Maikling sagot: Hindi lubos na mapapalitan ng AI ang mga radiologist sa lalong madaling panahon; pangunahin nitong ina-automate ang mga makikitid na gawain tulad ng triage, pagtukoy ng pattern, at mga pagsukat, habang itinutulak ang papel patungo sa pangangasiwa, malinaw na komunikasyon, at mataas na nakataya na paghatol. Kung ang mga radiologist ay hindi umaangkop sa mga workflow na pinapagana ng AI, nanganganib silang maisantabi, ngunit ang klinikal na responsibilidad ay mananatili pa rin sa mga tao.
Mga pangunahing punto:
Pagbabago ng daloy ng trabaho : Asahan na mabilis na mapapalaki ang mga bahagi ng triage, pagsukat, at suporta para sa "pangalawang mambabasa".
Pananagutan : Ang mga radiologist ang nananatiling responsableng lumagda sa klinikal na pag-uulat na sinusuportahan ng AI.
Pagpapatunay : Magtiwala lamang sa mga tool kung nasubukan na sa iba't ibang site, scanner, at populasyon ng pasyente.
Paglaban sa maling paggamit : Bawasan ang ingay na alerto at magbantay laban sa mga tahimik na pagkabigo, pag-anod, at pagkiling.
Paghahanda para sa Hinaharap : Alamin ang mga paraan ng pagkabigo ng AI at sumali sa pamamahala upang pangasiwaan ang ligtas na pag-deploy.
Mga artikulong maaaring gusto mong basahin pagkatapos nito:
🔗 Papalitan ba ng AI ang mga doktor: kinabukasan ng medisina
Makatotohanang pagtingin sa papel ng AI sa modernong medikal na kasanayan.
🔗 Paano nakakatulong ang AI sa agrikultura
Mga paraan kung paano pinapabuti ng AI ang ani, pagpaplano, at paggawa ng desisyon sa bukid.
🔗 Bakit masama ang AI para sa lipunan
Ang mga panganib tulad ng pagkiling, pagkawala ng trabaho, pagmamatyag, at maling impormasyon ay nakakapinsala.
🔗 Paano natutuklasan ng AI ang mga anomalya
Paano minamarkahan ng mga modelo ang hindi pangkaraniwang pag-uugali sa data at mga sistema.
Ang prangkang pagsusuri sa katotohanan: kung ano ang ginagawa ng AI ngayon ✅
Ang AI sa radiology ngayon ay kadalasang malakas sa mga makikitid na trabaho:
-
Pag-flag ng mga agarang natuklasan para matanggal sa pila ang mga nakakatakot na pag-aaral (triage) 🚨
-
Paghahanap ng mga "kilalang pattern" tulad ng mga nodule, pagdurugo, bali, emboli, atbp.
-
Pagsukat ng mga bagay na kayang sukatin ng tao ngunit ayaw niyang sumukat (mga volume, laki, pagbabago sa paglipas ng panahon) 📏
-
Tumutulong sa mga programa sa screening na pamahalaan ang dami ng tao nang hindi nasusugatan ang mga tao
At hindi lang ito basta usap-usapan: ang regulated, in-clinic radiology AI ay bumubuo na ng malaking bahagi ng larangan ng clinical AI device . Isang pagsusuri sa taxonomy noong 2025 ng mga medical device na awtorisado ng FDA na AI/ML (sumasaklaw sa mga awtorisasyon na nakalista ng FDA noong Disyembre 20, 2024 ) ang natuklasan na karamihan sa mga device ay kumukuha ng mga imahe bilang input, at ang radiology ang nangungunang panel ng pagsusuri para sa karamihan. Malaking palatandaan iyan kung saan unang napupunta ang "clinical AI". [1]
Pero ang "kapaki-pakinabang" ay hindi pareho sa "nagsasariling pagpapalit ng doktor." Iba't ibang pamantayan, iba't ibang panganib, iba't ibang pananagutan..
Bakit ang "pagpapalit" ay ang maling modelo ng pag-iisip sa halos lahat ng oras 🧠
Ang radiology ay hindi lang basta "pagtingin sa mga pixel, pangalanan ang sakit."
