Radyolojide Yapay Zeka Uygulamaları

1. Giriş ve Amaç

Dijital sağlık ekosisteminin hızla geliştiği günümüzde radyoloji, yapay zekâ (YZ) destekli dönüşümün merkezinde yer alan disiplinlerden biridir. Yüksek hacimli görüntü üretimi, sayısallaştırılmış veri altyapısı ve ölçümsel analiz gereksinimi, radyolojiyi algoritmik modelleme ve karar destek sistemleri için benzersiz bir ortam hâline getirmiştir. Derin öğrenme temelli yaklaşımlar; lezyon saptama, segmentasyon, risk sınıflandırması ve iş akışı optimizasyonu gibi alanlarda klinik pratiğe giderek daha fazla entegre edilmekte; radyoloğun rolünü yalnızca görüntü yorumlayan bir uzman olmaktan çıkarıp veri bütünleştirici ve stratejik klinik karar verici konumuna doğru dönüştürmektedir.

Bu dönüşümün sistematik bir boyut kazanmasının en somut göstergelerinden biri, regülasyon alanındaki hızlı gelişmelerdir. Amerika Birleşik Devletleri Gıda ve İlaç Dairesi (FDA) tarafından onaylanan yapay zekâ/makine öğrenmesi tabanlı tıbbi cihaz sayısı hızla artmış; bir değerlendirmede 950 cihazın 723’ünün (%76) radyoloji amaçlı olduğu bildirilmiştir (1). Bu durum, yapay zekânın yalnızca teorik bir teknoloji değil, klinik pratiğe yön veren, regülasyon süreçleriyle onaylanmış bir uygulama alanı hâline geldiğini ortaya koymaktadır. Ancak bu dönüşüm yalnızca teknik başarı ile sınırlı değildir; metodolojik kalite, regülasyon çerçevesi, etik sorumluluk ve sürdürülebilirlik ilkeleri ile birlikte ele alınmalıdır.

Bu bölümün amacı, radyolojide yapay zekâ uygulamalarını tarihsel gelişiminden teknik altyapısına, modalite bazlı klinik kullanım alanlarından iş akışı optimizasyonu ve prognostik/prediktif modellemeye kadar geniş bir perspektifte değerlendirmektir. Ayrıca regülasyon, etik ilkeler ve metodolojik sınırlamalar ışığında klinik entegrasyon süreci tartışılacak; yeşil radyoloji ve radyolojide gelecek vizyonu çerçevesinde insan merkezli ve sürdürülebilir bir gelecek perspektifi ortaya konacaktır. Böylece yapay zekânın radyolojideki rolü yalnızca teknolojik bir yenilik olarak değil, sistem düzeyinde bir paradigma dönüşümü olarak ele alınacaktır. Bu bölüm, radyolojide yapay zekâya kavramsal ve klinik bir çerçeve sunmayı amaçlamakta; algoritmaların matematiksel ayrıntıları, kod düzeyindeki teknik uygulamalar ve ülke bazlı hukuki düzenlemelerin detaylı analizi kapsam dışında bırakılmaktadır.

2. Tarihsel Arka Plan ve Radyolojide YZ Ekosisteminin Oluşumu

Yapay zekâ çalışmaları 20. yüzyılın ortalarında başlamış ve 1956 Dartmouth Konferansı ile bilimsel bir disiplin olarak tanımlanmıştır. Bu yıllarda ilk defa yapay zekâ kavramı ortaya atılmış ve insan beyninde bulunan nöronun çalışma prensibi bilgisayar ortamında modellenerek perseptron olarak adlandırılmıştır (2). Bu erken dönem çalışmalar, günümüzde kullanılan derin sinir ağlarının teorik temelini oluşturmuş; özellikle doğrusal ayrılabilirlik ve ağırlık optimizasyonu kavramlarının gelişimine zemin hazırlamıştır. Daha sonra çok katmanlı sinir ağları ve özellikle görüntüler için evrişimli sinir ağları (CNN) geliştirilmiştir. Ancak bilgisayar sistemlerinin sınırlı hesaplama gücü ve veri işleme kapasitesi nedeniyle bu yöntemler geniş ölçekli uygulamalara geçirilememiştir. Bu dönem literatürde “AI winter/yapay zekâ kışı” olarak adlandırılan bir geçiş sürecine karşılık gelmektedir (3).

1980’li yıllarda bilgisayar teknolojilerinin günlük hayata hızla girmesiyle birlikte tıp alanında dijitalleşme yaygınlaşmıştır. Özellikle görüntü arşivleme ve iletişim sistemlerinin (PACS) gelişmesiyle radyolojik görüntüler dijital ortama aktarılarak depolanmaya başlanmıştır. Bu gelişme büyük veri setlerinin oluşturulmasının temelini hazırlamıştır. İnternetin geliştirilmesi ve yaygınlaşması ile radyolojik görüntülerin paylaşımı ve çok merkezli veri birikimi mümkün hâle gelmiştir. Radyolojinin erken dijitalleşmesi, diğer birçok tıbbi branşa kıyasla yapay zekâ uygulamaları için daha uygun bir veri ekosistemi oluşturmuştur.

2007 yılından sonra hızla ilerleyen grafik işlem birimi (GPU) teknolojisi ve bu teknolojiyi genel hesaplamalar için kullanmaya izin veren CUDA mimarisi, işlem gücü problemini çözerek yapay zekâ çalışmalarında dönüm noktası olmuştur (4). Evrişimli sinir ağlarındaki optimizasyon sorunlarının çözülmesiyle birlikte derin öğrenme ile geliştirilen modeller hızla artmaya başlamıştır. ImageNet yarışmalarında derin öğrenme tabanlı modellerin görüntü sınıflandırmasında gösterdiği başarı, bu yöntemlerin radyolojik görüntülerdeki patolojileri tanımlamak ve sınıflamak amacıyla da kullanılabileceği fikrini güçlendirmiştir (3).

Son 20 yılda dünya genelinde radyolojik tetkik sayılarında belirgin artış yaşanmış; buna paralel olarak radyologların iş yükü katlanarak artmıştır. Artan görüntü hacmi yalnızca sayısal değil, daha kompleks çok parametreli incelemelerin artışı ile niteliksel bir yük artışı da doğurmuştur. Artan iş yükünü karşılamak amacıyla yapay zekâ; iş akışının planlanması, önceliklendirilmesi (triage), tespit, ölçüm ve karar verme aşamalarının hızlandırılması ve hataların azaltılmasında yardımcı bir araç olarak konumlanmaktadır. Ancak doğru şekilde geliştirilmemiş bir sistem, iş yükünü azaltmak yerine artırabilir (5). Bu nedenle yapay zekâ modellerinin nasıl geliştirildiğinin, nasıl eğitildiğinin ve hangi sınırlamalara sahip olduğunun bilinmesi önemlidir.

