پاسخ کوتاه: هوش مصنوعی به این زودیها به طور کامل جایگزین رادیولوژیستها نخواهد شد؛ این فناوری عمدتاً وظایف محدودی مانند تریاژ، تشخیص الگو و اندازهگیریها را خودکار میکند، در حالی که این نقش را به سمت نظارت، ارتباط شفاف و قضاوت پرخطر سوق میدهد. اگر رادیولوژیستها با گردشهای کاری مبتنی بر هوش مصنوعی سازگار نشوند، در معرض خطر کنار گذاشته شدن قرار میگیرند، اما مسئولیت بالینی همچنان بر عهده انسانها است.
نکات کلیدی:
تغییر گردش کار : انتظار میرود که رتبهبندی، اندازهگیری و پشتیبانی «خواننده دوم» به سرعت گسترش یابد.
پاسخگویی : رادیولوژیستها همچنان امضاکنندگان پاسخگو در گزارشهای بالینی مبتنی بر هوش مصنوعی هستند.
اعتبارسنجی : فقط در صورتی به ابزارها اعتماد کنید که در سایتها، اسکنرها و جمعیتهای بیمار آزمایش شده باشند.
مقاومت در برابر سوء استفاده : نویز هشدار را کاهش داده و در برابر خرابیهای خاموش، رانش و بایاس محافظت کنید.
آیندهنگری : حالتهای خرابی هوش مصنوعی را بیاموزید و برای نظارت بر استقرار ایمن، به مدیریت بپیوندید.
مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:
🔗 آیا هوش مصنوعی جایگزین پزشکان خواهد شد: آینده پزشکی
نگاهی واقعبینانه به نقش هوش مصنوعی در پزشکی مدرن.
🔗 چگونه هوش مصنوعی به کشاورزی کمک میکند
روشهایی که هوش مصنوعی باعث بهبود عملکرد، برنامهریزی و تصمیمگیری در مزرعه میشود.
🔗 چرا هوش مصنوعی برای جامعه مضر است؟
خطراتی مانند تعصب، از دست دادن شغل، نظارت و آسیبهای ناشی از اطلاعات نادرست.
🔗 چگونه هوش مصنوعی ناهنجاریها را تشخیص میدهد
چگونه مدلها رفتارهای غیرمعمول در دادهها و سیستمها را نشان میدهند.
بررسی صریح واقعیت: هوش مصنوعی در حال حاضر چه میکند؟ ✅
هوش مصنوعی در رادیولوژی امروزه عمدتاً در مشاغل محدود قوی است:
-
علامتگذاری یافتههای فوری تا مطالعات ترسناک از صف خارج شوند (تریاژ) 🚨
-
یافتن «الگوهای شناختهشده» مانند ندولها، خونریزیها، شکستگیها، آمبولیها و غیره.
-
اندازهگیری چیزهایی که انسانها میتوانند اندازهگیری کنند اما از اندازهگیری آنها متنفرند (حجم، اندازه، تغییرات در طول زمان) 📏
-
کمک به برنامههای غربالگری برای مدیریت حجم زیاد اطلاعات بدون اتلاف وقت افراد
و این فقط یک شایعه نیست: هوش مصنوعی رادیولوژی تحت نظارت و در کلینیک، در حال حاضر بخش بزرگی از چشمانداز دستگاههای هوش مصنوعی بالینی را تشکیل میدهد . یک بررسی طبقهبندی در سال 2025 از دستگاههای پزشکی هوش مصنوعی/یادگیری ماشینی دارای مجوز FDA (شامل مجوزهای ذکر شده توسط FDA تا 20 دسامبر 2024 ) نشان داد که اکثر دستگاهها تصاویر را به عنوان ورودی دریافت میکنند و رادیولوژی پنل اصلی بررسی برای اکثریت آنها بوده است. این نشان میدهد که "هوش مصنوعی بالینی" ابتدا در کجا قرار میگیرد. [1]
اما «مفید» با «جایگزینی پزشک مستقل» یکی نیست. موانع مختلف، ریسک متفاوت، مسئولیت متفاوت..
