Hafta 1 · Yapay Zeka Tıbbı Nasıl Dönüştürüyor? İlk Kod

Yapay Zeka ve Sağlık · Fırat Üniversitesi Tıp Fakültesi

Bu defter dersin ilk saatinde birlikte çalıştıracağımız kodları içerir. Hiçbir şey kurmanız gerekmez: sağ üstteki Bağlan düğmesine basın, sonra her hücrenin solundaki ▶ simgesine tıklayın (veya Shift+Enter).

Amaç bugün Python öğrenmek değil; bir hekimin tarayıcıdan çıkmadan gerçek veriyle ve yapay zekayla neler yapabildiğini görmek. Kodların hepsi hazır. Sizden beklenen yazmak değil: çalıştırmak, okumak ve ne olduğunu söylemek.

0 · Merhaba

Bilgisayara bir şey söyletmek için print() kullanırız. Tırnak içindeki metni ekrana yazar.

print("Merhaba! Bu ders için yazdığım ilk satır.")

Merhaba! Bu ders için yazdığım ilk satır.

Şimdi adınızı yazın ve çalıştırın. Hata alırsanız korkmayın; hata mesajı bize ne olduğunu söyler.

ad = "Adınızı buraya yazın"
print("Merhaba", ad, "— Yapay Zeka ve Sağlık dersine hoş geldin.")

Merhaba Adınızı buraya yazın — Yapay Zeka ve Sağlık dersine hoş geldin.

1 · Hesap makinesinden fazlası: ilk klinik hesap

Bir hastanın kilosu ve boyu var. Vücut kitle indeksini (VKİ) elle hesaplamak yerine bilgisayara hesaplatıyoruz. kilo ve boy birer değişken: bir değeri isimle saklayan kutu.

kilo = 82      # kg
boy = 1.74     # m

vki = kilo / boy ** 2
print("VKİ:", round(vki, 1))

if vki < 18.5:
    print("Zayıf")
elif vki < 25:
    print("Normal")
elif vki < 30:
    print("Fazla kilolu")
else:
    print("Obez")

VKİ: 27.1
Fazla kilolu

Deneyin: kilo değerini 60 yapın ve hücreyi yeniden çalıştırın. Sınıflama değişti mi?

2 · Tek hasta değil, tüm servis

Asıl güç, aynı işlemi yüzlerce hasta için tek seferde yapabilmekte. Aşağıda 8 hastanın kilo/boy listesi var. Bir döngü ile hepsini dolaşıyoruz.

hastalar = [
    ("H1", 82, 1.74), ("H2", 58, 1.62), ("H3", 95, 1.80), ("H4", 70, 1.68),
    ("H5", 110, 1.71), ("H6", 49, 1.60), ("H7", 77, 1.85), ("H8", 88, 1.66),
]

for kod, kilo, boy in hastalar:
    vki = kilo / boy ** 2
    uyari = "  ← dikkat" if vki >= 30 else ""
    print(f"{kod}: VKİ {vki:4.1f}{uyari}")

H1: VKİ 27.1
H2: VKİ 22.1
H3: VKİ 29.3
H4: VKİ 24.8
H5: VKİ 37.6  ← dikkat
H6: VKİ 19.1
H7: VKİ 22.5
H8: VKİ 31.9  ← dikkat

2b · Bir hatayı okumak

Kodlayan hekimin ilk becerisi: hata mesajından korkmamak. Aşağıdaki hücre bilerek hata verecek. np adında bir şey kullanıyoruz ama onu henüz tanıtmadık (import etmedik). Çalıştırın ve son satırı okuyun.

ortalama_vki = np.mean([27.1, 22.1, 29.3, 24.8])
print(ortalama_vki)

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[5], line 1
----> 1 ortalama_vki = np.mean([27.1, 22.1, 29.3, 24.8])
      2 print(ortalama_vki)