Radyologlar yapay zekâ sistemlerinin kullanıcısı olduğu kadar geliştirilmesinden de sorumludur. Veri seçimi, etiketleme ve klinik validasyon süreçlerinde aktif paydaş olan radyologların katkısı, karar verecek bir sistemin güvenilir biçimde eğitilmesi için mühendislik süreci kadar klinik uzmanlık da gerektirir (6).

3. Yapay Zeka Modeli Döngüsü: Veri Hazırlama, Eğitim ve Validasyon

Konu belirlendikten sonra eğitim için uygun veri seti oluşturulmalıdır. Radyolojide genellikle DICOM formatındaki görüntüler kullanılmaktadır ve bu görüntüler hasta kimliğine ait bilgileri içerir. Bu nedenle veri seti oluşturulurken kişisel verilerin çıkarılması (anonimleştirme) zorunludur. Bu işleme “kimliksizleştirme” adı verilir (7). Kimliksizleştirme yalnızca metin bilgilerin silinmesi ile sınırlı değildir; üç boyutlu rekonstrüksiyon ile hastanın yüz ve yüz iskelet yapısının dolaylı olarak kimlik belirleyebileceği durumlarda kafa-yüz bölgesini içeren anatomik yapıların da uygun şekilde maskelenmesi gerekebilir (8).

Yapay zekâ modellerinin eğitimi için kullanılan veri setleri farklı yaş gruplarını, cinsiyetleri, etnik kökenleri ve farklı cihazlardan elde edilmiş görüntüleri içermelidir. Aksi hâlde model yalnızca belirli bir popülasyonda yüksek performans gösterir ve genelleme kabiliyeti düşük olur. Örneğin veri seti orta yaş grubu yetişkinlerde başarılı sonuç verirken yaşlı veya çocuk hastalarda başarısız olabilir. Yalnızca belirli bir cihazdan elde edilen görüntülerle eğitilen bir model farklı marka cihazlarda performans kaybı yaşayabilir. Literatürde bu durum “yanlılık (bias)” veya “dataset shift” olarak tanımlanmaktadır. Eğitim setindeki çeşitliliğin gerçek dünyadaki hasta evrenini temsil etmesi kritik olup bu genellikle çok merkezli ve geniş veri setleri gerektirir (9,10).

Eğitim için veri seti belirlendikten sonra standardizasyon yapılmalıdır. Yapay zekâ modeli görüntüleri bir matristeki sayılar olarak görür ve bu sayılar arasındaki ilişkilerden öğrenir. Farklı cihaz parametreleri (kV, mA, rekonstrüksiyon ayarları, çekim protokolleri) piksel değerlerini değiştirebilir. Bu nedenle modelin verileri tutarlı biçimde işlemesi için standardizasyon veya normalizasyon işlemleri uygulanmalıdır (11).

Eğitim sürecinde her verinin doğru şekilde etiketlenmesi gerekir. “Doğru etiketleme (labeling)” yapılmadığı takdirde model hatalı öğrenir ve yanlış sonuçlar üretir. Etiketleme mümkün olduğunca patoloji doğrulaması, uzun dönem takip veya çoklu uzman uzlaşısı ile desteklenmelidir. Çoklu uzman tarafından yapılan etiketlemelerde inter-observer varyasyon analizi yapılması ground truth güvenilirliğini artırır (12).

Bir diğer önemli konu sınıf dengesizliğidir (class imbalance). İdeal olarak her sınıfın benzer sayıda temsil edilmesi hedeflenir; ancak nadir hastalıklar bu dengeyi bozabilir (13). Modelin çoğunluk sınıfa eğilim göstermesi duyarlılık ve özgüllüğün yanlış yorumlanmasına yol açabilir. Bu durumda veri artırma (data augmentation) yöntemleri uygulanabilir (14). Döndürme, parlaklık veya kontrast değişimi gibi işlemlerle modelin farklı varyasyonları görmesi sağlanır.

Eğitim öncesinde veri seti eğitim, validasyon ve test gruplarına ayrılmalıdır. Eğitim seti modelin öğrenmesi, validasyon seti hiperparametre ayarlarının belirlenmesi ve eğitim sürecinin izlenmesi, test seti ise nihai performansın ölçülmesi için kullanılır. Genellikle veri %70–15–15 veya küçük veri setlerinde %80–10–10 oranında bölünür. Test grubundaki verilerin eğitim sırasında modele gösterilmesi “veri sızıntısı (data leakage)” olarak adlandırılır ve performansın olduğundan yüksek görünmesine neden olur (15). Bu nedenle veri bölme işlemi dikkatle yapılmalıdır.

Model seçimi ve hiperparametre ayarları veri yapısına ve amaca uygun şekilde belirlenmelidir. Eğitim sırasında eğitim ve validasyon sonuçları birlikte izlenir. Eğitim başarısı artarken validasyon başarısı sabit kalıyorsa bu durum “overfitting”i gösterir. Her iki grubun başarısı da düşük kalıyorsa “underfitting” söz konusudur (16). Bu durumlarda hiperparametre güncellemeleri veya model değişiklikleri yapılabilir.

Eğitim tamamlandıktan sonra test grubundaki veriler modele gösterilir ve sonuçlar gerçek etiketlerle karşılaştırılarak performans değerlendirilir. Sınıflama modellerinde karışıklık matriksi (confusion matrix) kullanılır ve buradan doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), özgüllük (specificity) ve F1 skor hesaplanır. ROC eğrisi ve AUC değeri, modelin ayırt edici gücünü gösterir. Segmentasyon modellerinde Dice skoru, regresyon modellerinde MAE, RMSE ve R² gibi metrikler kullanılır (17).

Modelin gerçek gücü eksternal validasyon ile ortaya çıkar. Eğitim ve test için kullanılan veri setinden tamamen farklı bir merkezden elde edilen verilerle yapılan değerlendirme, modelin genellenebilirliğini gösterir. Klinik kullanıma geçmeden önce gerçek klinik ortamda karar destek sistemi olarak test edilmeli; tanı süresi, hata oranı ve klinik karar doğruluğu üzerindeki etkisi analiz edilmelidir. Bu tür değerlendirmeler prospektif tasarımlarla ve mümkünse randomize çalışmalarla güçlendirilmelidir (18).

4. Modalite ve Alt Disiplin Bazlı Uygulamalar

4.1 Nörolojik Görüntüleme

Nöroradyolojide derin öğrenme tabanlı algoritmaların gelişimiyle beyin ve spinal görüntülemede lezyon saptama, segmentasyon ve nicel analiz süreçlerinde önemli ilerlemeler sağlanmış; yapay zekâ deneysel bir araç olmaktan çıkarak klinik karar destek sistemlerinin bir parçası hâline gelmeye başlamıştır (19). Özellikle akut inme görüntülemesinde BT’de intrakraniyal kanama tespiti, BT perfüzyon verilerinden iskemik çekirdek ve penumbra alanlarının belirlenmesi, BT anjiyografide büyük damar tıkanıklıklarının saptanması ve hemorajik transformasyon riskinin hesaplanması gibi görevlerde etkin biçimde kullanılmaktadır. Bu uygulamaların acil servis triyaj süreçlerini hızlandırdığı, hasta yönetimine katkı sağladığı ve iş yükünü azalttığı gösterilmiştir (20). Beyin tümörlerinde çok parametreli MRG verileri üzerinden geliştirilen algoritmalar tümör segmentasyonu, hacimsel ölçüm ve tedaviye yanıt değerlendirmesinde nicel ve tekrarlanabilir sonuçlar sunmakta; demyelinizan ve infeksiyöz hastalıkların tümörlerden ayrımında non-invaziv tanıya yardımcı olmaktadır (21).