چرا «جایگزینی» اغلب اوقات مدل ذهنی اشتباهی است 🧠
رادیولوژی فقط «به پیکسلها نگاه کن، بیماری را تشخیص بده» نیست
در عمل، رادیولوژیستها کارهایی مانند موارد زیر را انجام میدهند:
-
تصمیم گیری در مورد اینکه آیا سوال بالینی اصلاً با امتحان درخواستی مطابقت دارد یا خیر
-
وزن کردن سوابق پزشکی قبلی، سابقه جراحی، مصنوعات و موارد با لبههای ناهموار
-
تماس با پزشک ارجاع دهنده برای روشن شدن موضوع
-
توصیه مراحل بعدی، نه فقط برچسب زدن به یک یافته
-
مسئولیت پزشکی-قانونی گزارش را بر عهده گرفتن
این هم یک صحنهی کوتاه که انگار خیلی خستهکننده است:
ساعت ۰۲:۰۷ است. سر سیتیاسکن. حرکت غیرطبیعی. شرح حال میگوید «سرگیجه»، یادداشت پرستار میگوید «زمین خوردن» و لیست داروهای ضدانعقاد میگوید «اوه».
کار «پیکسلهای خونریزی نقطهای» نیست. کار «تریاژ» + زمینه + خطر + وضوح گام بعدی است.
به همین دلیل است که رایجترین نتیجه در استقرار بالینی این است: به جای از بین بردن رادیولوژیستها، از آنها پشتیبانی میکند
و چندین انجمن رادیولوژی در مورد لایه انسانی صریح بودهاند: یک بیانیه اخلاقی چند انجمنی (ACR/ESR/RSNA/SIIM و دیگران) هوش مصنوعی را به عنوان چیزی که رادیولوژیستها باید مسئولانه مدیریت کنند، مطرح میکند - از جمله این واقعیت که رادیولوژیستها در نهایت مسئول مراقبت از بیمار در یک گردش کار تحت پشتیبانی هوش مصنوعی هستند. [2]
چه چیزی یک نسخه خوب از هوش مصنوعی را برای رادیولوژی میسازد؟ 🔍
اگر در حال قضاوت در مورد یک سیستم هوش مصنوعی هستید (یا تصمیم میگیرید که به یکی از آنها اعتماد کنید یا نه)، «نسخه خوب» آن نسخهای نیست که جالبترین نسخه آزمایشی را دارد. بلکه نسخهای است که از تماس با واقعیت بالینی جان سالم به در میبرد.
یک ابزار هوش مصنوعی رادیولوژی خوب معمولاً موارد زیر را دارد:
-
دامنه مشخص - یک کار را به خوبی انجام میدهد (یا مجموعهای از کارها را به طور دقیق تعریف میکند)
-
اعتبارسنجی قوی - در سایتها، اسکنرها و جمعیتهای مختلف آزمایش شده است
-
تناسب گردش کار - بدون اینکه همه را دچار مشکل کند، با PACS/RIS ادغام میشود
-
سر و صدای کم - هشدارهای ناخواسته و مثبت کاذب کمتر (یا آن را نادیده خواهید گرفت)
-
قابلیت توضیح که مفید است - شفافیت کامل نیست، اما برای تأیید کافی است
-
حاکمیت شرکتی - نظارت بر انحرافات، شکستها، سوگیریهای غیرمنتظره
-
پاسخگویی - شفافیت در مورد اینکه چه کسی امضا میکند، چه کسی مسئول خطاهاست، چه کسی رسیدگی به تخلفات را بر عهده میگیرد
همچنین: «این دستگاه توسط سازمان غذا و داروی آمریکا (FDA) تأیید شده است» (یا معادل آن) یک علامت معنادار است - اما تضمینی برای شکست نیست. حتی فهرست دستگاههای مجهز به هوش مصنوعی خود سازمان غذا و داروی آمریکا (FDA) نیز به عنوان یک منبع شفافسازی که جامع نیست و روش گنجاندن آن تا حدودی به نحوه توصیف هوش مصنوعی توسط دستگاهها در مطالب عمومی بستگی دارد. ترجمه: شما هنوز به ارزیابی محلی و نظارت مداوم نیاز دارید. [3]
این به نظر خسته کننده میاد... و خسته کننده بودن تو پزشکی خوبه. خسته کننده بودن امنه 😬
جدول مقایسه: گزینههای رایج هوش مصنوعی که رادیولوژیستها واقعاً با آنها مواجه میشوند 📊
قیمتها اغلب مبتنی بر قیمتهای پیشنهادی هستند، بنابراین من آن بخش را مبهم نگه میدارم (چون معمولاً همینطور است).