Sa pagsasagawa, ang mga radiologist ay gumagawa ng mga bagay tulad ng:
-
Pagpapasya kung ang klinikal na tanong ay tumutugma sa iniutos na pagsusulit
-
Pagtimbang ng mga nauna, kasaysayan ng operasyon, mga artifact, at mga kaso na may magaspang na gilid
-
Pagtawag sa nagre-refer na clinician upang linawin kung ano talaga ang nangyayari
-
Pagrerekomenda ng mga susunod na hakbang, hindi lamang paglalagay ng label sa isang natuklasan
-
Pagmamay-ari ng medikal-legal na responsibilidad para sa ulat
Narito ang isang maikling eksena na "parang nakakabagot, lahat naman ay ganito":
02:07 na. CT head. May motion artifact. Nakasaad sa history na “dizziness,” nakasaad sa nurse note na “fall,” at nakasaad sa anticoagulant list na “uh-oh.”
Ang trabaho ay hindi “spot bleed pixels.” Ang trabaho ay triage + context + risk + next-step clarity.
Kaya naman ang pinakakaraniwang resulta sa klinikal na pag-deploy ay: Sinusuportahan ng AI ang mga radiologist sa halip na lipulin sila.
At maraming samahan ng radiology ang tahasang nagpahayag tungkol sa antas ng tao: isang pahayag ng etika ng multisociety (ACR/ESR/RSNA/SIIM at iba pa) ang nagbabalangkas sa AI bilang isang bagay na dapat pamahalaan nang responsable ng mga radiologist - kabilang ang katotohanan na ang mga radiologist ay nananatiling responsable sa pangangalaga ng pasyente sa isang daloy ng trabaho na sinusuportahan ng AI. [2]
Ano ang bumubuo sa isang mahusay na bersyon ng AI para sa radiology? 🔍
Kung hinuhusgahan mo ang isang sistema ng AI (o nagpapasya kung magtitiwala ka sa isa), ang "mabuting bersyon" ay hindi iyong may pinakaastig na demo. Ito iyong nakaligtas sa pakikipag-ugnayan sa klinikal na realidad.
Ang isang mahusay na kagamitan sa radiology AI ay may posibilidad na magkaroon ng:
-
Malinaw na saklaw - mahusay nitong nagagawa ang isang bagay (o isang mahigpit na tinukoy na hanay ng mga bagay)
-
Malakas na pagpapatunay - sinubukan sa iba't ibang lugar, scanner, at populasyon
-
Pagkakasya sa daloy ng trabaho - isinasama sa PACS/RIS nang hindi pinapahirapan ang lahat
-
Mababang ingay - mas kaunting mga alerto sa basura at mga maling positibo (o babalewalain mo ito)
-
Nakakatulong ang kakayahang ipaliwanag - hindi perpektong transparency, ngunit sapat na upang mapatunayan
-
Pamamahala - pagsubaybay para sa pag-agos, mga pagkabigo, hindi inaasahang pagkiling
-
Pananagutan - kalinawan kung sino ang pumirma, kung sino ang may-ari ng mga pagkakamali, kung sino ang nagpapalala
Gayundin: ang "ito ay FDA-cleared" (o katumbas) ay isang makabuluhang senyales - ngunit hindi ito ligtas. Kahit ang sariling listahan ng mga device na pinagana ng AI ng FDA ay nakabalangkas bilang isang transparency resource na hindi komprehensibo , at ang paraan ng pagsasama nito ay nakadepende sa bahagi kung paano inilalarawan ng mga device ang AI sa mga pampublikong materyales. Salin: kailangan mo pa rin ng lokal na pagsusuri at patuloy na pagsubaybay. [3]
Nakakabagot ito pakinggan... at maganda ang nakakabagot sa medisina. Ligtas ang nakakabagot 😬
Talahanayan ng Paghahambing: mga karaniwang opsyon sa AI na talagang nakakasalubong ng mga radiologist 📊
Kadalasang nakabatay sa presyo ang mga presyo, kaya pinapanatili kong hindi malinaw ang bahaging iyan sa merkado (dahil kadalasan nga).