4.2 Baş-Boyun Görüntüleme

Baş-boyun görüntüleme, kompleks anatomik yapıların ve onkolojik patolojilerin sık görüldüğü bir alan olması nedeniyle yapay zekâ uygulamaları için önemli bir çalışma sahasıdır. BT, MRG ve PET/BT verileri üzerinden geliştirilen algoritmalar; tümör saptama, segmentasyon ve nodal tutulumun değerlendirilmesi, tedavi planlanması ve radyoterapi hedef bölgenin belirlenmesi gibi görevlerde standardizasyon potansiyeli sunmaktadır. Radyomiks ve derin öğrenme tabanlı yaklaşımlar, tümör heterojenliğini nicel parametrelere dönüştürerek histopatolojik özelliklerin ve prognozun öngörülmesine yönelik araştırmalarda kullanılmaktadır. Nazofarenks, orofarenks ve larenks kanserlerinde geliştirilen modeller; HPV ilişkili tümör alt tiplerinin ayrımı, tedavi yanıtının tahmini ve sağkalım öngörüsü gibi ileri klinik hedeflere yönelmektedir. Tiroid ultrasonografisi (USG), baş-boyun bölgesinde yapay zekânın klinik uygulamaya en yakın olduğu alanlardan biridir. Derin öğrenme tabanlı modeller; tiroid nodüllerinin saptanması, benign-malign ayrımı ve risk sınıflandırması süreçlerinde kullanılmaktadır. Bu sistemlerin, ACR TI-RADS temelli değerlendirmeye destek olabileceği; özellikle deneyim düzeyi düşük gözlemcilerde tanısal performansı artırabileceği bildirilmektedir. Bazı çalışmalarda yapay zekâ destekli sistemlerin deneyimli radyologlarla karşılaştırılabilir duyarlılık ve özgüllük değerlerine ulaştığı bildirilmiştir (22).

4.3 Toraks Görüntüleme

Son yıllarda yayınlanan çalışmalar, toraks görüntülemede YZ sistemlerinin hem tarama hem de acil klinik senaryolarda karar destek aracı olarak kullanılabileceğini göstermektedir (23). Akciğer nodüllerinin tespiti ve malignite riskinin değerlendirilmesi, toraks radyolojisinde YZ’nın en yaygın uygulama alanıdır. Düşük doz BT ile yapılan akciğer kanseri taramalarında geliştirilen modeller, nodül saptama performansını artırmakta ve yalancı pozitiflik oranlarını azaltabilmektedir. Radyomiks ve makine öğrenmesi tabanlı yaklaşımlar ise nodül karakterizasyonu ve prognoz tahmini açısından umut verici sonuçlar sunmaktadır (24). Pulmoner emboli gibi akut patolojilerin BT anjiyografi görüntülerinde otomatik tespiti ve pnömotoraks ve hematoraks gibi acil durumların tespiti kritik vakaların önceliklendirilmesi, YZ’nın klinik triyaj süreçlerine katkı sağladığı diğer önemli bir alandır (25). İnterstisyel akciğer hastalıklarında geliştirilen algoritmalar, fibrotik değişikliklerin kantitatif analizini sağlayarak hastalık progresyonunun objektif izlenmesine katkı sunmaktadır.

4.4 Kardiyovasküler Görüntüleme

Kardiyovasküler görüntüleme, yüksek mortaliteye sahip hastalıkların değerlendirilmesi ve ölçümsel parametrelerin merkezi önemi nedeniyle yapay zekâ uygulamalarının hızla geliştiği alanlardan biridir. Özellikle kardiyak BT ve MRG, hacimsel ve fonksiyonel verilerin nicel analizine uygun yapıları sayesinde derin öğrenme algoritmaları için elverişli bir ortam sunmaktadır. Koroner BT anjiyografide koroner arter segmentasyonu, stenoz derecelendirmesi ve plak karakterizasyonu gibi görevlerde otomatik/yarı otomatik çözümler klinik ilgiyi artırmıştır. Kalsiyum skorlamasının otomatik hesaplanması, tarama programlarında standardizasyonu artırmakta, riski sınıflamakta ve raporlama iş yükünü azaltabilmektedir. Ayrıca fraksiyonel akım rezervi (FFR-CT) hesaplamasında kullanılan modeller, invaziv girişim gereksinimini azaltma potansiyeli nedeniyle klinik ilgi görmektedir. Kardiyak MRG’de YZ uygulamaları özellikle ventrikül segmentasyonu, ejeksiyon fraksiyonu hesaplaması, myokardiyal skar analizi ve myokardiyal patolojiler alanlarında yoğunlaşmıştır; otomatik segmentasyon algoritmaları daha hızlı ve tekrarlanabilir sonuçlar sunarak iş akışını optimize etmeyi hedeflemektedir. Perfüzyon ve doku karakterizasyonuna yönelik YZ tabanlı yaklaşımlar ise ileri düzey prognostik analizlere olanak sağlamaktadır. Büyük damar hastalıklarında YZ sistemleri, anevrizma çap ölçümü, diseksiyon tespiti ve progresyon takibinde destekleyici rol üstlenmektedir. Acil vakaların otomatik önceliklendirilmesi, özellikle yüksek hacimli merkezlerde klinik güvenliği artıran bir unsur olarak değerlendirilmektedir (26).

4.5 Abdomen Görüntüleme

Abdominal görüntülemede; organ segmentasyonu, abdominal kanserlerde lezyon tespiti, doku karakterizasyonu, tümörün genomik olarak değerlendirilmesi, takibi, erken tanı amaçlı morfolojik değişikliklerin saptanması, tedaviye yanıtın değerlendirilmesinde ve prognostik değerlendirmede klinik karar destek aracı olarak kullanılmaktadır. Karaciğer görüntüleme, abdominal YZ uygulamalarının en yoğun çalışıldığı alanlardan biridir. Otomatik karaciğer segmentasyonu ve hacim ölçümleri, özellikle cerrahi planlama ve transplantasyon öncesi değerlendirmelerde standardizasyon sağlamaktadır. Bunun yanında, karaciğer yağlanması ve fibrozis derecesinin kantitatif olarak belirlenmesine yönelik YZ tabanlı modeller, non-invaziv değerlendirme süreçlerine katkı sunmaktadır. Fokal karaciğer lezyonlarının benign–malign ayrımında geliştirilen radyomiks ve derin öğrenme tabanlı yaklaşımlar da tanısal doğruluğu artırmayı hedeflemektedir (27,28). YZ, hızlı ve doğru tanının kritik olduğu acil abdominal görüntülemede de umut vadeden bir araç olarak öne çıkmaktadır. BT, direkt grafi ve ultrasonografi gibi temel modalitelerde geliştirilen YZ modelleri; apandisit, barsak obstrüksiyonu ve kolesistit gibi yaygın akut patolojilerin saptanmasında potansiyel göstermektedir (29).