| ابزار / دسته بندی | بهترین برای (مخاطب) | قیمت | چرا کار میکند (و نکتهی جالب…) |
|---|---|---|---|
| هوش مصنوعی تریاژ برای یافتههای حاد (سکته مغزی/خونریزی/آمبولی ریه و غیره) | بیمارستانهای دارای بخش اورژانس، تیمهای آمادهباش | مبتنی بر نقل قول | سرعت اولویتبندی را افزایش میدهد 🚨 - اما اگر هشدارها به درستی تنظیم نشوند، میتوانند نویزدار شوند |
| پشتیبانی غربالگری با هوش مصنوعی (ماموگرافی و غیره) | برنامههای غربالگری، سایتهای با حجم بالا | به ازای هر مطالعه یا شرکت | به حجم و قوام کمک میکند - اما باید به صورت محلی تأیید شود |
| هوش مصنوعی تشخیص اشعه ایکس قفسه سینه | رادیولوژی عمومی، سیستمهای مراقبتهای فوری | متفاوت است | عالی برای الگوهای رایج - موارد پرت نادر را از دست میدهد |
| ابزارهای سی تی اسکن ندول ریه/قفسه سینه | مسیرهای ریوی، کلینیکهای پیگیری | مبتنی بر نقل قول | برای ردیابی تغییرات در طول زمان مناسب است - میتواند نقاط کوچک «هیچ» را بیش از حد نشان دهد |
| تشخیص شکستگی MSK | اورژانس، تروما، خطوط لوله ارتو | به ازای هر مطالعه (گاهی اوقات) | در تشخیص الگوهای تکراری عالی است 🦴 - موقعیتیابی/مصنوعات میتوانند آن را خراب کنند |
| گردش کار/تهیه گزارش (هوش مصنوعی مولد) | بخشهای شلوغ، گزارشهای سنگین مدیریتی | اشتراک / سازمانی | در زمان تایپ صرفهجویی میکند ✍️ - باید کاملاً کنترل شود تا از یاوهگوییهای بیمقدمه جلوگیری شود |
| ابزارهای کمیسازی (حجمها، امتیازدهی کلسیم و غیره) | تیمهای تصویربرداری قلبی، تصویربرداری عصبی | افزونه / سازمانی | دستیار اندازهگیری قابل اعتماد - هنوز به اطلاعات انسانی نیاز دارد |
اعتراف عجیب قالببندی: «قیمت» مبهم میماند چون فروشندگان عاشق قیمتگذاری مبهم هستند. این طفره رفتن من نیست، این بازار است 😅
جایی که هوش مصنوعی میتواند در مسیرهای باریک از انسان معمولی بهتر عمل کند 🏁
هوش مصنوعی زمانی بیشترین درخشش را دارد که وظیفه زیر را بر عهده داشته باشد:
-
بسیار تکراری
-
الگوی پایدار
-
به خوبی در دادههای آموزشی نمایش داده شده است
-
امتیازدهی آسان در مقایسه با یک استاندارد مرجع
در برخی از گردشهای کاری به سبک غربالگری، هوش مصنوعی میتواند مانند یک جفت چشم اضافی بسیار سازگار عمل کند. به عنوان مثال، یک ارزیابی گذشتهنگر بزرگ از یک سیستم هوش مصنوعی غربالگری سینه، عملکرد مقایسهای میانگین قویتری را در مقایسه با خواننده (توسط AUC در یک مطالعه خواننده) و حتی کاهش حجم کار شبیهسازی شده در یک تنظیم خواندن دوگانه به سبک بریتانیا را گزارش کرد. این همان برد «مسیر باریک» است: کار با الگوی سازگار، در مقیاس بزرگ. [4]