| Kagamitan / kategorya | Pinakamahusay para sa (madla) | Presyo | Bakit ito gumagana (at ang huli...) |
|---|---|---|---|
| Triage AI para sa mga malalang natuklasan (stroke/pagdurugo/PE atbp.) | Mga ospital na maraming pasyenteng may ED, mga on-call team | Batay sa sipi | Pinapabilis ang pagbibigay ng prayoridad 🚨 - ngunit maaaring maging maingay ang mga alerto kung hindi maayos ang pagkaka-tune |
| Suporta sa screening AI (mammography atbp.) | Mga programa sa screening, mga lugar na maraming tao | Bawat pag-aaral o negosyo | Nakakatulong sa dami + pagkakapare-pareho - ngunit dapat itong patunayan nang lokal |
| AI para sa pagtukoy ng X-ray sa dibdib | Pangkalahatang radiolohiya, mga sistema ng agarang pangangalaga | Nag-iiba-iba | Mainam para sa mga karaniwang pattern - hindi napapansin ang mga bihirang outlier |
| Mga kagamitan sa CT ng nodule ng baga / dibdib | Mga pathway ng pulmo-onc, mga klinika ng follow-up | Batay sa sipi | Mahusay para sa pagsubaybay sa pagbabago sa paglipas ng panahon - kayang i-overcall ang maliliit na "walang kwentang" bahagi |
| Pagtuklas ng bali ng MSK | ER, trauma, mga tubo ng ortho | Bawat pag-aaral (minsan) | Mahusay sa paulit-ulit na pagtukoy ng mga pattern 🦴 - maaaring makasira ito sa pagpoposisyon/mga artifact |
| Pagbalangkas ng daloy ng trabaho/ulat (generative AI) | Mga abalang departamento, maraming pag-uulat na ginagawa ng admin | Suskrisyon / negosyo | Nakakatipid ng oras sa pagta-type ✍️ - dapat mahigpit na kontrolado para maiwasan ang mga walang kwentang bagay |
| Mga kagamitan sa pagkuwantipika (mga volume, pag-iskor ng calcium, atbp.) | Mga pangkat ng cardio-imaging, neuro-imaging | Dagdag/pang-negosyo | Maaasahang katulong sa pagsukat - kailangan pa rin ng konteksto ng tao |
Pag-amin ng kakaibang istilo ng pag-format: Nananatiling malabo ang "presyo" dahil mahilig ang mga vendor sa malabong pagpepresyo. Hindi ako ang umiiwas, kundi ang merkado 😅
Kung saan kayang malampasan ng AI ang karaniwang tao sa makikipot na daanan 🏁
Pinakamaganda ang AI kapag ang gawain ay:
-
Lubos na paulit-ulit
-
Matatag ang pattern
-
Mahusay na representasyon sa datos ng pagsasanay
-
Madaling makakuha ng puntos batay sa isang pamantayang reperensya
Sa ilang mga daloy ng trabaho na istilo ng screening, ang AI ay maaaring kumilos na parang isang napaka-konsistente na karagdagang grupo ng mga mata. Halimbawa, ang isang malaking retrospektibong pagsusuri ng isang sistema ng AI sa screening ng suso ay nag-ulat ng mas malakas na average na pagganap ng paghahambing ng mambabasa (ayon sa AUC sa isang pag-aaral ng mambabasa) at maging ang kunwaring pagbawas ng workload sa isang setup ng dobleng pagbasa na istilo ng UK. Iyan ang panalo sa "makitid na daanan": pare-parehong pattern ng trabaho, sa malawakang saklaw. [4]
Pero muli... ito ay tulong sa daloy ng trabaho, hindi "Pinapalitan ng AI ang radiologist na siyang may-ari ng resulta."
Kung saan nahihirapan pa rin ang AI (at hindi ito isang maliit na bagay) ⚠️
Ang AI ay maaaring maging kahanga-hanga ngunit nabibigo pa rin sa mga paraang mahalaga sa klinika. Mga karaniwang problema:
-
Mga kaso na wala sa distribusyon : mga bihirang sakit, hindi pangkaraniwang anatomiya, mga kakaibang katangian pagkatapos ng operasyon
-
Pagkabulag sa konteksto : ang mga natuklasan sa imaging nang walang "kwento" ay maaaring makalinlang
-
Sensitibidad ng artifact : galaw, metal, kakaibang mga setting ng scanner, contrast timing… mga nakakatuwang bagay
-
Mga maling positibo : ang isang masamang araw ng AI ay maaaring lumikha ng karagdagang trabaho sa halip na makatipid ng oras
-
Mga tahimik na pagkabigo : ang mapanganib na uri - kapag may isang bagay na hindi nito pinapansin nang tahimik
-
Pag-anod ng datos : nagbabago ang pagganap kapag nagbabago ang mga protocol, makina, o populasyon
Hindi teoretikal ang huli. Kahit ang mga high-performing na modelo ng imahe ay maaaring magbago kapag nagbago ang paraan ng pagkuha ng mga imahe (mga pagpapalit ng hardware ng scanner, mga pag-update ng software, mga pagsasaayos ng rekonstruksyon), at ang pagbabagong iyon ay maaaring magbago ng klinikal na makabuluhang sensitivity/specificity sa mga paraang mahalaga para sa pinsala. Ito ang dahilan kung bakit ang "pagsubaybay sa produksyon" ay hindi isang karaniwang salita - ito ay isang kinakailangan sa kaligtasan. [5]
Gayundin - at ito ay napakalaki - ang klinikal na responsibilidad ay hindi lumilipat sa algorithm . Sa maraming lugar, ang radiologist ay nananatiling responsableng tagapirma, na naglilimita kung gaano ka makatotohanang hindi makialam. [2]
Ang trabaho bilang radiologist na lumalaki, hindi lumiliit 🌱
Sa isang iglap, kayang gawing mas "parang-doktor" ang radiology, hindi kukulangin.