4.6 Meme Görüntüleme

Meme görüntülemede özellikle mamografi temelli taramalarda geliştirilen derin öğrenme algoritmaları; kitle, asimetri ve mikrokalsifikasyon saptanmasında radyoloğa destek sağlayarak duyarlılığı artırmayı ve yalancı negatiflik oranlarını azaltmayı hedeflemektedir. YZ sistemleri ayrıca iş akışını optimize etmek amacıyla ön değerlendirme ve vaka önceliklendirme süreçlerinde ve çekim kalitesinin optimize edilmesinde de kullanılmaktadır.

Dijital tomosentez ve kontrastlı mamografi gibi ileri tekniklerde, YZ tabanlı modeller lezyon karakterizasyonu ve malignite risk tahmini açısından umut verici sonuçlar sunmaktadır. MRG’de ise YZ uygulamaları, lezyon segmentasyonu, kinetik kontrastlanma analizi ve moleküler alt tip öngörüsü gibi ileri düzey görevlerde yoğunlaşmaktadır; radyomiks tabanlı yaklaşımlar, tümör alt tiplerinin öngörülmesi ve tedavi yanıtının değerlendirilmesi gibi klinik hedeflere yönelmektedir. Meme ultrasonografisi (USG), özellikle yoğun meme dokusunda ve genç hasta popülasyonunda mamografiye tamamlayıcı rolü nedeniyle yapay zekâ için önemli bir uygulama alanıdır. USG görüntüleri üzerinden geliştirilen derin öğrenme tabanlı modeller; kitle saptama, benign-malign ayrımı ve BI-RADS kategorisi öngörüsünde karar desteği sunmaktadır (30,31).

4.7 Kas-İskelet Sistemi Görüntüleme

Kas iskelet sistemi görüntülemede; direkt grafiler, BT, dual enerji BT ve MRG temelli incelemelerde geliştirilen derin öğrenme algoritmaları; kırık tespiti, dejeneratif değişikliklerin değerlendirilmesi ve yumuşak doku patolojilerinin sınıflandırılması gibi görevlerde radyoloğa destek sunmaktadır. Direkt grafilerde kırık tespiti, kas-iskelet alanında YZ’nın en yaygın ve olgun uygulamalarından biridir. Bu uygulamaların acil servis ortamında triyaj süreçlerini hızlandırabileceği gösterilmiştir. Pediatrik popülasyonda kemik yaşı tayini de YZ’nın rutin klinik kullanıma en yakın uygulamalarından biri olarak öne çıkmaktadır. MRG’de ise YZ uygulamaları, tümör segmentasyonu, hacimsel ölçümler, metabolik hastalıklar, kemik iliği ödem analizi, menisküs ve bağ yaralanmaları, kıkırdak hasarı ve dejeneratif eklem hastalıklarının değerlendirilmesinde yoğunlaşmaktadır. Otomatik segmentasyon algoritmaları, özellikle diz MRG’de kıkırdak hacmi ve kalınlığının tekrarlanabilir ölçümünü sağlayarak osteoartrit progresyonunun izlenmesine katkıda bulunmaktadır. Kas kompozisyonu ve yağ infiltrasyonunun kantitatif analizi ise sarkopeni ve metabolik hastalıklarla ilişkili değerlendirmelerde önem kazanmaktadır. Radyomiks temelli yaklaşımlar, kemik ve yumuşak doku tümörlerinde histolojik alt tip ve prognoz öngörüsü açısından araştırılmaktadır (32).

4.8 Girişimsel Radyoloji

Girişimsel radyoloji, görüntü kılavuzlu minimal invaziv işlemler nedeniyle gerçek zamanlı karar destek gerektiren dinamik bir alandır. Yapay zekâ uygulamaları bu alanda yalnızca tanısal değil; lezyon hedefleme, görüntü füzyonu, anatomik segmentasyon, prosedür planlaması, intraprosedürel yönlendirme ve komplikasyon risk öngörüsü gibi çok boyutlu süreçlerde destekleyici rol üstlenmektedir. Per-prosedürel görüntü analizinde yapay zekâ, iğne yolunun optimizasyonu ve kritik anatomik yapıların korunması amacıyla navigasyon sistemlerine entegre edilebilmektedir. Robotik destekli girişimlerde görüntü temelli algoritmaların, işlem hassasiyetini artırma ve operatör bağımlılığını azaltma potansiyeli bulunmaktadır. Ayrıca işlem öncesi görüntülerden elde edilen radyomiks ve klinik verilerle komplikasyon, rekürrens veya tedavi yanıtı tahmini yapılmasına yönelik modeller araştırılmaktadır. Ayrıca yapay zekâ destekli stent ve endovasküler cihazlarla uygulanan tedavinin kalitesi ve etkinliğini artırmaya yönelik çalışmalar bulunmaktadır. Bununla birlikte girişimsel radyolojide yapay zekâ uygulamalarının büyük bölümü araştırma veya erken klinik fazdadır. Gerçek zamanlı entegrasyon gereksinimi, düşük gecikme süresi (latency) ihtiyacı ve hasta güvenliği açısından regülasyon süreçleri bu alanı diğer modalitelerden daha karmaşık hâle getirmektedir (33).

5. İş Akışı Optimizasyonu (Workflow)

Son 20 yılda radyolojik tetkik sayılarındaki artış, görüntüleme hacminin yalnızca niceliksel değil aynı zamanda niteliksel olarak da karmaşıklaşmasına yol açmıştır. Çok parametreli BT ve MRG incelemeleri, artan alt uzmanlık gereksinimi ve raporlama beklentilerinin yükselmesi, radyologların bilişsel yükünü belirgin biçimde artırmıştır. Bu bağlamda yapay zekâ uygulamaları yalnızca tanısal doğruluğu artırmaya yönelik değil, iş akışının yeniden yapılandırılmasına yönelik araçlar olarak da konumlanmaktadır (34).

YZ destekli triyaj sistemleri; intrakraniyal kanama, büyük damar oklüzyonu ve pulmoner emboli gibi acil durumları otomatik önceliklendirebilmektedir. Çalışmalarda LVO tespitinde %87–95 duyarlılık ve bazı merkezlerde kapıdan tedaviye sürede 10–20 dakikalık azalma bildirilmiştir. İntrakraniyal kanama algoritmalarında AUC ~0.90 düzeyinde rapor edilmiş, kritik vakalarda raporlama süresinde %20–40 azalma sağlanmıştır. Meme kanseri taramasında AI destekli çift okuma modelleri kanser saptama oranını korurken radyolog iş yükünü yaklaşık %40 azaltmış; yanlış pozitiflerde %5–6, yanlış negatiflerde %2–9 azalma bildirilmiştir. Ancak yanlış pozitif oranlarının yüksek olması durumunda iş yükünün azalmak yerine artabileceği göz önünde bulundurulmalıdır.

