Cerrahi Yapay Zekada Akıl Yürütme: SUREON ve Uzman Anlatımlarından Öğrenme

Giriş

Mevcut cerrahi yapay zeka sistemleri, görsel algılamada önemli ilerlemeler kaydetmiş olsa da, temel bir sınırlama ile karşı karşıya. Bu sistemler görmeyi başarıyla öğrenmişlerdir, ancak düşünmeyi henüz öğrenemediler. Bir ameliyat videosundaki bir penseyi tanımlayabilirler, ancak cerrahın neden o penseyi seçtiğini, bu seçimin potansiyel risklerini veya sıradaki adımın ne olacağını çıkaramazlar. Bu ayrım, desen eşleştirme ile klinik akıl yürütme arasındaki farkı temsil eder.

"Surgical Reasoning" (Cerrahi Akıl Yürütme) kavramı, bu boşluğu doldurmaya yönelik olarak Intuitive Surgical araştırmacıları tarafından sunulan SUREON: A Benchmark and Vision-Language-Model for Surgical Reasoning çalışmasının merkezinde yer alıyor. Bu çalışma, uzman cerrahlar tarafından anlatılmış akademik ameliyat videolarından yararlanarak, sadece görsel içeriği değil, cerrahi kararların ardındaki gerekçeleri de kodlayan büyük ölçekli bir veri seti ve benchmark sunuyor.

Ana Analiz: Veri Seti ve Çok Ajanlı Üretim Süreci

SUREON'un en dikkat çekici yönü, veri kaynağı olarak geleneksel etiketlenmiş veri kümeleri yerine, uzmanlar tarafından eğitim amaçlı anlatılmış cerrahi video derslerini kullanması. Bu videolar doğal olarak gürültülü, yapılandırılmamış ve pedagogik olarak seçici olsa da, görsel varlıklar ile klinik niyet arasında semantik olarak yoğun bağlantılar içeriyor.

Araştırmacılar, bu ham veriyi yapılandırılmış bir forma dönüştürmek için çok ajanlı bir sistem geliştirmişler. Sistem, Semantic Grounding Moments (SGMs) olarak adlandırılan anları belirliyor. Bu anlar, anlatımın görsel içeriği açıkça zemine oturttuğu, yani "şu anda görülen dokuya şu işlem uygulanıyor çünkü..." şeklinde bağlam sağlayan segmentler. SG'leri tespit ettikten sonra, özel üretici ajanlar (specialized generator agents) ve görev özelinde 12 adet filtreleme ajanı, bu anları yapılandırılmış soru cevap (VQA) çiftlerine dönüştürüyor.

Sonuçta ortaya çıkan veri seti, 134.7 bin video klibi ve 170 farklı prosedür tipinden oluşuyor. Bu kapsamlı koleksiyon, 206.8 bin konuşma çifti üretmiş ve bunların üzerinde uzmanlar tarafından doğrulanmış 354 test örneğinden oluşan bir benchmark oluşturulmuş. Veri seti 12 farklı soru kategorisini kapsıyor: Dizi Özetleme (Sequence Summarization), Nesne Konumlandırma (Object Localization), Eylem Tanımlama (Action Description), Varlık Özellikleri (Entity Attribute), Varlık Varlığı (Entity Existence), Yerel Eylem Akıl Yürütme (Local Action Reasoning), Zamansal Sıralama (Temporal Ordering), Prosedür Bağımsız Eylem Tanımlama (Procedure-Agnostic Action Description), Alet Eylem Etkileşimi (Instrument Action Interaction), Güvenlik Uygulaması Tanımlama (Safety Practice Identification), Tahmin (Forecasting) ve Karar Gerekçesi (Decision Reasoning).

Bu kategoriler, saf algıdan (nesne tanıma) karmaşık zamansal akıl yürütmeye (gelecek adımları tahmin) ve güvenlik değerlendirmesine kadar geniş bir yelpazeyi kapsıyor. Örneğin, bir modelin sadece "bu bir lenf nodu" demesi değil, "bu lenf nodu neden en bloc çıkarılmak zorunda" sorusunu yanıtlaması bekleniyor.

Ana Analiz: Model Mimarisi ve Eğitim Stratejisi

Veri setinin potansiyelini değerlendirmek için araştırmacılar iki model sunuyor: SureonVLM ve SureonVLM-R1. Her ikisi de Vision-Language Model (VLM, yani görüntü-dil modelleri) mimarisine dayanıyor ve video anlama kapasitesine sahip.

Eğitim süreci iki aşamada gerçekleşiyor. İlk aşamada, supervised fine-tuning (SFT, yani denetimli ince ayar) uygulanıyor. Bu aşamada hem standart, ontoloji tabanlı veri setleri (algı yetenekleri için temel oluşturmak amacıyla) hem de SUREON veri seti (akıl yürütme yetenekleri için) kullanılıyor. Bu çift kaynaklı yaklaşım, modelin hem görsel temsil hem de dilsel akıl yürütme yeteneklerini dengeli şekilde geliştirmesini sağlıyor.