Habang lumalawak ang automation, kadalasang mas maraming oras ang ginugugol ng mga radiologist sa:
-
Mga pasyenteng may matinding problema at maraming problema (mga kinasusuklaman ng AI)
-
Protocolling, kaangkupan, at disenyo ng pathway
-
Pagpapaliwanag ng mga natuklasan sa mga clinician, tumor board, at kung minsan ay sa mga pasyente 🗣️
-
Interventional radiology at mga pamamaraang ginagabayan ng imahe (napaka-hindi awtomatiko)
-
Pamumuno sa Kalidad: pagsubaybay sa pagganap ng AI, pagbuo ng ligtas na pag-aampon
Nariyan din ang papel na "meta": kailangang may mangasiwa sa mga makina. Parang autopilot - gusto mo pa rin ng mga piloto. Medyo may depekto sigurong metapora... pero naiintindihan mo naman.
AI na pumapalit sa mga radiologist: ang direktang sagot 🤷♀️🤷♂️
-
Malapit na termino: pinapalitan nito ang mga bahagi ng trabaho (mga pagsukat, triage, ilang pattern ng pangalawang mambabasa), at binabago ang mga pangangailangan sa tauhan sa mga margin.
-
Pangmatagalang termino: maaari nitong lubos na i-automate ang ilang partikular na daloy ng trabaho sa screening, ngunit nangangailangan pa rin ng pangangasiwa ng tao at pagpapaigting ng proseso sa karamihan ng mga sistema ng kalusugan.
-
Pinakamalamang na resulta: ang mga radiologist + AI ay mas mahusay kung mag-isa, at ang trabaho ay lilipat patungo sa pangangasiwa, komunikasyon, at kumplikadong paggawa ng desisyon.
Kung ikaw ay isang estudyante ng medisina o junior doctor: paano maging handa sa hinaharap (nang hindi nababalisa) 🧩
Ilang praktikal na hakbang na makakatulong, kahit na hindi ka "mahilig sa teknolohiya":
-
Alamin kung paano nabibigo ang AI (bias, drift, false positives) - ito na ang clinical literacy ngayon [5]
-
Maging komportable sa mga pangunahing kaalaman sa daloy ng trabaho at informatics (PACS, structured reporting, QA)
-
Magkaroon ng matibay na gawi sa komunikasyon - ang antas ng tao ay nagiging mas mahalaga
-
Kung maaari, sumali sa isang AI evaluation o governance group sa inyong ospital
-
Tumutok sa mga lugar na may mataas na konteksto + mga pamamaraan (IR, kumplikadong neuro, oncologic imaging)
At oo, maging ikaw ang taong kayang magsabi: “Ang modelong ito ay kapaki-pakinabang dito, mapanganib doon, at ganito namin ito sinusubaybayan.” Ang taong iyon ay nagiging mahirap palitan.
Buod + mabilisang pagtalakay 🧠✨
Talagang babaguhin ng AI ang radiology, at ang pagkukunwaring hindi ang solusyon ay ang pagharap sa problema. Ngunit ang salaysay na "nakatakdang mapahamak ang mga radiologist" ay kadalasang clickbait na may suot na lab coat.
Mabilis na pagkuha
-
Ginagamit na ang AI para sa triage, suporta sa pag-detect, at tulong sa pagsukat.
-
Mahusay ito sa makikitid at paulit-ulit na mga gawain -- at hindi malinaw sa pambihira at may mataas na kontekstong klinikal na realidad.
