E
Enhar Ormeci
Misafir
Misafir
Kontrastlı bir karın BT incelemesi yüzlerce kesit, onlarca organ ve gözden kaçmaması gereken çok sayıda olası bulgu demektir. Radyolojideki günlük zorluk tam da budur. Peki bu incelemeyi, hasta verisi kurum dışına hiç çıkmadan, masaüstündeki tek bir sistemde değerlendirmek mümkün olsaydı?
OpenZeka’da geliştirdiğimiz MedPortal bu soruya yanıt veriyor. Tek bir web arayüzü üzerinden, aynı NVIDIA DGX Spark üzerinde çalışan iki büyük tıbbi yapay zekâ modelini buluşturuyor. Bu yazıda sistemin bileşenlerini, canlı bir vakadaki çıktısını ve DGX Spark’ın neden bu kullanım senaryosu için uygun olduğunu anlatıyoruz.
Canlı sistem ekranı: RADAR’ın resmi demo vakası (AC423ccbe) uçtan uca çalıştırıldı. 184/368. kesitte ve 0,50 eşiğinde üç bulgu öne çıktı: kardiyomegali 0,83; kalsifikasyon 0,70; ateroskleroz 0,58.
Tek sistemde iki güçlü model
MedPortal, iki yüksek kapasiteli modeli aynı DGX Spark üzerinde hazır tutuyor:
- RADAR, kontrastlı karın BT’lerini uzman düzeyinde analiz eder. Bir
.nii.gzhacmi yüklendiğinde 146 bulgunun her biri için skor, etkileşimli kesit görüntüleyici ve CSV dışa aktarımı üretir. Science‘ta (2026) yayımlanan model, 400 binden fazla kontrastlı karın BT incelemesi ve anatomik bağlama sahip 15 milyon görüntü-metin çiftiyle eğitildi. - ClinFusion-32B, güçlü görsel yeteneklere sahip çok modlu bir tıbbi dil modelidir (temel model: Qwen3-VL-32B). Doğal dille soru sorabilir; 2B görüntüler ya da 3B BT/MR hacimleri ekleyerek vakayı, konuşma bağlamını koruyan bir diyalogla değerlendirebilirsiniz.
Bu iki iş yükünü aynı sistemde tutmak asıl farkı yaratıyor. RADAR üç boyutlu bir görsel kodlayıcı kullanırken ClinFusion; 32B temel model, DINOv2 ve CLIP-ConvNeXt görsel kodlayıcıları ile 3B konumsal kodlama dahil yaklaşık 180 GB ağırlığa sahip. Yanıtların hızlı gelmesi için bu ağırlıkların bellekte kalması gerekiyor.
DGX Spark’ın 128 GB birleşik belleği, bu ihtiyacı karşılıyor. 32B model yaklaşık 14 dakikada bir kez yükleniyor, yaklaşık 75 GB bellek kullanarak hazır kalıyor ve sonraki sohbet isteklerinde yeniden yükleme gecikmesi yaşanmıyor. Bu kapasite olmadan sistem ya diskten katman katman çalışmak ya da iki ayrı makineye bölünmek zorunda kalırdı.
Canlı deneme: Tek vakada 146 bulgu, saniyeler içinde
Gerçek koşullarda test etmek için RADAR’ın resmi demo vakasını, 368 kesitli kontrastlı karın BT incelemesi AC423ccbe’yi canlı portala yükledik. Yükleme, kesit görüntüleme ve analiz doğrudan portal üzerinden gerçekleştirildi.
| Bulgu | Organ | Skor |
|---|---|---|
| Kardiyomegali | KALP | 0,833 |
| Kalsifikasyon | AORT | 0,697 |
| Ateroskleroz | AORT | 0,578 |
Eşiği 0,30’a indirdiğimizde tablo sekiz bulguya genişledi. Lipom (0,41), kaburga kırığı (0,39), aort diseksiyonu (0,38), perikardiyal efüzyon (0,36) ve mezenterik pannükülit (0,32) bunlar arasındaydı. Model belleğe yüklendikten sonra analizler 10–30 saniye aralığında tamamlanıyor; bu vakada sonuç tablosu dakikalar değil, saniyeler içinde doldu.
Aynı vaka 0,30 eşiğinde daha duyarlı biçimde taranıyor. Sol altta kesit gezinme ve pencereleme kontrolleri (yumuşak doku / akciğer / kemik) bulunuyor.