Raporlama sürecinde doğal dil işleme (NLP) tabanlı sistemler, yapılandırılmış raporlama şablonlarının oluşturulmasına ve kritik bulguların standart ifadelerle kaydedilmesine katkı sunabilmektedir. Ayrıca otomatik ölçüm ve segmentasyon araçları, hacimsel analiz gerektiren olgularda zaman tasarrufu sağlamaktadır.

İş akışı optimizasyonunda bir diğer önemli alan, kalite kontrol ve hata azaltma sistemleridir. Yapay zekâ algoritmaları; yanlış hasta eşleşmesi, eksik seri yüklenmesi veya teknik artefaktların tespiti gibi operasyonel hataları erken aşamada belirleyebilmektedir. Bu uygulamalar doğrudan tanısal performansı değil, sistem güvenliğini ve süreç kalitesini artırmayı hedeflemektedir. Bununla birlikte iş akışına entegre edilen yapay zekâ sistemlerinin performansı yalnızca algoritmik doğrulukla değerlendirilmemelidir. Klinik etki analizleri; raporlama süresi, karar doğruluğu, hasta yönetimi süresi ve kullanıcı memnuniyeti gibi parametreleri içermelidir. Ayrıca sürekli performans izleme ve model güncellenmesi yapılmadığı takdirde, zamanla ortaya çıkan veri kayması (dataset shift) iş akışında beklenen faydayı azaltabilir.

6. Prognostik ve Prediktif Modelleme

Radyolojide yapay zekânın bir sonraki evresi, yalnızca mevcut patolojiyi saptamak değil; hastalığın seyrini ve tedaviye yanıtı öngörebilen prognostik ve prediktif modeller geliştirmektir. Prognostik modeller, radyomiks ve derin öğrenme ile tümör heterojenliğini nicel özelliklere dönüştürerek progresyon, rekürrens ve sağkalım gibi sonuçları öngörmeyi; görüntü fenotiplerini moleküler alt tiplerle ilişkilendirmeyi hedefler. Prediktif modeller ise neoadjuvan tedavi, immünoterapi veya radyoterapi yanıtını tahmin ederek kişiselleştirilmiş tedavi planlamasına katkı sağlamayı amaçlar. Bu yaklaşımların temelinde, görüntü verisinin klinik, laboratuvar ve genomik bilgilerle birleştirildiği multimodal ve multiomik entegrasyon yer alır. Ancak alanın önemli sınırlılıkları vardır: çalışmaların çoğu retrospektif ve tek merkezli olup dış validasyon oranları düşüktür; overfitting, sınıf dengesizliği ve kalibrasyon sorunları klinik genellenebilirliği kısıtlayabilir. Ayrıca prognostik/prediktif çıktılar tedavi kararlarını etkileyebileceğinden, regülasyon süreçleri daha karmaşıktır ve klinik etki analizleri ile prospektif güvenlik değerlendirmeleri kritik önem taşır. Bu nedenle raporlama ve yanlılık değerlendirme rehberlerinin sistematik uygulanması kritik önemdedir (34,35).

7. Regülasyon, Metodolojik Kalite ve Etik

7.1 Regülasyon

Yapay zekâ temelli sistemler, özellikle tanısal veya tedavi kararını etkileyen çıktılar ürettiğinde “Software as a Medical Device (SaMD)” kapsamında değerlendirilmektedir. FDA, yapay zekâ/makine öğrenmesi tabanlı SaMD için yaşam döngüsü yaklaşımını vurgulayan çerçeveler yayımlamış ve 2021 tarihli eylem planında adaptif algoritmaların yönetimine ilişkin ilkeleri tanımlamıştır. Avrupa Birliği’nde ise MDR (EU 2017/745) kapsamında klinik değerlendirme, risk sınıflaması ve post-market izleme süreçleri zorunlu hâle getirilmiştir. Ayrıca AB Yapay Zekâ Tüzüğü (AI Act) sağlık amaçlı yüksek riskli yapay zekâ sistemleri için ek gereklilikler getirerek MDR ile birlikte uyumlu bir yönetişim ihtiyacını güçlendirmektedir.

Yapay zekâ temelli radyoloji uygulamaları Türkiye’de TİTCK (Türkiye İlaç ve Tıbbi Cihaz Kurumu) tarafından, Avrupa Birliği MDR çerçevesiyle uyumlu biçimde tıbbi cihaz mevzuatı kapsamında değerlendirilmektedir. Veri güvenliği ve hasta mahremiyeti açısından ise 6698 sayılı KVKK hükümleri; kişisel sağlık verilerinin işlenmesi, anonimleştirilmesi ve veri aktarım süreçlerinde bağlayıcı düzenlemeler getirmektedir. Türk Radyoloji Derneği tarafından hazırlanan yapay zekâ rehberi, radyolojide YZ uygulamalarının veri güvenliği, etik sorumluluk, klinik validasyon ve sürekli performans izleme ilkeleri doğrultusunda, radyolog denetiminde karar destek sistemi olarak konumlandırılması gerektiğini vurgulamaktadır. Bu çerçeve, uluslararası regülasyon ve raporlama standartlarıyla uyumlu bir ulusal yol haritası sunmaktadır.

Türkiye’de yapay zekâ uygulamalarının klinik pratiğe entegrasyonu yalnızca akademik çalışmalarla sınırlı kalmayıp, kamu–sanayi iş birliği projeleriyle de somutlaşmaktadır. TÜSEB (Türkiye Sağlık Enstitüleri Başkanlığı) iş birliğiyle ASELSAN tarafından geliştirilen ARİS, yoğun bakım ve acil servislerde çekilen akciğer grafilerini cihaz üzerinde anlık analiz ederek kritik bulgular için gerçek zamanlı karar desteği sunmaktadır. METRA, KETEM’lerde yüksek hacimli mamografi taramalarında radyologlara “ikinci göz” desteği sağlarken; RADİS, klinik tabloya göre en uygun görüntüleme yöntemini kılavuz temelli algoritmik destekle önermektedir. Bunun yanında e-Nabız ve teleradyoloji ile merkezi görüntü arşiv sistemleri gibi ulusal dijital sağlık platformları, büyük ölçekli ve standardize edilmiş veri altyapısı sağlayarak yapay zekâ uygulamalarının geliştirilmesi, entegrasyonu ve performans izlenmesi açısından stratejik bir zemin oluşturmaktadır. Bu bütüncül yapı, yapay zekânın yalnızca görüntü analizi değil, sistem düzeyinde sürdürülebilir dijital dönüşüm aracı olarak konumlandırılma çabasını göstermektedir.

