Kazanimlar:
- DICOM görüntülerindeki gömülü kimlik bilgisini (üstbilgi ve görüntü içine yazılmış/burned-in veri) tanıyıp anonimleştirme ve güvenli paylaşım kurallarını uygulayabilme
- Bir yapay zeka modelinin validasyonunu, kanıt düzeyini, düzenleyici onayını (CE/regülasyon) ve yerel doğrulamayı eleştirel değerlendirebilme
- Algoritmik yanlılık, hasta rızası, sorumluluk ve şeffaflık gibi etik konuları görüntüleme bağlamında ele alabilme
Radyolojik veri, kişisel verilerin en hassas türlerinden biridir. Bir görüntü yalnızca bir hastalığı değil, kimin hastalığı olduğunu da taşır; bir beyin MR'ı yüz rekonstrüksiyonuyla kişiyi tanımlayabilir, bir DICOM dosyası hastanın adını, kimlik numarasını ve doğum tarihini üstbilgisinde saklar. Yapay zeka çağında bu veriyi bir araca yüklemek, paylaşmak ya da bir modeli eğitmek için kullanmak kolaydır — ve tam bu kolaylık, en büyük gizlilik riskini yaratır. Bu ünitede DICOM anonimleştirme, KVKK/gizlilik, model validasyonu ve etik konularını uçtan uca ele alacağız.
Çekirdek ilke: Radyolojik görüntü ve rapor özel nitelikli kişisel veridir. DICOM üstbilgisindeki ve görüntüye gömülü kimlik verisi anonimleştirilmeden hiçbir kurum dışı araca girmez. Bir modelin güvenilirliği; validasyonu, kanıt düzeyi, düzenleyici onayı ve yerel doğrulamayla değerlendirilir. Sorumluluk, imza ve nihai karar her zaman radyologdadır.
DICOM iki katmanda kimlik taşır
Radyolojik veri, diğer sağlık verilerinden farklı olarak kimliği iki ayrı katmanda taşır ve ikisini de temizlemeden anonimleştirme eksik kalır.
1. DICOM üstbilgisi (header): Görüntü dosyasının başındaki yapılandırılmış alanlar — hasta adı, kimlik/protokol numarası, doğum tarihi, cinsiyet, kurum, tetkik tarihi, cihaz. Bu alanlar bir araçla silinebilir/maskelenebilir ama unutulursa görüntü "anonim" sanılırken kimlik taşımaya devam eder.
2. Görüntüye gömülü (burned-in) veri: Bazı görüntülerde — özellikle ultrason, floroskopi ekran yakalamaları, dışarıdan alınmış taramalar — hasta bilgisi doğrudan piksellere yazılıdır. Üstbilgiyi temizlemek bunu kaldırmaz; gömülü yazı maskelenmeli (üzeri kapatılmalı) ya da o alan kırpılmalıdır.
Ek olarak yüz rekonstrüksiyonu riski: yüksek çözünürlüklü baş/beyin BT ve MR'larından yüz üç boyutlu yeniden oluşturulabilir; bu da bir tür kimlik ifşasıdır ve bazı bağlamlarda "yüz kaldırma" (defacing) gerektirir.
Katman
Nerede
Nasıl temizlenir
Unutulursa
DICOM üstbilgisi
Dosya başlığı
Anonimleştirme aracı
Kimlik açık kalır
Gömülü yazı
Piksel içi
Maskeleme/kırpma
Görüntü kimlik taşır
Yüz verisi
3B baş görüntüsü
Defacing
Yüzle tanınabilir
Rapor metni
RIS/metin
İsim/numara çıkarma
Kişi tanımlanır
KVKK ve güvenli paylaşım
Türkiye'de KVKK (Kişisel Verilerin Korunması Kanunu), sağlık verisini "özel nitelikli kişisel veri" olarak en yüksek koruma düzeyinde ele alır; Avrupa'da karşılığı GDPR'dir. Temel kurallar: veriyi yalnızca gerekli amaç için, gerekli kadar işle; kurum dışına anonimleştirmeden çıkarma; model eğitiminde kullanacaksan hukuki dayanağı ve gerekiyorsa açık rızayı sağla; verinin nereye gittiğini bil. Herkese açık bir YZ aracına anonimleştirilmemiş görüntü/rapor yüklemek bir veri ihlalidir. Kurumsal, veri işleme sözleşmesi (DPA) olan, verinizi model eğitiminde kullanmayan ve tercihen kurum içi/yerel çalışan araçlar tercih edilmelidir.
Dikkat: "Sadece soyadını sildim" ya da "araç zaten güvenli" demek anonimleştirme değildir. İsim, TC kimlik, protokol/tetkik numarası, doğum tarihi, iletişim, kurum ve gömülü/üstbilgi kimlik verisinin tümü çıkarılmadan hiçbir veri kurum dışına gitmez. Anonimleştirme bir alışkanlık, tek seferlik bir iş değildir.