İkinci aşama ise reinforcement learning (pekiştirmeli öğrenme) kullanılarak gerçekleştiriliyor. Araştırmacılar, Group Relative Policy Optimization (GRPO) algoritmasını kullanarak modeli daha da geliştiriyorlar. GRPO, modelin ürettiği çıktıları bir grup içinde karşılaştırarak ve göreceli ödüller atayarak politikasını optimize ediyor. Bu yaklaşım, özellikle SureonVLM-R1'de belirgin olan explicit reasoning (açık akıl yürütme) davranışını ortaya çıkarıyor.

SureonVLM-R1'in dikkat çekici özelliği, thinking tokens (düşünme belirteçleri) üretmesi. Model, cevabı vermeden önce etiketleri arasında bir iç monolog gerçekleştiriyor. Örneğin, "cerrah neden komşu arter dalını feda etti" sorusuna, model önce "Ekip, arter dalının yanında büyük bir lenf nodu ile karşılaştı ve nod, damarı tehlikeye atmadan korunamayacak kadar hacimliydi" şeklinde bir gerekçe zinciri oluşturuyor, ardından cevabı veriyor.

Sonuçlar, bu yaklaşımın etkinliğini gösteriyor. SUREON benchmark'ında %84'ün üzerinde doğruluk elde eden modeller, genel amaçlı ve daha büyük VLM'leri (Vision-Language Models) geride bırakıyor. Bu başarı, cerrahi alana özgü denetimin, genel alan modellerinin desen eşleştirme yeteneklerini aştığını gösteriyor.

Kendi Yorumum ve Çıkarımlar

Bu çalışmanın en önemli katkısı, eğitim verisinin niteliğine dair getirdiği perspektif değişikliği. Geleneksel olarak, tıbbi görüntüleme modelleri için altın standart, piksel düzeyinde hassas segmentasyonlar veya sabit kategorilerde etiketlemeler olarak görülüyordu. Ancak SUREON, pedagojik içeriğin (cerrahların öğrencilere anlatımı) aslında çok daha zengin bir denetim sinyali içerdiğini gösteriyor. Bir uzmanın "şunu yapıyorum çünkü..." demesi, binlerce sessiz ameliyat videosundan çıkarılması imkansız olan neden-sonuç ilişkilerini barındırıyor.

Ancak bu yaklaşımın sınırlamaları da var. Anlatımlar doğal olarak seçici ve seyrek. Cerrah her hareketini açıklamaz; sadece kritik veya eğitsel değeri yüksek momentleri vurgular. Bu durum, modelin öğrenebileceği şeyleri doğal olarak sınırlıyor. Ayrıca, anlatımların gürültülü olması (yan konuşmalar, tekrarlar, bağlam dışı cümleler), çok ajanlı filtreleme sisteminin kritik önemini artırıyor. Bu filtreleme sürecinin kendisi de bir kaynak tüketimi ve hata potansiyeli taşıyor.

Teknik olarak, GRPO kullanımı ve thinking tokens mekanizması, interpretability (yorumlanabilirlik) açısından kritik. Tıbbi karar destek sistemlerinde, modelin sadece doğru cevabı vermesi yetmez; neden o cevabı verdiğini açıklayabilmesi gerekir. SureonVLM-R1'in ürettiği blokları, cerrahların modelin karar sürecini denetlemesine ve güven tesis etmesine olanak tanıyor. Bu, güvenlik kritik uygulamalar için vazgeçilmez bir özellik.

Gelecek perspektifinden bakıldığında, bu yaklaşımın başka uzmanlık alanlarına (radyoloji, patoloji, endoskopi) genişletilmesi mümkün. Her alanda, uzmanların öğrencilere anlattığı video içerikler benzer şekilde yapılandırılabilir. Ancak cerrahi alanın kendine özgü dinamikleri (hızlı karar alma, alet- doku etkileşimleri, güvenlik protokolleri) bu veri setini özellikle değerli kılıyor.

Sonuç

SUREON, cerrahi yapay zekanın sadece "görmeyi" değil, "anlamayı" hedefleyen yeni bir evreye geçişini temsil ediyor. Uzman anlatımlarından 206.8 bin akıl yürütme zinciri çıkararak ve bunları çok ajanlı bir süreçle yapılandırarak, araştırmacılar mevcut modellerin ulaşamadığı bir denetim sinyali yaratmışlar. SureonVLM ve özellikle GRPO ile eğitilmiş SureonVLM-R1'in başarısı, alana özgü verilerin ve açık akıl yürütme mekanizmalarının, genel amaçlı büyük modellere karşı üstünlük sağlayabileceğini kanıtlıyor.

Bu çalışma, tıbbi yapay zeka araştırmalarına önemli bir ders veriyor: En değerli denet