7.2 Metodolojik Kalite: Raporlama Rehberleri

YZ araştırmalarında metodolojik kaliteyi artırmak amacıyla uluslararası raporlama rehberleri geliştirilmiştir. Klinik çalışmalarda CONSORT-AI ve SPIRIT-AI rehberleri, yapay zekâ içeren denemelerin ve protokollerin şeffaf raporlanmasını hedefler (36,37). Tanısal/prediktif modeller için TRIPOD+AI raporlama standardizasyonu sağlarken, PROBAST (ve ilgili açıklama belgeleri) yanlılık riskinin sistematik değerlendirilmesinde kullanılır (35). Erken faz klinik entegrasyon süreçlerinde DECIDE-AI, gerçek dünya uygulamalarında algoritmanın kullanıcı etkileşimi ve güvenlik profilinin değerlendirilmesini önermektedir (38).

7.3 Etik

Etik boyutta, veri gizliliği, algoritmik yanlılık (bias), şeffaflık ve hesap verebilirlik temel tartışma alanlarını oluşturmaktadır. WHO rehberleri; insan merkezli tasarım, adalet, veri güvenliği, açıklanabilirlik ve sürekli performans izleme gibi prensipleri vurgulamaktadır (39). Yapay zekâ uygulamalarında hasta hakları ve veri sorumluluğu temel önceliktir. Açık hasta onamı ve bilgilendirme süreçleri tanımlanmalı; KVKK, GDPR ve HIPAA gibi veri koruma mevzuatlarına tam uyum sağlanmalıdır. Veri erişimi rol temelli yetkilendirme ile sınırlandırılmalı; şifreleme, kayıt tutma (logging) ve anonimleştirme/psödonimleştirme süreçleri uygulanmalı, yeniden tanımlama riski değerlendirilmelidir. Etik kurul/IRB onayları, veri paylaşım sözleşmeleri (DPA), veri minimizasyonu ve saklama politikaları düzenleyici çerçevede açıkça tanımlanmalıdır. Federated learning ve diferansiyel gizlilik gibi mahremiyet artırıcı yöntemler desteklenmeli; hastalara veri kullanımı konusunda şeffaf bilgi ve itiraz mekanizmaları sunulmalıdır.

Sorumlu yapay zekâ uygulaması için klinik sorumluluğun radyolog, yazılım geliştirici ve sağlık kurumu arasında açık biçimde tanımlanması gerekir. Devreye alma süreçleri teknik ve klinik doğrulamayı içermeli; canlı ortamda performans izleme, geri bildirim ve advers olay raporlama mekanizmaları kurulmalıdır. Human-in-the-loop gereksinimleri, hangi durumlarda uzman onayı veya konsültasyon gerektiğiyle birlikte netleştirilmelidir. Kullanım kılavuzları, veri ve model izlenebilirliği (provenance), kayıt tutma ve periyodik yeniden doğrulama (re-validation) standartlaştırılmalı; sorumluluk ve sigorta çerçeveleri düzenleyici uyumla birlikte ele alınmalıdır.

8. Sağlık Ekonomisi ve Değer Temelli Katkı

Sağlık ekonomisi raporları, yapay zekânın teşhis ve görüntüleme alanında önemli verimlilik kazançları sağlayabileceğini göstermektedir. McKinsey analizleri küresel ölçekte yüksek ekonomik değer potansiyeline işaret ederken, OECD raporları artan hizmet talebi ve işgücü baskısı karşısında YZ’nın tanı ve operasyon süreçlerinde verimlilik ve sistem dayanıklılığı sağlayabileceğini vurgulamaktadır (40). Bununla birlikte HTA (sağlık teknoloji değerlendirmesi) perspektifinde yalnızca teknik performans değil; klinik etkinlik, maliyet- etkililik, bütçe etkisi ve uygulanabilirlik birlikte değerlendirilmelidir. Yazılım lisansları, entegrasyon, bilişim altyapısı, siber güvenlik ve sürekli model güncellemeleri toplam sahip olma maliyetinin önemli bileşenleridir. Bu nedenle ekonomik katkı, kısa vadeli gelir artışından ziyade uzun vadeli verimlilik, hata azalması ve sağlık kazanımları üzerinden analiz edilmelidir.

Post-market dönemde veri kayması (dataset shift) nedeniyle performans değişebileceğinden sürekli izlem gereklidir. Geri ödeme modelleri kanıt düzeyine göre aşamalı (coverage with evidence development), sonuç/performans temelli veya hizmet başına ödeme şeklinde yapılandırılabilir; böylece klinik faydanın gerçek dünyada doğrulanması ile finansal sürdürülebilirlik birlikte yönetilebilir.

9. Limitasyonlar

Radyolojide yapay zekâ uygulamalarının en önemli sınırlamalarından biri veri heterojenliğidir. Farklı cihazlar, protokoller ve hasta popülasyonları arasında değişkenlik gösteren görüntü parametreleri, algoritmaların genellenebilirliğini etkileyebilmektedir. Dataset shift ve domain adaptasyon problemleri, performansın gerçek klinik ortamda düşmesine neden olabilir. Çalışmaların önemli bir bölümü retrospektif ve tek merkezlidir; çok merkezli ve prospektif validasyon oranları sınırlıdır. Ayrıca birçok model yalnızca AUC, duyarlılık veya özgüllük gibi performans metrikleri üzerinden değerlendirilmekte; klinik etki analizi yeterince yapılmamaktadır (34). Bir diğer önemli sorun overfitting ve veri sızıntısıdır. Eğitim sürecindeki metodolojik hatalar, model performansının olduğundan yüksek raporlanmasına yol açabilir. Bu nedenle TRIPOD+AI ve PROBAST gibi rehberlerin sistematik biçimde uygulanması kritik önemdedir. Son olarak, sürekli öğrenen (adaptive) algoritmalar için regülasyon ve kalite kontrol mekanizmaları tam olarak standartlaşmamıştır. Model güncellemelerinin izlenmesi ve performans kaybının erken tespiti için yaşam döngüsü temelli bir yaklaşım gereklidir.

10. Yeşil Radyoloji ve Yapay Zeka

Sağlık sektörü, küresel karbon salımının önemli bir bileşenidir ve görüntüleme sistemleri yüksek enerji tüketimi, veri depolama altyapıları ve sarf malzemeleri nedeniyle bu yükün kayda değer bir kısmını oluşturmaktadır. BT ve MRG gibi ileri görüntüleme modaliteleri yüksek elektrik tüketimi gerektirirken, kontrast madde kullanımı ve tekrar çekimler çevresel yükü artırmaktadır. “Yeşil radyoloji” yaklaşımı, radyoloji hizmetlerinin çevresel etkisini azaltmayı hedefleyen sürdürülebilirlik temelli bir dönüşümü ifade etmektedir. Yapay zekâ, bu dönüşümde hem doğrudan hem dolaylı katkı sağlayabilecek bir araçtır. Klinik karar destek sistemleri, gereksiz veya düşük değerli tetkiklerin azaltılmasına yardımcı olabilir. Uygun görüntüleme istem algoritmaları, klinik endikasyona göre en uygun modalitenin seçilmesini destekleyerek hem maliyet hem de enerji tüketimi açısından verimlilik sağlayabilir (41).

