Bu içerikle, Alman Kanser Araştırma Merkezi tarafından geliştirilen Delphi-2M adlı yapay zekâ modelinin nasıl çalıştığını, hangi verilerle eğitildiğini ve geleceğin sağlık sistemine nasıl yön verebileceğini öğreneceksiniz.
Bu model sadece tıbbi bir araç değil; aynı zamanda insan hastalıklarının “doğa tarihini” yazmaya aday bir teknoloji.
Delphi-2M
Alman Kanser Araştırma Merkezi’nden Tarihi Bir Atılım
Alman Kanser Araştırma Merkezi (DKFZ), sağlık teknolojilerinde çığır açacak bir yapay zekâ geliştirdi: Delphi-2M.
-
Model, 1.000’den fazla hastalığın riskini önceden tahmin edebiliyor.
-
Hatta bu öngörüleri 20 yıl sonrasına kadar genişletebiliyor.
-
Eğitimi için 400.000’den fazla kişinin anonim sağlık verileri kullanıldı.
Buradaki kritik nokta şu: hastalık kodları “token” olarak işleniyor. Yani bir yapay zekâ metin yazarken kelimeleri nasıl “token”lara bölüp öğreniyorsa, Delphi-2M de hastalıkları ve sağlık durumlarını aynı mantıkla “öğreniyor”.
Veri Kaynağı ve Uluslararası Test
-
Eğitim Aşaması: İngiltere’deki UK Biobank verileri (0,4 milyon kişi).
-
Test Aşaması: Danimarka’dan 1,9 milyon kişilik sağlık verisi.
-
Sonuç: Tek bir hastalık üzerine eğitilmiş modellere yakın doğruluk, ancak çok daha geniş kapsama alanı.
Bu sayede model, yalnızca bir hastalığın seyrini değil, hastalıkların birbirini nasıl tetiklediğini ve zaman içinde nasıl kümelendiğini de gösteriyor.
Hastalıkların Doğa Tarihini Yazmak
Nature’da yayımlanan makaleye göre Delphi-2M, tıpkı bir tarihçi gibi çalışıyor.
-
Geçmiş sağlık kayıtlarını analiz ediyor.
-
Bugünkü sağlık durumunu değerlendiriyor.
-
Gelecekteki olası senaryoları simüle ediyor.
Örneğin; bir kişide hipertansiyon gelişirse, 10 yıl sonra böbrek yetmezliği ya da kalp krizi ihtimalinin nasıl arttığını modelleyebiliyor. Bu, tıbbın uzun süredir görmek istediği “bütüncül hastalık resmi” için devrim niteliğinde.
Generatif Özellik: Hiç Yaşanmamış Senaryolar
Delphi-2M yalnızca veriye dayalı tahmin yapmakla kalmıyor, aynı zamanda yeni senaryolar da üretebiliyor. Bu yönüyle klasik modellerden ayrılıyor.
-
Bir bireyin sigarayı bırakmaması durumunda nasıl bir sağlık gidişatı yaşayabileceğini simüle ediyor.
-
Obezite kontrol altına alınmazsa, hangi yıllarda hangi komplikasyonların öne çıkabileceğini tahmin ediyor.
-
Hastalıkların kümelenmesini göstererek, toplum sağlığı için öncelikli risk alanlarını belirliyor.
Bu, aslında bir anlamda “geleceğin sağlık laboratuvarı” demek.
Açıklanabilir Yapay Zekâ ve Yeni Paternler
Araştırmada kullanılan Explainable AI (XAI) yöntemleri, modelin iç işleyişini şeffaflaştırıyor. Buradan çıkan bazı bulgular;
-
Hastalık kümeleri netleşiyor (örneğin diyabet → kalp-damar → böbrek hattı).
-
Zamanlama etkisi gözleniyor (erken başlayan obezitenin ileriki yaşlarda daha büyük yük oluşturması).
-
Veri önyargıları da ortaya çıkıyor (örneğin eğitim verisindeki demografik farklılıklar modele yansıyor).
Bu noktada araştırmacılar hem fırsatları hem de riskleri görüyor: Daha güçlü öngörüler mümkün ama aynı zamanda modelin yanılgılarını da dikkatle izlemek gerekiyor.
Sağlıkta Ne Değişebilir?
-
Kişisel sağlık yönetimi: Bireyler, kendilerine özel risk tablolarını görebilecek.
-
Önleyici tıp: Hastalık başlamadan müdahale için zaman kazanılacak.
-
Araştırma ve ilaç geliştirme: Henüz yaşanmamış sağlık senaryoları üzerinden yeni tedavi yöntemleri test edilebilecek.
-
Sağlık politikaları: Toplum düzeyinde risk haritaları çıkarılarak kaynak planlaması yapılabilecek.
-
Etik tartışmalar: Veri gizliliği, sigorta kullanımı ve model önyargıları gibi sorunlar daha da görünür hale gelecek.
Bir Sağlık Devriminin Eşiğinde
Delphi-2M, belki de modern tıbbın en heyecan verici girişimlerinden biri. Hastalıkların “doğa tarihini” yazabilen bu tür modeller, gelecekte doktorların yanında karar destek aracı olarak yer alacak.
Bir anlamda bu, insan sağlığının hikâyesini yeniden yazmak demek…
-
Eskiden gözleme dayalıydı,
-
Sonra klinik araştırmalarla desteklendi,
-
Şimdi milyonlarca kişinin verisiyle yapay zekâ tarafından önceden kurgulanıyor.
Kaynaklar
Nature. (2025). An AI model for predicting disease trajectories across more than 1,000 conditions. https://doi.org/10.1038/s41586-025-09529-3
Nature. (2025). Learning the natural history of human disease with generative transformers. https://doi.org/10.1038/s41586-025-09529-3