اما باز هم ... این کمک در گردش کار است، نه اینکه «هوش مصنوعی جایگزین رادیولوژیستی شود که نتیجه را در اختیار دارد»
جایی که هوش مصنوعی هنوز در حال تقلا است (و این چیز کوچکی نیست) ⚠️
هوش مصنوعی میتواند چشمگیر باشد و همچنان در مواردی که از نظر بالینی مهم هستند، شکست بخورد. نقاط درد رایج:
-
موارد خارج از توزیع : بیماریهای نادر، آناتومی غیرمعمول، تغییرات ناگهانی پس از عمل
-
کوری زمینهای : یافتههای تصویربرداری بدون «روایت» میتواند گمراهکننده باشد
-
حساسیت به آثار باستانی : حرکت، فلز، تنظیمات عجیب اسکنر، زمانبندی کنتراست... چیزهای جالب
-
مثبت کاذب : یک روز بد هوش مصنوعی میتواند به جای صرفهجویی در زمان، کار اضافی ایجاد کند
-
شکستهای خاموش : نوع خطرناک - وقتی چیزی را بیسروصدا از دست میدهد
-
رانش دادهها : عملکرد با تغییر پروتکلها، ماشینها یا جمعیتها تغییر میکند
مورد آخر نظری نیست. حتی مدلهای تصویر با عملکرد بالا نیز میتوانند با تغییر در نحوهی دریافت تصاویر (تعویض سختافزار اسکنر، بهروزرسانیهای نرمافزاری، اصلاحات بازسازی) دچار انحراف شوند و این انحراف میتواند حساسیت/اختصاصیت بالینی معنادار را به شیوههایی که برای آسیب مهم هستند، تغییر دهد. به همین دلیل است که «نظارت در حین تولید» یک عبارت کلیشهای نیست - بلکه یک الزام ایمنی است. [5]
همچنین - و این بسیار مهم است - مسئولیت بالینی به الگوریتم منتقل نمیشود . در بسیاری از جاها، رادیولوژیست همچنان امضاکننده مسئول باقی میماند، که این امر میزان عدم مداخله واقعی شما را محدود میکند. [2]
شغل رادیولوژی که رشد میکند، نه کاهش 🌱
در یک چرخش، هوش مصنوعی میتواند رادیولوژی را «پزشکمانندتر» کند، نه کمتر.
با گسترش اتوماسیون، رادیولوژیستها اغلب زمان بیشتری را صرف موارد زیر میکنند:
-
موارد دشوار و بیماران چند مشکله (کسانی که هوش مصنوعی از آنها متنفر است)
-
پروتکلبندی، تناسب و طراحی مسیر
-
توضیح یافتهها به پزشکان، بوردهای تومور و گاهی بیماران 🗣️
-
رادیولوژی مداخلهای و روشهای هدایتشده با تصویر (بسیار غیرخودکار)
-
رهبری کیفیت: نظارت بر عملکرد هوش مصنوعی، ایجاد پذیرش ایمن
همچنین نقش «فرا» وجود دارد: کسی باید بر ماشینها نظارت کند. کمی شبیه خلبان خودکار است - شما هنوز هم به خلبان نیاز دارید. شاید استعاره کمی ناقص باشد... اما متوجه میشوید.
