Farklı büyük dil modellerinin prostodonti ve oral cerrahi alanındaki karmaşık klinik sorulara verdiği yanıtların doğruluk ve akademik referans uydurma oranları arasındaki farklar nelerdir?
Yöntem taslağı: Karşılaştırmalı içerik analizi tasarımı. Belirlenen dental uzmanlık alanlarından standart klinik vakalar ve sorular her üç modele de aynı yönergelerle sorulacaktır. Elde edilen çıktılar bağımsız üç dental uzman tarafından doğruluk ve tutarlılık kriterlerine göre körleme olarak puanlanacaktır.

Makaleyle bağlantısı: Makalenin yedinci sayfasında tartışılan, yapay zeka modellerinin harici kaynak yetersizliği nedeniyle akademik referans uydurma veya tutarsız klinik yanıtlar üretme risklerinden yola çıkılarak tasarlanmıştır(Nia et al., 2025).