NameError: name 'np' is not defined

NameError: name 'np' is not defined → "np diye bir şey tanımıyorum." Çözüm, eksik olan kütüphaneyi çağırmak. Bir yapay zeka asistanına bu hata mesajını yapıştırsanız aynı şeyi söyler; ama siz zaten okuyabildiniz.

import numpy as np          # ← eksik olan satır: kütüphaneyi tanıtıyoruz

ortalama_vki = np.mean([27.1, 22.1, 29.3, 24.8])
print("Ortalama VKİ:", round(ortalama_vki, 1))

Ortalama VKİ: 25.8

Bir de def görelim. Aşağıdaki kod bir fonksiyon tanımlıyor: VKİ hesabını isimlendirip tekrar kullanılabilir yapıyor. Bu kodu siz yazmadınız; yapay zeka yazmış olabilir. Sorun şu: ne yapıyor? Satır satır okuyup söyleyin.

def vki_hesapla(kilo, boy):
    """Kilo (kg) ve boy (m) alır, VKİ döndürür."""
    return kilo / boy ** 2

print(vki_hesapla(82, 1.74))
print(vki_hesapla(58, 1.62))

27.08415906989034
22.10028959000152

3 · Gerçek bir sağlık veri seti, 3 satırda

Şimdi internetten gerçek bir veri seti indiriyoruz: Pima Kızılderilileri Diyabet Veri Seti (768 kadın hasta, glukoz, kan basıncı, VKİ, yaş ve diyabet tanısı). Bu, dünyada makine öğrenmesi öğretiminde en çok kullanılan tıbbi veri setlerinden biri.

pandas kütüphanesi tablo verisiyle çalışmak için; Excel gibi düşünün ama programlanabilir.

import pandas as pd

url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"
sutunlar = ["gebelik", "glukoz", "kan_basinci", "cilt_kalinligi", "insulin", "vki", "soyagaci", "yas", "diyabet"]

try:
    df = pd.read_csv(url, names=sutunlar)
except Exception as e:  # çevrimdışı çalışıyorsak küçük bir örnek üret
    import numpy as np
    rng = np.random.default_rng(0)
    df = pd.DataFrame({"gebelik": rng.integers(0, 10, 768), "glukoz": rng.normal(120, 30, 768).round(),
        "kan_basinci": rng.normal(70, 12, 768).round(), "cilt_kalinligi": rng.normal(20, 10, 768).round(),
        "insulin": rng.normal(80, 100, 768).clip(0).round(), "vki": rng.normal(32, 7, 768).round(1),
        "soyagaci": rng.random(768).round(3), "yas": rng.integers(21, 70, 768), "diyabet": rng.integers(0, 2, 768)})
    print("İnternet yok; sentetik örnek veri kullanılıyor.")

print("Satır sayısı (hasta):", len(df))
df.head()

Satır sayısı (hasta): 768

	gebelik	glukoz	kan_basinci	cilt_kalinligi	insulin	vki	soyagaci	yas	diyabet
0	6	148	72	35	0	33.6	0.627	50	1
1	1	85	66	29	0	26.6	0.351	31	0
2	8	183	64	0	0	23.3	0.672	32	1
3	1	89	66	23	94	28.1	0.167	21	0
4	0	137	40	35	168	43.1	2.288	33	1

Her satır bir hasta, her sütun bir ölçüm. Son sütun diyabet: 1 = tanı var, 0 = yok.

Bir bakışta özet istatistik:

df.describe().round(1)

	gebelik	glukoz	kan_basinci	cilt_kalinligi	insulin	vki	soyagaci	yas	diyabet
count	768.0	768.0	768.0	768.0	768.0	768.0	768.0	768.0	768.0
mean	3.8	120.9	69.1	20.5	79.8	32.0	0.5	33.2	0.3
std	3.4	32.0	19.4	16.0	115.2	7.9	0.3	11.8	0.5
min	0.0	0.0	0.0	0.0	0.0	0.0	0.1	21.0	0.0
25%	1.0	99.0	62.0	0.0	0.0	27.3	0.2	24.0	0.0
50%	3.0	117.0	72.0	23.0	30.5	32.0	0.4	29.0	0.0
75%	6.0	140.2	80.0	32.0	127.2	36.6	0.6	41.0	1.0
max	17.0	199.0	122.0	99.0	846.0	67.1	2.4	81.0	1.0