هوش مصنوعی جایگزین رادیولوژیستها: پاسخ صریح 🤷♀️🤷♂️
-
کوتاهمدت: بخشهایی از کار (اندازهگیریها، اولویتبندی، برخی الگوهای ارزیابی ثانویه) را جایگزین میکند و نیازهای کارکنان را در حاشیه تغییر میدهد.
-
در درازمدت: میتواند برخی از گردشهای کاری غربالگری را تا حد زیادی خودکار کند، اما همچنان در اکثر سیستمهای بهداشتی به نظارت و تشدید انسانی نیاز دارد.
-
محتملترین نتیجه: رادیولوژیستها + هوش مصنوعی، چه به تنهایی و چه به تنهایی، عملکرد بهتری دارند و شغل به سمت نظارت، ارتباطات و تصمیمگیریهای پیچیده تغییر میکند.
اگر دانشجوی پزشکی یا پزشک سال سوم هستید: چگونه (بدون وحشت) آینده خود را تضمین کنید 🧩
چند حرکت کاربردی که حتی اگر «به تکنولوژی علاقهای ندارید» هم مفید هستند:
-
بیاموزید که چگونه هوش مصنوعی شکست میخورد (سوگیری، انحراف، مثبتهای کاذب) - این اکنون سواد بالینی است [5]
-
با اصول گردش کار و انفورماتیک (PACS، گزارشدهی ساختاریافته، تضمین کیفیت) آشنا شوید
-
عادات ارتباطی قوی ایجاد کنید - لایه انسانی ارزشمندتر میشود
-
در صورت امکان، به یک گروه ارزیابی یا مدیریت هوش مصنوعی در بیمارستان خود بپیوندید
-
تمرکز بر حوزههایی با زمینههای کاری و رویههای درمانی بالا (IR، تصویربرداری عصبی پیچیده، تصویربرداری انکولوژیک)
و بله، کسی باشید که بتواند بگوید: «این مدل اینجا مفید است، آنجا خطرناک است، و اینگونه ما آن را رصد میکنیم.» جایگزینی چنین شخصی دشوار میشود.
جمعبندی + برداشت سریع 🧠✨
هوش مصنوعی قطعاً رادیولوژی را تغییر خواهد داد و تظاهر به خلاف آن، چارهساز است. اما روایت «رادیولوژیستها محکوم به فنا هستند» بیشتر یک ترفند تبلیغاتی با روپوش آزمایشگاهی است.
برداشت سریع
-
هوش مصنوعی در حال حاضر برای اولویتبندی، پشتیبانی از تشخیص و کمک به اندازهگیری استفاده میشود.
-
در کارهای محدود و تکراری عالی است - و در مواجهه با واقعیتهای بالینی نادر و با زمینه بالا، ضعیف عمل میکند.
-
رادیولوژیستها کاری بیش از تشخیص الگوها انجام میدهند - آنها زمینهسازی میکنند، ارتباط برقرار میکنند و مسئولیت را بر عهده میگیرند.
-
واقعبینانهترین آینده، جایگزینی «رادیولوژیستهایی که از هوش مصنوعی استفاده میکنند» با «رادیولوژیستهایی که آن را رد میکنند» است، نه اینکه هوش مصنوعی به طور کامل جایگزین این حرفه شود. 😬🩻
سوالات متداول
آیا هوش مصنوعی در چند سال آینده جایگزین رادیولوژیستها خواهد شد؟
نه به طور کامل، و نه در اکثر سیستمهای بهداشتی. هوش مصنوعی رادیولوژی امروزی عمدتاً برای خودکارسازی عملکردهای محدود مانند تریاژ، تشخیص الگو و اندازهگیریها ساخته شده است، نه اینکه مسئولیت تشخیصی سرتاسری را بر عهده داشته باشد. رادیولوژیستها هنوز زمینه بالینی را ارائه میدهند، موارد خاص را مدیریت میکنند، با تیمهای ارجاعدهنده ارتباط برقرار میکنند و مسئولیتپذیری پزشکی-قانونی را برای گزارشها حفظ میکنند. تغییر فوریتر، طراحی مجدد گردش کار است، نه جایگزینی در سطح حرفه.