Arayüz, radyoloji iş akışını hızlandıran araçları tek noktada topluyor: organ bazında gruplama, bulgu adına göre arama, en yüksek skorlu bulgular için hızlı seçim etiketleri, yumuşak doku/akciğer/kemik pencere ön ayarları, klavyeden kesit gezinme (←/→ tek kesit, PgUp/PgDn ±10), fare tekerleğiyle yakınlaştırma ve tüm skorların CSV dışa aktarımı.
Boş durum: sürükle-bırak yükleme alanı, görüntüleyici ve 146 bulguluk panel.
Yükleme gösteriminde kullandığımız örnek görsel de bir karın BT kolajı:
ClinFusion ile vakayı konuşarak değerlendirmek
İkinci sekme, 32B modelle doğal dilde iletişim kurmayı sağlıyor. Bir 2B görüntü (
.jpg/.png) veya tam bir 3B hacim (.nii.gz) ekleyip örneğin “Bu görüntüde öne çıkan bulgular neler?” diye sorabilirsiniz. Ekler yan panelde listelenir, “✓ gönderildi” olarak işaretlenir ve takip sorularında yeniden kullanılabilir. Yanıtlar konuşma bağlamını korur.3B hacim eklendiğinde model, hacim verisiyle birlikte temsili kesitleri de değerlendirir. ClinFusion bu nedenle sohbet kutusuna eklenmiş basit bir görüntü sınıflandırıcı değildir; hacimsel veriyi dikkate alarak vakayı tartışabilen bir yardımcıdır.
Örnek görüntü eklendi ve soru yazıldı.
Örnek görsel üzerinde şu soruyu sorduk: “Bu kontrastlı karın BT görüntüsünü değerlendirin: Hangi organlar görülüyor ve öne çıkan bulgular neler? Kısa bir klinik değerlendirme yapın.” Modelin DGX Spark üzerinde canlı olarak ürettiği yanıtın Türkçe karşılığı şöyleydi:
Model yanıtı; soru ve ek bağlamıyla birlikte portalda gösteriliyor.
Neden DGX Spark?
Bu sistemi yalnızca “bir sunucuya yerleştirmek” için tasarlamadık. Tasarım kararlarını klinik ortamın gerçek ihtiyaçları belirledi.
1. Veri kurum dışına çıkmamalı. BT hacimleri hasta verisidir; bunları buluta göndermek hem uyum hem de güven açısından hassasiyet yaratır. DGX Spark masaüstünde yer alır; portal yerel ağdan açılır ve görüntüler makine dışına çıkmaz. Böylece ağ gecikmesi, aylık bulut maliyeti ve ek veri işleme sözleşmesi gereksinimi de ortadan kalkar.
2. 128 GB birleşik bellek doğru kapasiteyi sunuyor. Çalışan 32B modelin yaklaşık 75 GB’lık ağırlıkları, RADAR’ın çalışma kümesi ve işletim sistemi aynı sistemde rahatça barınır. Ağırlıklar bir kez yüklenip bellekte tutulur; CPU-GPU arasında ek kopyalama ya da diskten katman katman taşıma gerekmez.
3. Tek GPU, tek kuyruk, iki yetenek. MedPortal her iki modeli tek GPU kuyruğu üzerinden sıralar. İşler birbirini ezmez; durum çubuğu hangi işin sırada olduğunu gösterir. Aynı sistem hem radyolojik ön değerlendirme hem de vaka üzerinden diyalog için kullanılabilir.
4. Masaüstü form faktörü. Gürültülü bir sunucu odası rafı yerine klinikte, laboratuvarda veya radyoloji masasının yanında bulunabilecek sessiz bir sistemdir. Bir kez
./run.sh ile başlatıldıktan sonra sağlık kontrolü için ./status.sh, belleği boşaltmak için ./stop.sh, uçtan uca kontrol için ./scripts/smoke.sh yeterlidir.5. AArch64 ekosistemi pratikte hazır. GB10 üzerinde karşılaştığımız aarch64 FlashAttention paketi, seçici bağımlılık kurulumu ve conda ortam yolları gibi sorunlar proje içinde çözüldü.
scripts/ altındaki kurulum araçları yeni bir Spark’ı saatler yerine dakikalar içinde hazır hale getiriyor. Arayüz, derleme adımı veya CDN bağımlılığı gerektirmeyen sade HTML/JS ile sunuluyor.Mimari: Orkestrasyon katmanı olarak MedPortal
MedPortal model ağırlıklarını doğrudan tutmaz ve çıkarım yapmaz; görevleri yöneten bir orkestrasyon katmanıdır:
Copy to Clipboard
[Web UI (8080)] → [FastAPI backend] → [tek GPU kuyruğu] │ │ ├─ RADAR: alt süreç, NIfTI kesitleme, CSV └─ ClinFusion: bellekte çalışan işçi (8100, yalnızca localhost)
- Yüklemeler tek bir konumda tutulur; 3B hacimler görüntüleyici için arka uçta kesitlere ayrılır.