Teknik düzeyde yapay zekâ algoritmaları, düşük doz BT rekonstrüksiyonu ve gürültü azaltma yöntemleri ile daha az kaynak kullanımıyla tanısal yeterlilik sağlamayı hedefleyebilir. MRG’de hızlandırılmış sekans optimizasyonu ve eksik veri rekonstrüksiyonu teknikleri çekim süresini kısaltarak enerji kullanımını azaltma potansiyeline sahiptir. Ayrıca otomatik kalite kontrol sistemleri, tekrar çekim oranlarını azaltarak kaynak tüketimini düşürebilir. Bununla birlikte yapay zekâ sistemlerinin geliştirilmesi ve eğitilmesi de önemli enerji tüketimi gerektirebilir. Büyük veri setleri üzerinde eğitilen derin öğrenme modellerinin karbon ayak izi göz önünde bulundurulmalıdır. Bu nedenle enerji verimli YZ yaklaşımları ve model eğitiminde enerji tüketiminin raporlanması giderek daha önemli hâle gelmektedir. Gelecekte klinik çalışmaların yalnızca performans metriklerini değil, enerji ve kaynak tüketim göstergelerini de içermesi sürdürülebilirlik açısından değerli olacaktır. Avrupa Birliği Yeşil Mutabakatı ve sürdürülebilir sağlık politikaları doğrultusunda sağlık kurumlarının karbon ayak izi ölçümüne yönelik standartlar geliştirilmekte olup, radyoloji bölümlerinde enerji tüketiminin izlenmesi ve azaltım stratejilerinin uygulanması giderek önem kazanmaktadır. Bu bağlamda yapay zekâ çözümleri, klinik değer üretirken çevresel sorumluluk perspektifi ile değerlendirilmelidir.

Sonuç olarak yeşil radyoloji yaklaşımı, yapay zekânın yalnızca tanısal doğruluk veya iş akışı verimliliği ile değil; sistem düzeyinde sürdürülebilirlik katkısı ile de ölçülmesini gerektirir. Radyolojide yapay zekâ, klinik performans, ekonomik verimlilik ve çevresel sürdürülebilirlik arasında denge kuran stratejik bir araç olarak konumlanmalıdır.

11. Sonuç ve Gelecek Vizyonu

Yapay zekâ, radyoloji pratiğinde yalnızca tanısal doğruluğu artıran bir araç olmaktan çıkarak multimodal, multiomik ve entegre klinik karar destek sistemlerinin temel bileşeni hâline evrilmektedir. Görüntü verilerinin klinik, laboratuvar ve genomik bilgilerle birlikte analiz edilmesi; kişiselleştirilmiş risk öngörüsü ve tedavi planlamasına olanak sağlamaktadır. Bu dönüşüm; iş akışı optimizasyonu, prognostik–prediktif modelleme, kalite kontrol ve sürdürülebilirlik boyutlarını içeren, sürekli veriyle beslenen ve performansı izlenen dinamik bir sistem yaklaşımını temsil eder. Yapay zekâ sistemlerinin güvenli klinik entegrasyonunda human-in-the-loop yaklaşımı temel bir yönetişim modelidir. Bu çerçevede algoritma çıktıları otonom kararlar olarak değil, uzman hekim tarafından doğrulanan ve klinik bağlam içinde yorumlanan destekleyici girdiler olarak değerlendirilir; nihai sorumluluk insanda kalır.

Sonuç olarak radyolojide yapay zekâ entegrasyonu, teknik bir uygulamadan çok sistemik bir dönüşümdür. Başarı; multidisipliner iş birliği, metodolojik titizlik, regülasyon uyumu ve sürekli performans izlemine bağlıdır. Bu çerçeve, klinik mükemmeliyet ile etik ve çevresel sürdürülebilirliği birlikte ele almayı gerektirir.

Yapay zekânın radyoloji pratiğinde kalıcı bir yer edineceği açıktır. Bu bağlamda Dr. Curtis Langlotz’un ifadesiyle, “Yapay zekâ radyologların yerini almayacak, ancak yapay zekâ kullanan radyologlar kullanmayanların yerini alacaktır.” Bu hızlı dönüşüm sürecinde radyoloji uzmanlarına düşen sorumluluk, pasif bir kullanıcı olmak değil; veri seçimi, model geliştirme, klinik validasyon ve entegrasyon aşamalarının tamamında aktif rol üstlenmektir. Geleceğin radyoloğu, yalnızca görüntüyü yorumlayan değil; veriyi entegre eden, klinik değeri tanımlayan ve teknolojik yönü belirleyen bir klinik stratejist olacaktır. Bu evrim, radyoloğun yerini alan otonom sistemlerden ziyade; klinik bağlamı algılayabilen, çoklu veri kaynaklarını eş zamanlı işleyebilen ve iş akışını yönlendirebilen ajantik yapay zekâyla güçlendirilmiş radyolog modelini tanımlamaktadır.

