Yapay zekanın alt dallarından biri olan derin öğrenme, özellikle karmaşık veri yapılarının modellenmesinde ve analizinde dikkate değer bir başarı sergilemiştir. Derin öğrenme algoritmaları, tıbbi görüntülerden kanser tespiti, kardiyovasküler risk faktörlerinin tahmini ve nörolojik bozuklukların teşhisi gibi alanlarda yüksek doğruluk oranları ile kullanılmaktadır ^3-5. Aynı zamanda, diş hekimliği gibi daha spesifik alanlarda da implant yerleştirme planlaması veya endodontik patolojilerin teşhisi gibi uygulamalarda önemli katkılar sağlamıştır ⁶.

Sağlık alanında yapay zeka ve derin öğrenme uygulamalarının yaygınlaşması, yalnızca teknolojinin yeteneklerinin değil, aynı zamanda bilimsel ilgi ve akademik araştırmaların da artış gösterdiğini ortaya koymaktadır. Türkiye özelinde, bu teknolojilerin sağlık alanında akademik tezlerde kullanımına yönelik bir eğilim dikkat çekmektedir. Bununla birlikte, mevcut çalışmalar genellikle ya belirli disiplinlere (ör. radyoloji, biyoinformatik) ya da kısa dönemlere odaklanmıştır. Bu nedenle, daha geniş bir dönemi kapsayan ve disiplinler arası dağılımı analiz eden kapsamlı araştırmalara ihtiyaç duyulmaktadır.

Bu çalışmada, 2019-2024 yılları arasında Türkiye’de sağlık alanında yapılan yapay zeka ve derin öğrenme tezleri kapsamlı bir şekilde analiz edilmiştir. Araştırma, tezlerin yıllara, akademik seviyelere (yüksek lisans, doktora, uzmanlık), disiplinlere ve akademik unvanlara göre dağılımını inceleyerek bu teknolojilerin sağlık alanındaki yerini değerlendirmeyi amaçlamaktadır. Elde edilen veriler, yapay zeka ve derin öğrenmenin sağlık alanında giderek daha fazla benimsenen ve genişleyen teknolojiler olduğunu göstermektedir. Çalışma aynı zamanda cinsiyet dağılımını inceleyerek bu teknolojilerin toplumsal ve akademik kabulü açısından önemli bir veri sunmaktadır.

Yapay zeka ve derin öğrenmenin sağlık alanındaki potansiyeli, literatürde geniş bir şekilde ele alınmıştır. Örneğin, Litjens ve arkadaşları ³ tıbbi görüntülemede derin öğrenme kullanımı üzerine yaptıkları bir incelemede, bu teknolojilerin özellikle radyolojik analizlerde insan performansına eşit veya daha üstün sonuçlar elde ettiğini rapor etmiştir. Topol ² ise yapay zekanın sağlık sektöründe insan zekası ile entegrasyonunun sağlık hizmetlerinin geleceğini nasıl şekillendirebileceğini detaylandırmıştır.

Son yıllarda yapay zeka ve derin öğrenme alanlarında akademik yayın sayılarında küresel ölçekte önemli bir artış yaşanmıştır. Özellikle Amerika Birleşik Devletleri, Çin ve Birleşik Krallık gibi ülkelerde sağlık ve tıp alanlarında yapay zeka tabanlı yayın sayıları yıllık olarak binlerle ifade edilir hale gelmiş, bu ülkeler bibliyometrik analizlerde en çok yayın ve atıf alan merkezler arasında yer almıştır ^7,8. Türkiye’de sağlık alanında yapay zekâ uygulamalarını inceleyen çalışmalar da mevcuttur. Örneğin Güneş ve arkadaşları, yapay zekânın farklı tıbbi branşlardaki kullanımını derleyerek bu alandaki ulusal literatür katkısını ortaya koymuştur ⁹. Ancak bu çalışmalar daha çok klinik odaklı olup, Türkiye’de yapay zekâ ve derin öğrenme alanındaki akademik tez üretimini sistematik biçimde değerlendiren çalışmalar sınırlıdır. Temur ve arkadaşlarının 2000-2024 yılları arasında yapılmış lisansüstü tezlere dair sistematik analizinde ¹⁰, eğitimde yapay zekâ konusundaki çalışmaların sayısında özellikle son yıllarda ciddi bir artış olduğu, ancak çalışmaların büyük çoğunluğunun yüksek lisans düzeyinde ve belirli anabilim dallarında (örneğin Bilgisayar ve Öğretim Teknolojileri Eğitimi) yoğunlaştığı bildirilmiştir. Ayrıca araştırmalarda sıklıkla nicel yöntemler kullanılmış, örneklem olarak öğretmen grubu tercih edilmiş ve içerik analizlerinde yapay zekanın eğitimdeki değişkenler üzerindeki etkileri ön plana çıkmıştır. Benzer şekilde, Akdeniz ve Özdinç’in gerçekleştirdiği içerik analizine göre ¹¹, Türkiye'de eğitimde yapay zeka odaklı yayınların sayısı son yıllarda hızlı bir artış göstermektedir. Her iki çalışma da Türkiye'deki yapay zeka araştırmalarının hem sağlık hem de eğitim alanında tematik olarak dar bir çerçevede ilerlediğini, çok merkezli ve disiplinler arası araştırma ekosisteminin henüz gelişmekte olduğunu ortaya koymaktadır. Bu bağlamda, Türkiye'deki yapay zeka ve derin öğrenme araştırmalarının tematik ve metodolojik çeşitlilik açısından nasıl ilerlediğini değerlendirmek, küresel gelişmelere uyum sağlamak açısından kritik öneme sahiptir.