Klinik soru: Diyabetli hastaların glukoz ortalaması diyabetsizlerden ne kadar farklı? Elle saatler sürecek işlem, tek satır:

df.groupby("diyabet")[["glukoz", "vki", "yas"]].mean().round(1)

	glukoz	vki	yas
diyabet
0	110.0	30.3	31.2
1	141.3	35.1	37.1

4 · Veriyi görmek

Sayı tablosu yerine grafik. Glukoz dağılımını diyabet durumuna göre çiziyoruz.

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(8, 4))
for etiket, renk, ad in [(0, "#0f4c5c", "Diyabet yok"), (1, "#e4572e", "Diyabet var")]:
    ax.hist(df.loc[df.diyabet == etiket, "glukoz"], bins=30, alpha=0.6, color=renk, label=ad)
ax.axvline(126, color="black", linestyle="--", linewidth=1)
ax.text(128, ax.get_ylim()[1] * 0.9, "126 mg/dL eşiği", fontsize=9)
ax.set_xlabel("Açlık glukozu (mg/dL)")
ax.set_ylabel("Hasta sayısı")
ax.set_title("Glukoz dağılımı — diyabet durumuna göre")
ax.legend()
plt.tight_layout()
plt.show()

Tartışma: İki dağılım örtüşüyor. Tek başına glukoz tanı koymaya yeter mi? Bu örtüşme, ileride öğreneceğimiz duyarlılık/özgüllük kavramının ta kendisi.

5 · Bir dakikada "yapay zeka": bilgisayar kendi kuralını öğreniyor

Şimdiye kadar kuralı biz yazdık (VKİ eşikleri). Makine öğrenmesinde kuralı veri yazar. Aşağıda bilgisayara 768 hastanın verisini verip "diyabeti tahmin et" diyoruz. Bunun nasıl çalıştığını 12–13. haftalarda öğreneceğiz; bugün sadece olabildiğini görüyoruz.

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

X = df[["glukoz", "vki", "yas", "kan_basinci"]]
y = df["diyabet"]

X_egitim, X_test, y_egitim, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = LogisticRegression(max_iter=1000)
model.fit(X_egitim, y_egitim)               # ← öğrenme burada oluyor

dogruluk = model.score(X_test, y_test)
print(f"Modelin hiç görmediği {len(X_test)} hastada doğruluk: %{dogruluk*100:.0f}")

Modelin hiç görmediği 231 hastada doğruluk: %72

Yeni bir hasta gelsin: 55 yaşında, glukoz 150, VKİ 33, kan basıncı 80. Model ne diyor?

yeni_hasta = pd.DataFrame([[150, 33, 55, 80]], columns=X.columns)
olasilik = model.predict_proba(yeni_hasta)[0, 1]
print(f"Diyabet olasılığı: %{olasilik*100:.0f}")

Diyabet olasılığı: %76

Dikkat: Bu %'lik bir tanı değil, bir olasılık. Modelin kimlerde yanıldığını, hangi gruplarda kötü çalıştığını bilmeden klinikte kullanılamaz. Dersin ikinci yarısı tam da bunu sorgulamayı öğretiyor.

6 · Büyük dil modeline Python'dan soru sormak

ChatGPT'yi tarayıcıda kullandınız. Aynı modelle kod içinden de konuşabilirsiniz; böylece yüzlerce hastaya ait bulguyu otomatik özetletmek, sınav sorusu üretmek, çıktıyı tabloya dökmek mümkün olur.