Kaynakça

1. Sivakumar R, Lue B, Kundu S. FDA Approval of Artificial Intelligence and Machine Learning Devices in Radiology. JAMA Netw Open. 2025 Nov 7;8(11):e2542338. doi:10.1001/jamanetworkopen.2025.
2. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychol Rev. 1958;65(6):386–408. doi:10.1037/h
3. Kelly BS, Judge C, Bollard SM, Clifford SM, Healy GM, Aziz A, et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur Radiol. 2022 Apr 14;32(11):7998–8007. doi:10.1007/s00330-022-08784-6
4. Krizhevsky A, Sutskever I, Hinton GE. ImageNet Classification with Deep Convolutional Neural Networks [Internet]. Report. Available from: http://code.google.com/p/cuda-convnet/
5. Strohm L, Hehakaya C, Ranschaert ER, Boon WPC, Moors EHM. Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. Eur Radiol. 2020 Oct 26;30(10):5525–32. doi:10.1007/s00330-020-06946-y
6. Rubin DL. Artificial Intelligence in Imaging: The Radiologist’s Role. Journal of the American College of Radiology. 2019 Sep;16(9):1309–17. doi:10.1016/j.jacr.2019.05.
7. Aryanto KYE, Oudkerk M, van Ooijen PMA. Free DICOM de-identification tools in clinical research: functioning and safety of patient privacy. Eur Radiol. 2015 Dec 3;25(12):3685–95. doi:10.1007/s00330-015-3794-0
8. Schwarz CG, Kremers WK, Therneau TM, Sharp RR, Gunter JL, Vemuri P, et al. Identification of Anonymous MRI Research Participants with Face-Recognition Software. New England Journal of Medicine. 2019 Oct 24;381(17):1684–6. doi:10.1056/NEJMc
9. Banerjee I, Bhattacharjee K, Burns JL, Trivedi H, Purkayastha S, Seyyed- Kalantari L, et al. “Shortcuts” Causing Bias in Radiology Artificial Intelligence: Causes, Evaluation, and Mitigation. Journal of the American College of Radiology. 2023 Sep;20(9):842–51. doi:10.1016/j.jacr.2023.06.
10. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019 Dec 29;17(1):195. doi:10.1186/s12916-019-1426-2
11. Harvey H, Glocker B. A Standardised Approach for Preparing Imaging Data for Machine Learning Tasks in Radiology. In: Artificial Intelligence in Medical Imaging. Cham: Springer International Publishing; 2019. p. 61–72. doi:10.1007/978-3-319-94878-2_6
12. Willemink MJ, Koszek WA, Hardell C, Wu J, Fleischmann D, Harvey H, et al. Preparing Medical Imaging Data for Machine Learning. Radiology. 2020 Apr;295(1):4–15. doi:10.1148/radiol.
13. Japkowicz N, Stephen S. The class imbalance problem: A systematic study1. Intelligent Data Analysis. 2002 Nov 15;6(5):429–49. doi:10.3233/IDA-2002-6504
14. Chlap P, Min H, Vandenberg N, Dowling J, Holloway L, Haworth A. A review of medical image data augmentation techniques for deep learning applications. J Med Imaging Radiat Oncol. 2021 Aug 19;65(5):545–63. doi:10.1111/1754- 9485.
15. Apicella A, Isgrò F, Prevete R. Don’t push the button! Exploring data leakage risks in machine learning and transfer learning. Artif Intell Rev. 2025 Aug 20;58(11):339. doi:10.1007/s10462-025-11326-3
16. Aliferis C, Simon G. Overfitting, Underfitting and General Model Overconfidence and Under-Performance Pitfalls and Best Practices in Machine Learning and AI. In. 2024. p. 477–524. doi:10.1007/978-3-031-39355-6_10
17. Kocak B, Klontzas ME, Stanzione A, Meddeb A, Demircioğlu A, Bluethgen C, et al. Evaluation metrics in medical imaging AI: fundamentals, pitfalls, misapplications, and recommendations. European Journal of Radiology Artificial Intelligence. 2025 Sep;3:100030. doi:10.1016/j.ejrai.2025.
18. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019 Oct;1(6):e271–97. doi:10.1016/S2589-7500(19)30123-2
19. Oliveira VG da S, Junior MALQ, Oliveira DF de, Duarte NL. Smart Imaging in Neurological Emergencies: Challenges and Innovations in AI-Driven Diagnosis. International Journal of Health Science. 2025 Jul 14;5(26):1–12. doi:10.22533/at.ed.
20. Liu Y, Wen Z, Wang Y, Zhong Y, Wang J, Hu Y, et al. Artificial intelligence in ischemic stroke images: current applications and future directions. Front Neurol. 2024 Jul 10;15. doi:10.3389/fneur.2024.
21. Cè M, Irmici G, Foschini C, Danesini GM, Falsitta LV, Serio ML, et al. Artificial Intelligence in Brain Tumor Imaging: A Step toward Personalized Medicine. Current Oncology. 2023 Feb 22;30(3):2673–701. doi:10.3390/curroncol
22. Ha EJ, Baek JH. Applications of machine learning and deep learning to thyroid imaging: where do we stand? Ultrasonography. 2021 Jan 1;40(1):23–9. doi:10.14366/usg.
23. Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019 Jun 20;25(6):954–61. doi:10.1038/s41591-019-0447-x
24. Chassagnon G, Vakalopoulou M, Paragios N, Revel MP. Artificial intelligence applications for thoracic imaging. Eur J Radiol. 2020 Feb;123:108774. doi:10.1016/j.ejrad.2019.
25. Soffer S, Klang E, Shimon O, Barash Y, Cahan N, Greenspana H, et al. Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Sci Rep. 2021 Aug 4;11(1):15814. doi:10.1038/s41598-021-95249-3
26. van Assen M, Muscogiuri G, Caruso D, Lee SJ, Laghi A, De Cecco CN. Artificial intelligence in cardiac radiology. Radiol Med. 2020 Nov 18;125(11):1186–99. doi:10.1007/s11547-020-01277-w
27. Barat M, Pellat A, Hoeffel C, Dohan A, Coriat R, Fishman EK, et al. CT and MRI of abdominal cancers: current trends and perspectives in the era of radiomics and artificial intelligence. Jpn J Radiol. 2024 Mar 6;42(3):246–60. doi:10.1007/s11604-023-01504-0
28. Zhang P, Gao C, Huang Y, Chen X, Pan Z, Wang L, et al. Artificial intelligence in liver imaging: methods and applications. Hepatol Int. 2024 Apr 20;18(2):422– 34. doi:10.1007/s12072-023-10630-w
29. Yao J, Chu LC, Patlas M. Applications of Artificial Intelligence in Acute Abdominal Imaging. Canadian Association of Radiologists Journal. 2024 Nov 7;75(4):761–70. doi:10.1177/
30. Taylor CR, Monga N, Johnson C, Hawley JR, Patel M. Artificial Intelligence Applications in Breast Imaging: Current Status and Future Directions. Diagnostics. 2023 Jun 13;13(12):2041. doi:10.3390/diagnostics
31. Petrillo A, Fusco R, Di Bernardo E, Petrosino T, Barretta ML, Porto A, et al. Prediction of Breast Cancer Histological Outcome by Radiomics and Artificial Intelligence Analysis in Contrast-Enhanced Mammography. Cancers (Basel). 2022 Apr 25;14(9):2132. doi:10.3390/cancers
32. Ruitenbeek HC, Oei EHG, Visser JJ, Kijowski R. Artificial intelligence in musculoskeletal imaging: realistic clinical applications in the next decade. Skeletal Radiol. 2024 Sep 20;53(9):1849–68. doi:10.1007/s00256-024-04684-6
33. Gurgitano M, Angileri SA, Rodà GM, Liguori A, Pandolfi M, Ierardi AM, et al. Interventional Radiology ex-machina: impact of Artificial Intelligence on practice. Radiol Med. 2021 Jul 16;126(7):998–1006. doi:10.1007/s11547-021-01351-x
34. Obuchowicz R, Lasek J, Wodziński M, Piórkowski A, Strzelecki M, Nurzynska K. Artificial Intelligence-Empowered Radiology—Current Status and Critical Review. Diagnostics. 2025 Jan 24;15(3):282. doi:10.3390/diagnostics
35. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024 Apr 16;385:e078378. doi:10.1136/bmj-2023-078378
36. Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK, Ashrafian H, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Lancet Digit Health. 2020 Oct;2(10):e537–48. doi:10.1016/S2589-7500(20)30218-1
37. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ, Darzi A, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020 Sep 9;26(9):1351–63. doi:10.1038/s41591-020-1037-7
38. Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. 2022 May 18;377:e070904. doi:10.1136/bmj-2022-070904
39. Ethics and Governance of Artificial Intelligence for Health. World Health Organization; 2024.
40. AI in Health. 2024 Jan. Report. doi:10.1787/2f709270-en
41. Vosshenrich J, Merkle EM, Heye T. The carbon footprint of modern imaging. Curr Opin Urol. 2025 Nov;35(6):674–8. doi:10.1097/MOU.