Model validasyonu: bir modele ne zaman güvenilir
Bir modelin "çalıştığını" söylemek yetmez; nasıl, nerede ve ne kadar çalıştığını sormak gerekir.
- Validasyon ve kanıt düzeyi: Model hangi popülasyonda, kaç olguda, hangi metriklerle (duyarlılık, özgüllük, yanlış negatif) test edildi? Yayınlanmış, bağımsız kanıt var mı?
- Düzenleyici onay: Ürün tıbbi cihaz olarak onaylı mı (örneğin CE işareti, ilgili düzenleyici onay)? Onayın kapsamı hangi kullanım?
- Yerel doğrulama: En kritik adım. Model kendi cihazınızda, kendi protokolünüzde, kendi popülasyonunuzda test edildi mi? Dağılım kayması (eğitim koşullarından uzaklaşınca performans düşüşü) yerel doğrulama olmadan görülmez.
- İzlenebilirlik: Model sürümü, güncellemeleri ve performans değişimi izleniyor mu?
Etik boyut
Algoritmik yanlılık (bias): Model belirli bir popülasyonda eğitildiyse, başka gruplarda (yaş, cinsiyet, etnik köken, nadir hastalık) daha kötü çalışabilir ve eşitsizliği büyütebilir. Hasta rızası ve şeffaflık: Hasta, tanısında yapay zeka kullanıldığını bilmeli mi; kurum bunu nasıl şeffaf kılıyor? Sorumluluk: Bir YZ destekli okumada hata olursa sorumluluk kimdedir — cevap, imzayı atan radyologdadır; YZ sorumluluğu devralmaz. Adil erişim: YZ araçları bazı merkezlerde varken bazılarında yoksa, bu bir eşitsizlik kaynağı olabilir.
Üç mini vaka
Vaka 1 — Gömülü yazı ihlali. Bir hekim ilginç bir ultrason görüntüsünü, üstbilgisini temizleyip herkese açık bir YZ aracına yükler. Ama görüntünün köşesinde piksele işlenmiş hasta adı ve protokol numarası vardır; üstbilgi temiz olsa da gömülü yazı kimliği taşımıştır. Kurum bir KVKK bildirimiyle karşılaşır. Doğru yol: gömülü alanı maskeleyip öyle paylaşmaktı.
Vaka 2 — Yerel doğrulama olmadan yaygınlaştırma. Bir merkez, yurtdışı bir popülasyonda eğitilmiş bir kemik yaşı modelini, kendi hasta grubunda hiç doğrulamadan rutine sokar. Aylar sonra modelin kendi popülasyonlarında sistematik sapma yaptığı fark edilir. Yerel doğrulama yapılsaydı bu baştan görülürdü. Ders: düzenleyici onay bile yerel doğrulamanın yerine geçmez.
Vaka 3 — Rapor anonimleştirme. Bir radyolog zor bir olguyu meslektaşıyla bir YZ aracı üzerinden tartışmak ister. Öyküyü "Ayşe Yılmaz, protokol 2024-114523, meme kanseri" yerine "62 yaşında kadın, bilinen meme kanseri öyküsü" diye yeniden yazar; görüntüyü DICOM üstbilgisi temizlenmiş ve gömülü yazısı maskelenmiş olarak paylaşır. Klinik tartışma yapılır, hiçbir kimlik ifşa olmaz. Doğru anonimleştirme, güvenli yapay zeka kullanımını mümkün kıldı.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Ayşe Yılmaz, TC 123..., protokol 2024-114523, meme kanseri, bu MR'ı yorumla.
Kimlik açıkça paylaşılmış; bu bir KVKK ihlalidir, prompt yazılmadan önce durmalıydı.
Güçlü prompt:
Rolün: anonimleştirme kontrol asistanı. Aşağıdaki metinden isim, TC kimlik,protokol/tetkik numarası, doğum tarihi, iletişim ve kurum bilgisini çıkar;yerine "[çıkarıldı]" yaz. Yalnızca klinik açıdan gerekli anonim bilgiyi (yaşgrubu, cinsiyet, ilgili öykü) bırak. Ayrıca bana hatırlat: görüntü paylaşacaksamDICOM üstbilgisini ve görüntüye gömülü yazıyı da temizlemem, baş/beyingörüntülerinde yüz verisini düşünmem gerekir. Metin: [metni yapıştır]
Güçlü istem kimliği çıkarır, gömülü/üstbilgi ve yüz verisini hatırlatır.