Bu çalışma, Türkiye'nin sağlık alanında yapay zeka ve makine öğrenimi odaklı akademik üretim sürecini analiz ederek, hem ulusal düzeydeki eğilimleri (disiplinler, akademik seviyeler ve toplumsal temsiliyet bağlamında) detaylandırmakta hem de elde edilen verileri küresel literatürle karşılaştırma imkânı sunmaktadır. Araştırmada, öncelikle yapay zeka ve derin öğrenme teknolojilerinin sağlık alanındaki genel kullanımı güncel literatür ışığında ele alınmış; ardından 2019-2024 yılları arasında Türkiye’de hazırlanmış lisansüstü tezler yıllara, akademik düzeylere ve uzmanlık alanlarına göre incelenmiştir. Elde edilen bulgular, bu teknolojilerin sağlık bilimleri içerisindeki yayılımını ve odaklandığı alanları ortaya koymakta; aynı zamanda Türkiye'nin sağlıkta dijital dönüşüm sürecindeki bilimsel konumunun anlaşılmasına ve bu alandaki küresel eğilimlerle uyumunu artıracak politika önerilerinin geliştirilmesine katkı sağlamaktadır.

Bu çalışmada, Türkiye'de sağlık alanında 2019-2024 yılları arasında yapay zeka ve derin öğrenme teknolojilerinin kullanıldığı 145 adet tez incelenmiştir. Çalışma, sağlık bilimleriyle ilişkili farklı akademik düzeylerde (yüksek lisans, doktora, tıpta uzmanlık, diş hekimliğinde uzmanlık) yapılan tezleri kapsamaktadır. Veriler, tezlerin sayısal dağılımını, cinsiyet oranlarını, disiplinler arası kullanımını ve akademik unvanlara göre ilgisini değerlendirmek amacıyla toplanmıştır.

Veri Kaynakları

Veriler, Türkiye Ulusal Tez Merkezi (YÖK Tez Merkezi) veri tabanından elde edilmiştir. “Derin öğrenme” ve “yapay zeka” anahtar kelimeleri kullanılarak, sağlık bilimleri ile ilgili disiplinlerde yapılmış tezler filtrelenmiştir. İlgili tezlerin başlıkları, özetleri, anabilim dalları ve yıllarına göre sınıflandırılması yapılmıştır. Veriler 2024 yılının Aralık ayında güncellenmiştir. Araştırmacı müdahalesini en aza indirmek amacıyla yalnızca başlık ve özet bilgilerinde bu anahtar kelimeleri içeren, kamuya açık ve tam metnine erişilebilen tezler çalışmaya dahil edilmiştir.

Dahil Edilme ve Hariç Tutulma Kriterleri

Dahil Edilme Kriterleri:

Sağlık bilimleri alanında yapılmış tezler.

Derin öğrenme ve/veya yapay zeka teknolojilerinin birincil odak olduğu tezler.

2019-2024 yılları arasında tamamlanmış tezler.

Hariç Tutulma Kriterleri:

Sağlık dışındaki alanlarda yapılmış tezler.

Anahtar kelimelerle ilişkisiz içerik barındıran tezler.

2019 öncesi veya 2024 sonrası tamamlanmış tezler.