-
Higit pa sa pagtukoy ng mga padron ang ginagawa ng mga radiologist - binibigyang-konteksto nila ang mga ito, nakikipag-ugnayan, at may responsibilidad sila.
-
Ang pinaka-makatotohanang hinaharap ay ang "mga radiologist na gumagamit ng AI" na pumapalit sa "mga radiologist na tumatanggi dito," hindi ang AI na pumapalit nang buo sa propesyon. 😬🩻
Mga Madalas Itanong
Papalitan ba ng AI ang mga radiologist sa susunod na mga taon?
Hindi ganap, at hindi sa karamihan ng mga sistema ng kalusugan. Ang radiology AI ngayon ay higit na ginawa upang i-automate ang mga makikitid na tungkulin tulad ng triage, pagtukoy ng pattern, at mga sukat, sa halip na pasanin ang end-to-end na responsibilidad sa diagnostic. Ang mga radiologist ay nagbibigay pa rin ng klinikal na konteksto, humahawak ng mga edge cases, nakikipag-ugnayan sa mga nagre-refer na team, at nananatili ang pananagutan sa medikal-legal para sa mga ulat. Ang mas agarang pagbabago ay ang muling pagdisenyo ng daloy ng trabaho, hindi ang kapalit sa buong propesyon.
Anong mga gawain sa radiology ang aktwal na ginagawa ng AI ngayon?
Karamihan sa mga kagamitang ginagamit ay nakatuon sa nakapokus at paulit-ulit na gawain: pag-flag ng mga agarang pag-aaral para sa pagbibigay-priyoridad, pagtukoy ng mga karaniwang pattern (tulad ng mga nodule o hemorrhage), at pagbuo ng mga sukat o longitudinal na paghahambing. Ginagamit din ang AI bilang "pangalawang mambabasa" sa ilang mga pathway na istilo ng screening upang suportahan ang pamamahala ng volume at consistency. Maaaring paikliin ng mga sistemang ito ang mga pila at mabawasan ang manu-manong trabaho, ngunit nangangailangan pa rin ang mga ito ng beripikasyon ng tao.
Sino ang mananagot kung mali ang isang ulat na sinusuportahan ng AI?
Sa maraming totoong daloy ng trabaho, ang radiologist ang nananatiling responsableng tagapirma kahit na ang AI ay nakakatulong sa triage o detection. Ang klinikal na responsibilidad ay hindi awtomatikong nalilipat sa algorithm o sa vendor. Sa pagsasagawa, kailangang ituring ng mga radiologist ang output ng AI bilang suporta sa desisyon, beripikahin ang mga resulta, at idokumento nang naaangkop. Ang malinaw na mga landas sa escalation at pamamahala ay nakakatulong na tukuyin kung paano magpapatuloy kapag ang output ng AI ay sumasalungat sa klinikal na paghatol.
Paano ko malalaman kung mapagkakatiwalaan ang isang AI tool para sa aking ospital?
Isang karaniwang pamamaraan ang paghusga sa mga kagamitan batay sa klinikal na realismo sa halip na sa demo performance. Maghanap ng malinaw na saklaw, pagpapatunay sa maraming site, scanner, at populasyon ng pasyente, at ebidensyang hawak ng sistema sa ilalim ng iyong mga protocol at mga limitasyon sa kalidad ng imahe. Mahalaga ang integrasyon ng workflow (PACS/RIS fit) gaya ng katumpakan, dahil ang isang "mahusay" na modelo na nakakasagabal sa pagbabasa ay kadalasang hindi nagagamit. Ang patuloy na pagsubaybay ay nananatiling mahalaga.
Nangangahulugan ba ang "FDA-cleared" (o regulated) na ligtas nang umasa ang modelo?
Ang regulatory clearance ay isang makabuluhang senyales, ngunit hindi nito ginagarantiyahan ang mahusay na pagganap sa iyong partikular na kapaligiran. Ang mga resulta sa totoong buhay ay maaaring magbago dahil sa mga pag-upgrade ng scanner, mga pag-aayos ng protocol, at mga pagkakaiba sa populasyon. Mahalaga pa rin ang lokal na pagsusuri at pagsubaybay sa produksyon, kahit na para sa mga awtorisadong tool. Ituring ang clearance bilang baseline, pagkatapos ay i-validate para sa iyong setting at patuloy na sukatin ang drift.