Kopyalanabilir prompt şablonları
ANONİMLEŞTİRME KONTROL ŞABLONURolün: anonimleştirme asistanı. Metinden isim, TC, protokol/tetkik numarası,doğum tarihi, iletişim ve kurum bilgisini çıkar; "[çıkarıldı]" yaz. Yalnızcaklinik gerekli anonim bilgiyi bırak. Görüntü paylaşacaksam üstbilgi + gömülüyazı + yüz verisini temizlemem gerektiğini hatırlat. Metin: [yaz]
MODEL VALİDASYON SORGU ŞABLONURolün: YARDIMCI. Bir YZ modelini değerlendireceğim. Sormam gereken sorularıüret: hangi popülasyon/olgu sayısı/metrikler, düzenleyici onay kapsamı, yereldoğrulama yapıldı mı, dağılım kayması riski, sürüm izleme. Karar kurumda.Model bilgisi: [yaz]
ETİK/YANLILIK KONTROL ŞABLONUSana bir YZ modelinin kullanım bağlamını vereceğim. Algoritmik yanlılık (hangigruplarda kötü çalışabilir), hasta rızası/şeffaflık, sorumluluk ve adil erişimaçısından değerlendir; her başlıkta kurumun sorması gereken soruyu yaz. Bağlam: [yaz]
VERİ AKIŞI GİZLİLİK ŞABLONUSana bir YZ aracına veri gönderme senaryosu vereceğim. Verinin nereye gittiğini,saklanıp saklanmadığını, model eğitiminde kullanılıp kullanılmadığını ve DPA/hukuki dayanak durumunu sorgulayan bir kontrol listesi üret. Kurum dışı araçiçin anonimleştirme zorunluluğunu hatırlat. Senaryo: [yaz]
Sık yapılan hatalar
- Sadece üstbilgiyi temizleyip gömülü yazıyı unutmak. Görüntü hâlâ kimlik taşır.
- Yüz verisini göz ardı etmek. Baş/beyin 3B görüntülerinden kişi tanınabilir.
- Düzenleyici onayı yerel doğrulama yerine koymak. Onay kapsam bildirir; kendi verinizde performansı garanti etmez.
- Algoritmik yanlılığı sormamak. Model bazı gruplarda kötü çalışıp eşitsizliği büyütebilir.
- Sorumluluğu YZ'ye devretmek. İmza radyologdadır; hata sorumluluğu insana aittir.
İpucu: Kurum dışına herhangi bir veri göndermeden önce tek bir soru sorun: "Bu veri sızsa, bir hasta kimliğinden tanınabilir mi?" Cevap "evet" ya da "emin değilim" ise, veri henüz anonim değildir — göndermeyin.
Özetle
Radyolojik görüntü ve rapor özel nitelikli kişisel veridir ve KVKK/GDPR kapsamında en yüksek korumayı gerektirir. DICOM verisi kimliği iki katmanda taşır — üstbilgi ve görüntüye gömülü yazı — ve ikisi de, gerekirse yüz verisi de temizlenmeden hiçbir veri kurum dışına çıkmaz. Bir modele güvenmek için validasyonu, kanıt düzeyi, düzenleyici onayı ve özellikle kendi cihaz/popülasyonunuzda yapılan yerel doğrulama değerlendirilir; düzenleyici onay yerel doğrulamanın yerine geçmez. Etik boyutta algoritmik yanlılık, hasta rızası, şeffaflık, adil erişim ve sorumluluk sorgulanır. Her durumda imza, sorumluluk ve nihai karar radyologdadır.
Uygulama görevi
Bir olgu metni ve bir görüntü paylaşım senaryosu kurgulayın. "Anonimleştirme Kontrol" şablonuyla metni anonimleştirin ve üstbilgi/gömülü yazı/yüz verisi kontrol adımlarını listeleyin. Ardından kullandığınız (ya da düşündüğünüz) bir modeli "Model Validasyon Sorgu" şablonuyla değerlendirin: popülasyon, onay kapsamı, yerel doğrulama durumu. Son olarak "Etik/Yanlılık Kontrol" şablonuyla bu modelin hangi gruplarda kötü çalışabileceğini ve şeffaflık/sorumluluk sorularını yazın.
Kontrol listesi
- [ ] DICOM üstbilgisindeki kimlik alanlarını temizledim.
- [ ] Görüntüye gömülü (burned-in) yazıyı maskeledim/kırptım.
- [ ] Baş/beyin görüntülerinde yüz verisi riskini değerlendirdim.
- [ ] Rapor/öykü metnini anonimleştirdim (isim, TC, protokol, doğum tarihi).
- [ ] Kurum dışı araç için veri akışını ve DPA/hukuki dayanağı sorguladım.
- [ ] Modelin yerel doğrulamasını ve onay kapsamını kontrol ettim.
- [ ] Algoritmik yanlılık, şeffaflık ve sorumluluğu değerlendirdim; imza bende.