Bunun için bir API anahtarı gerekir. Ders sırasında öğretim üyesinin anahtarıyla çalıştırılacak; kendiniz denemek için:

1. Sol menüde 🔑 Secrets bölümüne LLM_API_KEY adıyla anahtarınızı ekleyin (Gemini için aistudio.google.com ücretsiz anahtar verir).
2. Gerekirse BASE_URL ve MODEL değerlerini sağlayıcınıza göre değiştirin.

Anahtar yoksa hücre hata vermez, sadece açıklama basar.

import os

# Sağlayıcıya göre değiştirilebilir (OpenAI-uyumlu uç noktalar): Gemini, OpenAI, Groq, OpenRouter...
BASE_URL = "https://generativelanguage.googleapis.com/v1beta/openai/"
MODEL = "gemini-3.6-flash"

def anahtar_al():
    try:
        from google.colab import userdata      # Colab'de Secrets
        return userdata.get("LLM_API_KEY")
    except Exception:
        return os.environ.get("LLM_API_KEY")   # yerelde ortam değişkeni

API_KEY = anahtar_al()
print("Anahtar bulundu." if API_KEY else "Anahtar yok — bu bölüm derste öğretim üyesinin anahtarıyla gösterilecek.")

Anahtar yok — bu bölüm derste öğretim üyesinin anahtarıyla gösterilecek.

soru = f"""Aşağıdaki tablo bir diyabet veri setinde diyabetli ve diyabetsiz hastaların ortalama değerleridir.
Tıp fakültesi 1. sınıf öğrencime 3 cümleyle, sade Türkçeyle yorumla. Tanı koyma, sadece veriyi anlat.

{df.groupby("diyabet")[["glukoz", "vki", "yas"]].mean().round(1).to_string()}
"""

if API_KEY:
    try:
        from openai import OpenAI
    except ImportError:
        import subprocess, sys
        subprocess.run([sys.executable, "-m", "pip", "install", "-q", "openai"], check=True)
        from openai import OpenAI
    istemci = OpenAI(api_key=API_KEY, base_url=BASE_URL)
    # Update the model name as suggested by the error message
    MODEL = "gemini-3.6-flash"
    yanit = istemci.chat.completions.create(model=MODEL, messages=[{"role": "user", "content": soru}])
    print(yanit.choices[0].message.content)
else:
    print("Gönderilecek istem (prompt) şuydu:\n")
    print(soru)

Tablodaki veriler incelendiğinde, diyabetli grubun (1) ortalama glukoz, vücut kitle indeksi (VKİ) ve yaş değerlerinin diyabetsiz gruba (0) göre her üç parametrede de daha yüksek olduğu görülmektedir. Diyabetli bireylerde ortalama glukoz 141.3, VKİ 35.1 ve yaş 37.1 iken; diyabetsiz grupta bu değerler sırasıyla 110.0, 30.3 ve 31.2 olarak kaydedilmiştir. Özetle bu veri seti, diyabet tanımlı grupta kan şekeri seviyesi, vücut kitle indeksi ve yaş ortalamasının belirgin şekilde daha yüksek seyrettiğini ortaya koymaktadır.

Tartışma: Model bu yorumu nereden biliyor? Yanlış bir şey söylediyse nasıl fark ederiz? Bu soruların yanıtı 17. haftada.

7 · Bugün ne gördük?

Dakika	Ne yaptık	Hangi haftada derinleşecek
5	İlk print, değişken	Hafta 2
10	VKİ hesabı, koşullar, döngü	Hafta 2–3
5	Bir hatayı okumak, import ve def tanımak	Hafta 3–4
10	Gerçek veri setini yükleme ve özetleme	Hafta 6–7
5	Grafik	Hafta 8–9
10	İlk makine öğrenmesi modeli	Hafta 12–13
5	Python'dan LLM'e soru	Hafta 17–20

Eve ödev (isteğe bağlı, 10 dk): Bu defteri kendi Google hesabınıza kopyalayın (Dosya → Drive'a kopya kaydet), bölüm 1'deki VKİ hesabını kendi değerlerinizle çalıştırın ve bölüm 2'deki listeye bir hasta ekleyin.