AI în imagistică: unde ajută radiologul și unde încă greșește
Triaj, prioritizare, detecție — trei funcții diferite, cu riscuri diferite. Cum arată un serviciu de radiologie care lucrează cu algoritmi.
18 februarie 2025 · 8 min
Pe scurt
- Majoritatea sistemelor folosite în practică prioritizează sau semnalează; nu diagnostichează singure.
- Un rezultat negativ al algoritmului nu anulează citirea medicului.
- Beneficiul clinic se măsoară în timp până la tratament, nu doar în sensibilitate pe un set de test.
Trei funcții diferite
Există trei lucruri pe care un algoritm le poate face într-un service de imagistică și ele se confundă des în prezentări. Detecția marchează o leziune pe imagine. Prioritizarea mută un studiu mai sus în lista de lucru. Triajul decide, înainte de citire, dacă un caz pare urgent. Fiecare are alt mod de a eșua și alt mod de a fi măsurat.
Prioritizarea în accident vascular cerebral
Cazul accidentului vascular cerebral este cel mai bine documentat, pentru că fereastra terapeutică este de ore, nu de săptămâni. Sistemele care detectează o ocluzie de vas mare pe angio-CT și trimit o alertă echipei de gardă reduc timpul până la evaluare — cu condiția ca spitalul să aibă deja un flux pregătit pentru alertă. Tehnologia nu creează fluxul; doar îl accelerează sau îl expune.
Screening: lecțiile mamografiei
Programele de screening sunt terenul cel mai sensibil, pentru că deciziile se iau la scară mare, pe oameni sănătoși. Aici contează nu doar sensibilitatea, ci rata de recall și valoarea predictivă: un sistem care crește detecția cu prețul unui număr mult mai mare de femei chemate la investigații suplimentare poate face mai mult rău decât bine. De aceea ghidurile cer studii prospective, cu citire dublă și cu rezultate clinice, nu doar comparații pe seturi de date.
Unde apar erorile
Cele mai frecvente trei surse de eroare nu sunt „AI-ul e prost", ci mediul. Imagini de altă calitate decât cele de antrenament, dispozitive diferite, protocoale modificate. Leziuni pe care modelul nu le cunoaște, pentru că eticheta nu exista în setul de date. Și fenomenul de „shortcut learning", în care modelul învață un marker de context — un tub de dren, o marcă pe film — în loc de semnul bolii.
La acestea se adaugă efectul asupra cititorului: un radiolog care primește 40 de alerte pe tură începe să le ignore. Oboseala de alertă este un rezultat clinic măsurabil, nu o problemă de confort.
Ce să întrebi furnizorul
Pe ce populație a fost validat și pe ce tip de scanner? Care este performanța în subgrupurile mele — vârstă, sex, comorbidități? Ce se întâmplă dacă imaginile sunt de calitate slabă? Cum se înregistrează rezultatul în dosar și cine răspunde juridic? Există monitorizare după implementare și cine o citește?
Dacă furnizorul răspunde la toate acestea cu un pliant, nu ai un răspuns — ai o promisiune.