هوش مصنوعی در حال حاضر چه وظایف رادیولوژی را انجام میدهد؟
بیشتر ابزارهای مستقر بر کارهای متمرکز و تکراری تمرکز دارند: علامتگذاری مطالعات فوری برای اولویتبندی، تشخیص الگوهای رایج (مانند گرهها یا خونریزی) و ایجاد اندازهگیریها یا مقایسههای طولی. هوش مصنوعی همچنین به عنوان "خواننده دوم" در برخی از مسیرهای غربالگری برای پشتیبانی از مدیریت حجم و ثبات استفاده میشود. این سیستمها میتوانند صفها را کوتاه کرده و کار طاقتفرسای دستی را کاهش دهند، اما همچنان به تأیید انسانی نیاز دارند.
اگر گزارشی که با پشتیبانی هوش مصنوعی تهیه شده اشتباه باشد، چه کسی مسئول است؟
در بسیاری از گردشهای کاری دنیای واقعی، رادیولوژیست حتی زمانی که هوش مصنوعی در تریاژ یا تشخیص مشارکت دارد، همچنان مسئول امضا باقی میماند. مسئولیت بالینی به طور خودکار به الگوریتم یا فروشنده منتقل نمیشود. در عمل، رادیولوژیستها باید خروجی هوش مصنوعی را به عنوان پشتیبان تصمیمگیری در نظر بگیرند، نتایج را تأیید کنند و به طور مناسب مستندسازی کنند. مسیرهای شفاف ارجاع و مدیریت به تعریف نحوه اقدام در صورت مغایرت خروجی هوش مصنوعی با قضاوت بالینی کمک میکند.
چگونه بفهمم که یک ابزار هوش مصنوعی برای بیمارستان من قابل اعتماد است؟
یک رویکرد رایج، قضاوت ابزارها بر اساس واقعگرایی بالینی است، نه عملکرد نمایشی. به دنبال یک محدوده کاملاً تعریفشده، اعتبارسنجی در چندین سایت، اسکنر و جمعیت بیمار، و شواهدی باشید که سیستم تحت پروتکلها و محدودیتهای کیفیت تصویر شما دوام میآورد. ادغام گردش کار (تطابق PACS/RIS) به اندازه دقت اهمیت دارد، زیرا یک مدل «خوب» که خواندن را مختل میکند، اغلب بلااستفاده میماند. نظارت مداوم همچنان ضروری است.
آیا «تایید شده توسط سازمان غذا و داروی آمریکا» (یا تحت نظارت) به این معنی است که میتوان به این مدل اعتماد کرد؟
مجوز نظارتی یک سیگنال معنادار است، اما عملکرد قوی را در محیط خاص شما تضمین نمیکند. نتایج دنیای واقعی میتواند با ارتقاء اسکنر، تنظیمات پروتکل و تفاوتهای جمعیتی تغییر کند. ارزیابی محلی و نظارت بر تولید، حتی برای ابزارهای مجاز، هنوز هم اهمیت دارد. مجوز را به عنوان یک خط مبنا در نظر بگیرید، سپس برای تنظیمات خود اعتبارسنجی کنید و به اندازهگیری رانش ادامه دهید.