Ano ang mga pinakamalaking paraan kung paano nabibigo ang radiology AI sa pagsasagawa?
Kabilang sa mga karaniwang paraan ng pagkabigo ang mga kaso ng out-of-distribution (bihirang sakit, hindi pangkaraniwang anatomiya), context blindness, sensitivity sa mga artifact (galaw, metal, contrast timing), at mga maling positibo na nagdaragdag ng trabaho. Ang mga pinakamapanganib na isyu ay ang mga "silent failure," kung saan ang modelo ay hindi nakakatugon sa mga natuklasan nang walang malinaw na babala. Maaari ring magbago ang performance habang nagbabago ang mga kondisyon ng pagkuha, kaya ang pagsubaybay at mga guardrail ay nasa loob ng kaligtasan ng pasyente, hindi bilang isang "magandang magkaroon."
Paano mababawasan ng mga departamento ang alert fatigue at maiiwasan ang maingay na AI triage?
Magsimula sa pamamagitan ng pag-tune ng mga threshold upang tumugma sa iyong mga klinikal na prayoridad at realidad ng staffing, sa halip na habulin ang pinakamataas na sensitivity sa papel. Sukatin ang totoong false-positive burden, at magdisenyo ng mga panuntunan sa escalation upang ang mga AI flag ay mag-trigger ng pare-pareho at mapapamahalaang mga aksyon. Maraming pipeline ang nakikinabang mula sa staged review (AI → radiographer/tech check → radiologist) at tahasang fail-safe na pag-uugali kapag hindi magagamit ang tool. Ang "mababang ingay" ay kadalasang dahilan kung bakit gumagana ang AI araw-araw.
Kung labis na pinahahalagahan ang pagpapalit ng AI sa mga radiologist, paano pa nga ba dapat mabigyan ng magandang kinabukasan ang mga trainee?
Layunin na maging taong ligtas na makakapangasiwa sa mga daloy ng trabaho na pinapagana ng AI. Alamin ang mga pangunahing paraan ng pagkabigo tulad ng bias, drift, at artifact sensitivity, at bumuo ng ginhawa sa mga pangunahing kaalaman sa informatics tulad ng PACS, structured reporting, at mga proseso ng QA. Ang mga kasanayan sa komunikasyon ay nakakakuha ng halaga habang ang mga nakagawiang gawain ay awtomatiko, lalo na sa mga tumor board at mga konsultasyon na may mataas na antas ng panganib. Ang pagsali sa isang grupo ng pagsusuri o pamamahala ay isang konkretong paraan upang bumuo ng matibay na kadalubhasaan.
Mga Sanggunian
-
Singh R. et al., npj Digital Medicine (2025) - Isang pagsusuri sa taxonomy na sumasaklaw sa 1,016 na awtorisadong FDA para sa mga medikal na aparatong AI/ML (ayon sa listahan hanggang Disyembre 20, 2024), na nagbibigay-diin kung gaano kadalas umaasa ang medikal na AI sa mga input ng imaging at kung gaano kadalas ang radiology ang pangunahing panel ng pagsusuri. magbasa pa
-
Pahayag ng multisociety na pinangunahan ng ESR - Isang cross-society ethics framing para sa AI sa radiology, na nagbibigay-diin sa pamamahala, responsableng pag-deploy, at ang patuloy na pananagutan ng mga clinician sa loob ng mga workflow na sinusuportahan ng AI. magbasa pa
-
Pahina ng mga aparatong medikal na pinapagana ng AI ng US FDA - Ang listahan ng transparency at mga tala ng metodolohiya ng FDA para sa mga aparatong medikal na pinapagana ng AI, kabilang ang mga paalala tungkol sa saklaw at kung paano tinutukoy ang pagsasama. magbasa pa
-
McKinney SM et al., Nature (2020) - Isang internasyonal na pagsusuri ng isang sistema ng AI para sa screening ng kanser sa suso, kabilang ang pagsusuri ng paghahambing ng mambabasa at mga simulasyon ng epekto ng workload sa isang double-reading setup. magbasa pa
-
Roschewitz M. et al., Nature Communications (2023) - Pananaliksik sa performance drift sa ilalim ng acquisition shift sa klasipikasyon ng medikal na imahe, na naglalarawan kung bakit mahalaga ang pagsubaybay at pagwawasto ng drift sa naka-deploy na imaging AI. magbasa pa