Veri Analizi

Tezler; yıl, akademik düzey (yüksek lisans, doktora, tıpta uzmanlık, diş hekimliği uzmanlığı), anabilim dalı ve öğrenci cinsiyeti gibi değişkenler Excel ortamına sistematik şekilde kodlanmış, ardından Python programlama dili kullanılarak analiz edilmiştir. Python’un pandas kütüphanesi aracılığıyla her bir tez kaydı için yıl, cinsiyet, akademik düzey ve disiplin değişkenleri tanımlanmış ve betimleyici analizler gerçekleştirilmiştir.

Bu kapsamda groupby, value_counts ve pivot_table fonksiyonları kullanılarak:

Tezlerin yıllara ve akademik düzeylere göre sayısal dağılımı,

Tezlerin anabilim dallarına ve öğrenci cinsiyetine göre dağılımı,

Derin öğrenme ve yapay zekâ çalışmalarının disipliner çeşitliliği,

tablo formatında raporlanmıştır.

İstatistiksel Analiz

Tez kategorileri ile ilgili değişkenler arasındaki ilişkileri değerlendirmek amacıyla kategorik veri analiz yöntemleri uygulanmıştır. “Kategori (yapay zeka / derin öğrenme) × öğrenci cinsiyeti” ve “kategori × danışman akademik unvanı” ilişkilerini test etmek için Ki-kare testi kullanılmıştır. Tüm istatistiksel analizler Python’da yürütülmüş ve anlamlılık düzeyi p <0.05 olarak kabul edilmiştir.

Tablo 1: Derin öğrenme ile ilgili yapılan tezlerin anabilim dallarına dağılımı. İçerikler alfabetik olarak yazılmıştır. Besyo: Beden Eğitimi Sağlık ve Meslek Yüksekokulu, KBB: Kulak-Burun-Boğaz Hastalıkları, İSG: İş Sağlığı ve Güvenliği.

Tablo 2’de 2019-2024 yılları arasında Türkiye'de sağlık alanında yapılan yapay zeka tezleri ile ilgili bazı sonuçlar ve değerlendirmeler verilmiştir. Yapay zeka ile yapılan tez sayılarında 2021'den 2023'e kadar belirgin bir artış gözlemlenmektedir. 2021 yılında yalnızca 5 tez bulunurken, 2023'te bu sayı 21'e yükselmiştir. Ancak 2024'te bir miktar azalarak 19 olmuştur.

Disiplinlere Göre Dağılıma bakıldığında Besyo ve radyasyon onkolojisi gibi alanlarda yüksek lisans tezlerinin yer aldığı görülmektedir. Doktorada ise hemşirelik, biyoistatistik, hücresel ve moleküler tıp gibi geniş bir yelpazede yapay zekanın kullanıldığı dikkat çekmektedir. Diş Hekimliği Uzmanlıkları genel olarak ağız-çene cerrahisi, endodonti ve ortodonti gibi alanlarda gerçekleştirilmiştir. Tıp Uzmanlıkta radyoloji, acil tıp, kardiyoloji ve kadın hastalıkları gibi alanlarda yapay zekanın etkili bir şekilde kullanıldığı görülmektedir. Yapay zeka tezleri başlangıçta daha dar bir yelpazede yoğunlaşmışken (ör. radyoloji ve biyoistatistik), sonraki yıllarda daha fazla uzmanlık alanına yayıldığı anlaşılmaktadır. Yine radyoloji, tıbbi biyokimya, kardiyoloji ve cerrahi alanları yapay zekanın sıkça uygulandığı alanlardır (Tablo 2).

Tablo 2: Yapay zeka ile ilgili yapılan tezlerin anabilim dallarına dağılımı. İçerikler alfabetik olarak yazılmıştır. Besyo: Beden Eğitimi Sağlık ve Meslek Yüksekokulu, KBB: Kulak-Burun-Boğaz Hastalıkları, İSG: İş Sağlığı ve Güvenliği.

Tablo 3’e göre, derin öğrenme ve yapay zeka kategorilerindeki tezlerin cinsiyete göre dağılımı büyük ölçüde benzerdir.

Tablo 3: Yapay zeka ve derin öğrenme tezlerinde öğrenci cinsiyet dağılımının karşılaştırılması.