بزرگترین دلایلی که هوش مصنوعی رادیولوژی در عمل شکست میخورد چیست؟
حالتهای رایج خرابی شامل موارد خارج از توزیع (بیماری نادر، آناتومی غیرمعمول)، کوری زمینهای، حساسیت به مصنوعات (حرکت، فلز، زمان کنتراست) و موارد مثبت کاذبی است که کار را افزایش میدهند. خطرناکترین مشکلات «خرابیهای خاموش» هستند، جایی که مدل یافتهها را بدون هشدار واضح از دست میدهد. عملکرد همچنین میتواند با تغییر شرایط تصویربرداری تغییر کند، بنابراین نظارت و حفاظها در محدوده ایمنی بیمار قرار میگیرند، نه به عنوان یک «چیز خوب برای داشتن»
چگونه بخشها میتوانند خستگی ناشی از هشدار را کاهش داده و از اولویتبندی پر سر و صدای هوش مصنوعی جلوگیری کنند؟
با تنظیم آستانهها برای مطابقت با اولویتهای بالینی و واقعیت کارکنان خود، به جای دنبال کردن حداکثر حساسیت روی کاغذ، شروع کنید. بار مثبت کاذب در دنیای واقعی را اندازهگیری کنید و قوانین تشدید را طوری طراحی کنید که پرچمهای هوش مصنوعی باعث اقدامات سازگار و قابل مدیریت شوند. بسیاری از خطوط لوله از بررسی مرحلهای (هوش مصنوعی → بررسی رادیوگرافی/فنی → رادیولوژیست) و رفتار صریح ایمن در برابر خرابی در زمانی که ابزار در دسترس نیست، سود میبرند. "صدای کم" اغلب چیزی است که هوش مصنوعی را روزانه قابل استفاده میکند.
اگر در مورد جایگزینی هوش مصنوعی به جای رادیولوژیستها اغراق شده است، پس کارآموزان چگونه باید آینده خود را تضمین کنند؟
هدفتان تبدیل شدن به فردی باشد که میتواند با خیال راحت بر گردشهای کاری مبتنی بر هوش مصنوعی نظارت کند. حالتهای اصلی شکست مانند سوگیری، رانش و حساسیت به مصنوعات را بیاموزید و با اصول انفورماتیک مانند PACS، گزارشدهی ساختاریافته و فرآیندهای تضمین کیفیت، احساس راحتی کنید. مهارتهای ارتباطی با خودکار شدن کارهای روتین، بهویژه در بوردهای تومور و مشاورههای پرخطر، ارزش بیشتری پیدا میکنند. پیوستن به یک گروه ارزیابی یا مدیریت، راهی مشخص برای ایجاد تخصص پایدار است.
منابع
-
سینگ آر. و همکاران، npj Digital Medicine (2025) - بررسی طبقهبندی شامل 1016 مجوز دستگاه پزشکی هوش مصنوعی/یادگیری ماشین دارای مجوز FDA (که تا 20 دسامبر 2024 فهرست شدهاند)، که نشان میدهد هوش مصنوعی پزشکی چقدر به ورودیهای تصویربرداری متکی است و چقدر رادیولوژی پنل اصلی بررسی را تشکیل میدهد. ادامه مطلب
-
بیانیه چندجامعهای به میزبانی ESR - چارچوب اخلاق بین جامعهای برای هوش مصنوعی در رادیولوژی، با تأکید بر حاکمیت، استقرار مسئولانه و پاسخگویی مداوم پزشکان در گردشهای کاری تحت پشتیبانی هوش مصنوعی. ادامه مطلب
-
صفحه دستگاههای پزشکی مجهز به هوش مصنوعی سازمان غذا و داروی آمریکا (FDA) - فهرست شفافیت و یادداشتهای روششناسی FDA برای دستگاههای پزشکی مجهز به هوش مصنوعی، از جمله هشدارهایی در مورد دامنه و نحوه تعیین شمول. ادامه مطلب
-
مککینی اسام و همکاران، نیچر (۲۰۲۰) - ارزیابی بینالمللی یک سیستم هوش مصنوعی برای غربالگری سرطان سینه، شامل تحلیل مقایسهای خواننده و شبیهسازی تأثیر حجم کار در یک سیستم خواندن دوگانه. ادامه مطلب
-
راشِویتز ام. و همکاران، ارتباطات طبیعت (۲۰۲۳) - تحقیقی در مورد رانش عملکرد تحت تغییر در اکتساب در طبقهبندی تصاویر پزشکی، که نشان میدهد چرا نظارت و اصلاح رانش در هوش مصنوعی تصویربرداری مستقر اهمیت دارد. ادامه مطلب