- RADAR ayrı bir süreçte çalışır; ClinFusion ise modeli bellekte tutan kalıcı bir HTTP işçisidir.
- Tüm yollar ve portlar ortam değişkenleriyle değiştirilebilir; aynı kod deposu başka bir Spark’a değişmeden taşınabilir.
- Geliştirme tarafında 74 test arka ucu doğrular;
smoke.shuçtan uca “146 findings + SMOKE OK” sonucu üretir.
Kurulum
Tek sistem, üç adım: Miniconda, üç kod deposu (medportal + RADAR + ClinFusion) ve iki kurulum betiği.
Copy to Clipboard
git clone
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
cd medportal ./scripts/setup_radar.sh # ortam + bağımlılıklar + yaklaşık 6 GB kontrol noktası ./scripts/setup_clinfusion.sh # ortam + aarch64 FlashAttention paketi # ağırlıklar (~180 GB) huggingface-cli ile indirildikten sonra: ./run.sh # işçiyi bekler, portalı 8080 portunda açarSahadaki ayrıntılar projede kayıtlıdır: yalnızca çıkarım yolunun gerçekten kullandığı bağımlılıklar kurulur, aarch64 için bulunmayan paketler atlanır, 32B modelin ilk yüklenmesi yaklaşık 14 dakika sürer ve bu süreç
logs/worker.log içinde görülebilir. Kurulum betikleri yapılacak işlemleri önce --dry-run ile açıkça gösterir.Sınırlar ve doğru kullanım
Tıbbi yapay zekâda sınırları açıkça belirtmek zorunludur:
- Skorlar klinik tanı veya tek başına olasılık değildir. RADAR’daki “Liver_Cirrhosis için 0,71” skoru, modelin görüntü kanıtına dayalı çıktısıdır; hastanın siroz olma olasılığını doğrudan ifade etmez. Nihai değerlendirme klinisyen ve radyoloji raporundadır; düşük skor bir bulguyu dışlamaz.
- RADAR yalnızca araştırma amaçlıdır. Üst lisansı (CC BY-NC-SA 4.0) ticari ya da klinik kullanım için onaylı değildir. Modelin eğitim dağılımı dışındaki verilerde, özellikle kontrastlı karın BT dışındaki incelemelerde, sonuçlar güvenilir olmayabilir.
- Aynı anda tek analiz yapılabilir. GPU paylaşıldığı için işler kuyruktan geçer. Bu, toplu iş yükleri için bilinçli bir tasarım tercihidir.
- Sistem, onaylı bir tıbbi cihaz değildir; araştırma ve karar desteği gösterimidir.
Sonuç
MedPortal’ın gösterdiği şey yalnızca iki modelin birlikte çalışması değil; masaüstündeki tek bir sistemin bugün neleri taşıyabildiğidir. 32B çok modlu bir tıbbi modeli bellekte hazır tutmak ve bunun yanında uzman düzeyinde karın BT analizi çalıştırmak, yakın zamana kadar sunucu rafı gerektiren bir işti.
NVIDIA DGX Spark bunu klinik iş akışının hemen yanında, veriyi kurum dışına çıkarmadan ve tek komutla çalışacak biçimde mümkün kılıyor. “Bu karın BT’sinde gözden kaçırıyor olabileceğim ne var?” sorusunun yanıtı artık mutlaka bulutta olmak zorunda değil; radyoloji masasının yanındaki kutuda da bulunabilir.
Kaynaklar ve ileri okuma
Modellerin resmi kaynakları
- RADAR makalesi:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız., Science 393(6817), eaec6129
- RADAR ağırlıkları:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.| kod:Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
- ClinFusion makalesi:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.| ağırlıklar:Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.| kod:Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
- MedPortal:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
Tıbbi görüntülemede yapay zekâ üzerine ilgili içerikler
- ScienceDaily:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
- ScienceDaily:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
- LOG:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.