Derin öğrenme alanında çalışan kadın (n =40) ve erkek (n =35) mezun sayıları, yapay zeka alanındaki kadın (n =37) ve erkek (n =33) mezunlara göre hafifçe daha yüksektir. Bununla birlikte Ki-kare testi, cinsiyet dağılımının iki kategori arasında anlamlı biçimde farklılaşmadığını göstermiştir (χ²(1)=0.036, p =0.849). Bu bulgu, her iki alanda da kadın ve erkek mezunların benzer oranlarda temsil edildiğini ve tez konusunun seçiminde cinsiyetin belirleyici bir faktör olmadığını düşündürmektedir.

Danışman akademik unvanı ile tez kategorisi arasındaki ilişki Ki-kare testi ile değerlendirilmiştir (Tablo 4).

Tablo 4: Yapay zeka ve derin öğrenme tezlerinde danışman akademik unvanı dağılımının karşılaştırılması.

Analiz sonucunda unvan dağılımının yapay zeka ve derin öğrenme tezleri arasında anlamlı biçimde farklılaştığı bulunmuştur (χ²(2)=7.62, p =0.022). Buna göre yapay zeka tezlerinde profesör danışman oranı daha yüksekken, derin öğrenme tezlerinde doçent ve Dr. Öğretim Üyesi danışman oranları daha yüksektir.

Elde edilen bulgular, derin öğrenme ve yapay zeka uygulamalarının özellikle 2023 ve 2024 yıllarında ciddi bir artış gösterdiğini ortaya koymaktadır. Bu durum, teknolojilerin yalnızca teknik yeterlilik anlamında değil, akademik kabullenme düzeyi açısından da daha yaygın bir biçimde benimsendiğini göstermektedir. Literatürde de sağlık sektörünün yapay zeka ve derin öğrenme teknolojilerinden giderek daha fazla yararlandığı, bu teknolojilerin sağlık hizmetlerine entegrasyonunun hız kazandığı belirtilmektedir ^1,2. Özellikle radyoloji, biyoinformatik ve görüntüleme teknolojileri gibi veri yoğun alanlarda yapay zeka tabanlı çözümler, tanı ve tedavi süreçlerini iyileştirme potansiyeli nedeniyle öne çıkmaktadır.

Çalışma bulguları, yapay zeka ve derin öğrenme konulu tezlerin başlangıçta daha dar bir uzmanlık alanında (özellikle radyoloji ve biyoistatistik gibi disiplinlerde) yoğunlaştığını; ancak zamanla tıp, diş hekimliği, biyofizik gibi farklı sağlık disiplinlerine yayıldığını göstermektedir. Bu durum, teknolojilerin farklı klinik problemleri çözme kapasitesine duyulan güvenin arttığını ve multidisipliner yaklaşımların benimsendiğini göstermektedir. Örneğin nöroloji, kardiyoloji ve radyoloji gibi uzmanlık alanlarında yapay zeka ve derin öğrenme temelli uygulamaların etkili sonuçlar verdiği ve bu alanlara özgü tezlerin literatürdeki varlığı bu eğilimi desteklemektedir ^5,12.

Çalışmada yapılan ikinci Ki-kare analizi, tez danışmanlarının akademik unvanları ile tercih edilen araştırma kategorisi arasında anlamlı bir ilişki olduğunu göstermiştir (χ²(2)=7.62, p =0.022). Bulgular, yapay zeka temalı tezlerin daha çok profesör ve doçent düzeyindeki kıdemli akademisyenler tarafından yürütüldüğünü; derin öğrenme temalı tezlerin ise Dr. Öğretim Üyesi düzeyindeki daha genç akademisyenler tarafından daha fazla yönlendirildiğini ortaya koymuştur. Bu durum, yapay zekanın Türkiye’de görece daha köklü ve yerleşik bir akademik geçmişe sahip olduğunu, derin öğrenmenin ise yükselen, dinamik ve daha yenilikçi bir alt alan olarak genç akademisyenler tarafından sahiplenildiğini düşündürmektedir.

Ancak, tezlerin tematik kapsamı değerlendirildiğinde Türkiye’deki çalışmaların hala sınırlı içerikte kaldığı görülmektedir. Türkiye literatüründe yapay zekanın tıbbi alanlardaki kullanımına yönelik çalışmalar bulunsa da, bu çalışmalar genellikle klinik uygulama odaklı olup, akademik üretim eğilimlerini sistematik olarak inceleyen bibliyometrik analizler sınırlıdır ⁹. Literatürde yer alan küresel bibliyometrik analizlerle karşılaştırıldığında, Türkiye adresli tezlerin büyük bir bölümünün sınıflandırma algoritmaları, tanı destek sistemleri ve temel teorik uygulamalara odaklandığı, buna karşın robotik uygulamalar, klinik veri sistemleriyle entegrasyon veya yapay zeka destekli tıbbi cihazlar gibi ileri düzey temaların yeterince temsil edilmediği saptanmıştır ^13-15. Bu durum, Türkiye’de sağlık bilişimi ve mühendislik temelli multidisipliner iş birliklerinin henüz sınırlı düzeyde olduğunu düşündürmektedir.

