ÖZET
Ağız kanseri, ağırlıklı olarak oral skuamöz hücreli karsinom (OSCC), büyük ölçüde geç evre ta
nıya atfedilen yüksek ölüm oranlarıyla önemli bir küresel sağlık sorunu teşkil etmektedir. Görsel
muayene ve doku biyopsisi gibi geleneksel teşhis yöntemleri, subjektiv yorumlama, invazivlik ve
erken evre lezyonlar için sınırlı duyarlılık gibi kısıtlamaları mevcuttur. Yapay zekâ (YZ) bu sınır-lamaların üstesinden gelmede dönüştürücü potansiyeline sahiptir. YZ destekli metodların tanısal doğruluğu artırabileceğini, erken teşhisi kolaylaştırabileceğini ve uzman düzeyinde taramaya erişimi kolaylaştırarak hasta prognozlarını iyileştirebileceği ileri sürülmektedir. Bu bölüm, üç tanı alanındaki YZ uygulamalarını sistematik olarak incelemektedir. Görüntüleme tabanlı taramada, derin öğrenme algoritmaları klinik, radyografik ve mikroskobik görüntüleri analiz ederek, kötü huylu lezyonları tespit etmede %90-95'lik hassasiyetlere ulaşarak, genellikle insan performansını aşmaktadır. Floresan görüntülerin otomatik analizi ve konfokal lazer endomikroskopisi gibi teknikler, neoplaztik dokunun invaziv olmayan, gerçek zamanlı tanımlanmasını sağlar. Histopatolojik taramada, Tüm Slayt Görüntüleme (WSI), doku örneklerini sayısallaştırarak Evrişimsel Sinir Ağları'nın (CNN'ler) sitolojik ve mimari atipiyi kantitatif olarak değerlendirmesine olanak tanır. Bu, OSCC ve tümör mikroçevre özelliklerinin tespitini otomatikleştirerek nesnelliği ve tekrarlanabilirliği artırır. Ayrıca, yapay zeka destekli biyobelirteç keşfi, Destek Vektör Makineleri ve Rastgele Ormanlar dahil olmak üzere makine öğrenimi modellerini kullanarak yüksek boyutlu genomik, proteomik ve klinik verileri sorgular. Bu, risk sınıflandırması ve erken tanı için öngö-
rücü biyobelirteçlerin belirlenmesini kolaylaştırır. Bu yapay zeka sistemlerinin entegrasyonu, otomatik analiz yoluyla operasyonel verimlilik, hızlandırılmış tanı zaman çizelgeleri ve sağlık hizmetlerindeki eşitsizlikleri gidermek için düşük kaynaklı ortamlarda uygulama potansiyeli gibi önemli avantajlar sunar. Ancak, bu teknolojilerin klinik uygulamaya aktarılması önemli zorluklarla karşı karşıyadır.
Bunlar arasında eğitim için büyük, düzenlenmiş ve çeşitli veri kümelerine bağımlılık, popülasyonlar arasında algoritmik genelleştirilebilirlik konusundaki endişeler ve yorumlanabilirliği engelleyen karmaşık modellerin "kara kutu" doğası yer almaktadır. Veri gizliliği, algoritmik önyargı ve sorumlulukla ilgili etik ve düzenleyici çerçevelerin daha fazla geliştirilmesi gerekmektedir. Sonuç olarak, yapay
zekâ destekli tarama, oral onkolojide OSCC'nin erken ve doğru tespiti için önemli bir etkinlik göstermektedir. Yapay zekânın görüntü analizi, dijital patoloji ve biyobelirteç keşfindeki sinerjik uygulaması, tanıları standartlaştırma ve erişilebilirliği iyileştirme potansiyeline sahiptir. Ancak, bu araçların klinik uygulamalara tam entegrasyonu, veri kalitesi, model doğrulama ve etik yönetişimle ilgili mevcut zorlukların üstesinden gelinmesine bağlıdır. Gelecekteki araştırmalar, klinik karar alma süreçlerini geliştirme ve hasta sonuçlarını iyileştirme vaatlerini gerçekleştirmek için büyük ölçekli, çok merkezli çalışmalara ve şeffaf, güçlü yapay zekâ sistemlerinin geliştirilmesine öncelik vermelidir.
Anahtar Kelimeler: Yapay Zekâ; Ağız Neoplazileri; Kanserin Erken Tespiti; Tanı; Skuamöz Hücreli Karsinom
ABS TRACT
Oral cancer, predominantly oral squamous cell carcinoma (OSCC), poses a significant global health
problem with high mortality rates largely attributed to late-stage diagnosis. Traditional diagnostic
methods, such as visual inspection and tissue biopsy, have limitations such as subjective interpre
tation, invasiveness, and limited sensitivity for early-stage lesions. Artificial intelligence (AI) has
transformative potential to overcome these limitations. It is proposed that AI-powered methods
can increase diagnostic accuracy, facilitate early diagnosis, and improve patient prognoses by fa
cilitating access to expert-level screening. The chapter systematically examines AI applications
across three diagnostic domains. In imaging-based screening, deep learning algorithms analyze
clinical, radiographic, and microscopic images, achieving sensitivities of 90-95% for detecting
malignant lesions, often surpassing human performance. Techniques like automated analysis of
fluorescent images and confocal laser endomicroscopy enable non-invasive, real-time identifica
tion of neoplastic tissue. In histopathological screening, Whole-Slide Imaging (WSI) digitizes tis
sue specimens, allowing Convolutional Neural Networks (CNNs) to quantitatively assess
cytological and architectural atypia. This automates the detection of OSCC and tumor microenvi
ronment features, enhancing objectivity and reproducibility. Furthermore, AI-driven biomarker
discovery utilizes machine learning models, including Support Vector Machines and Random
Forests, to interrogate high-dimensional genomic, proteomic, and clinical data. This facilitates the
identification of predictive biomarkers for risk stratification and early diagnosis. The integration
of these AI systems offers substantial benefits, including operational efficiency through automated
analysis, accelerated diagnostic timelines, and the potential for deployment in low-resource settings
to bridge healthcare disparities. However, the translation of these technologies into clinical prac
tice faces significant challenges. These include the dependency on large, curated, and diverse
datasets for training, concerns regarding algorithmic generalizability across populations, and the
"black box" nature of complex models that impedes interpretability. Ethical and regulatory frame
works concerning data privacy, algorithmic bias, and liability require further development. In con
clusion, AI-assisted screening demonstrates significant efficacy for the early and accurate detection
of OSCC in oral oncology. The synergistic application of AI in image analysis, digital pathology,
and biomarker discovery has the potential to standardize diagnoses and improve accessibility.
However, the full integration of these tools into clinical practice depends on overcoming current
challenges related to data quality, model validation, and ethical governance. Future research should
prioritize large-scale, multicenter studies and the development of transparent, robust AI systems
to realize their promise of improving clinical decision-making and patient outcomes.
Keywords: Artificial Intelligence; Mouth Neoplasms; Early Detection of Cancer; Diagnosis;
Squamous Cell Carcinoma