Bu çalışmanın önemli yönlerinden biri de, öğrenci cinsiyet dağılımının analiz edilmesiyle eğitim politikalarının eşitlikçi yapısının değerlendirilmesine katkı sunmasıdır. Kadın öğrencilerin mezuniyet oranlarındaki göreceli artış, üniversitelerin erişim ve burs politikalarının kadınlar açısından daha işlevsel hâle geldiğini göstermektedir. Ancak cinsiyet farklılığının istatistiksel olarak anlamlı olmaması, bu eğilimin daha derinlemesine incelenmesi gerektiğini ve mezuniyet sonrası yayın, doktora ve istihdam süreçlerinde kadın temsilinin izlenmesinin önemini ortaya koymaktadır.

Yapay zeka ve derin öğrenme teknolojilerinin sağlık alanındaki kullanımının yaygınlaşması, birçok fırsat ve beraberinde bazı zorluklar getirmektedir. Görüntüleme analizlerinde hata paylarının azaltılması, daha hassas teşhislerin yapılabilmesi ve tedavi süreçlerinin kişiselleştirilmesi gibi avantajlar bu teknolojilerin doğrudan katkılarındandır ³. Buna karşın veri güvenliği, mahremiyet, algoritmaların karar süreçlerinde şeffaflık sağlayamaması ve etik denetimin yetersizliği gibi sınırlılıklar, bu teknolojilerin hem araştırma hem de klinik uygulamalarında dikkatle yönetilmesi gereken risklerdir ¹².

Çalışmanın bulguları sağlık politikaları açısından değerlendirildiğinde, Türkiye’de yapay zeka temelli tez çalışmalarının önemli bir bilimsel potansiyele sahip olduğunu, ancak bu potansiyelin sağlık sistemine entegrasyonu için daha planlı ve sürdürülebilir politikalara ihtiyaç olduğunu göstermektedir. Sağlık Bakanlığı ve üniversiteler arasında iş birliğine dayalı projeler, klinik veri altyapılarının araştırmacılara açılması ve multidisipliner mentorluk programlarının teşvik edilmesi bu alandaki üretkenliği artırabilir. Ayrıca kamu destekli fonların yalnızca yazılım geliştirmeye değil, klinik entegrasyon, hasta güvenliği ve kullanıcı eğitimi gibi alanlara yönlendirilmesi, Türkiye’nin sağlıkta dijital dönüşüm sürecine stratejik katkılar sağlayacaktır.

Bu çalışmanın bazı sınırlılıkları bulunmaktadır. Öncelikle yalnızca YÖK Ulusal Tez Merkezi’ne kayıtlı tezler analiz edilmiş olup bu tezlerin önemli bir kısmı henüz hakemli yayına dönüşmemiştir. Bu durum, çalışmanın bilimsel görünürlük açısından bazı sınırlamalar taşıdığını göstermektedir. İkinci olarak, öğrencilerin cinsiyet bilgileri doğrudan verilmediğinden, isimlere dayalı sınıflama yapılmış ve bu yöntem potansiyel önyargı içerebilmektedir. Ayrıca tematik sınıflama yalnızca başlık ve özetlere dayanmış; yöntem, veri seti ve klinik uygulama gibi ayrıntılar analiz dışında kalmıştır. Son olarak, bibliyometrik yöntemin doğası gereği tezlerin klinik etkisi veya uygulama değeri gibi nitel veriler değerlendirilmemiştir.

Tüm bu sınırlamalara rağmen, bu çalışma Türkiye’de sağlık alanında yapay zeka ve derin öğrenme temelli lisansüstü araştırmaların mevcut durumunu sistematik biçimde ele alan ilk kapsamlı analizlerden biridir. Elde edilen bulgular, hem sağlık politikalarının yeniden yapılandırılması hem de üniversitelerin eğitim planlamalarının güncellenmesi açısından yol gösterici niteliktedir.