MEME RADYOLOJİSİ, Levent ÇELİK,Ömer ÖZÇAĞLAYAN, Editör, Türkiye Klinikleri Yayınevi, İstanbul, ss.39-44, 2023
Yapay zekâ (YZ), makine öğrenimi, konvolusyonel sinir ağları ve derin öğrenme gibi farklı
alt sistemleri kapsayan hızla gelişen bir alandır ve insan zekası ile ilgili akıl yürütme, öğrenme, uyum
sağlama, duyusal anlayış ve etkileşim gibi işlemleri gerçekleştirme yeteneklerini oluşturmaya çalışmaktadır.
Son yıllarda, özellikle meme radyolojisinde, YZ’nin kullanımıyla ilgili araştırmalarda önemli
bir artış gözlemlenmektedir. Meme radyolojisinde bilgisayar destekli tanı (BDT), öncelikle mamografide
kanser tespiti için yirminci yüzyılın sonlarından itibaren kullanılmaya başlanmıştır. Bununla
birlikte, meme ultrasonografisinde YZ araştırmaları da artmaktadır ve otomatik meme ultrasonografisi
g.rüntüleme ile lezyon tespiti ve manuel meme ultrasonografisinde tanısal karar desteği için BDT
kullanımı mevcuttur. Ancak, manuel meme ultrasonografisinde prob ile tarama kullanıcıya bağımlı olduğundan
ve standartlaştırılamadığından, gelecekte prob takibinin standardize edilebilmesi ile, BDT
algoritmalarının gerçek zamanlı çalıştırılmasına izin verecektir. Meme ultrasonografisinde yüksek
yanlış pozitiflik oranı, etkili BDTx algoritmalarının uygulanmasıyla azaltılabilir. Ayrıca, YZ, daha iyi
g.rüntü işleme algoritmalarının geliştirilmesini ve farklı ses hızı parametrelerinin uygulanmasını mümkün
kılacak ve bunun yanında girişimsel işlemlerde rehberlik becerisi YZ desteği ile füzyon g.rüntülemenin
gelişmesi ile artacaktır. YZ sadece tanı amaçlı olarak değil hastanın kliniğe girdiği andan
itibaren başlayan sürecinde hasta akışından, g.rüntü işlenmesi gibi basamaklar da dahil olmak üzere
tanıya kadar ki tüm aşamalarda radyolojiye hizmet verecektir. YZ’nin hasta odaklı olarak daha iyi
sonuç amaçlı kullanılması gelecekte YZ’nin radyolojideki başarısı için önemlidir
Artificial intelligence (AI) is a rapidly growing field that encompasses various subsystems,
including machine learning, convolutional neural networks, and deep learning, and has the ability
to perform processes related to human intelligence such as reasoning, learning, adaptation, sensory
understanding, and interaction. In recent years, there has been a significant increase in research on the
use of AI in radiology, particularly in breast radiology. Computer-assisted diagnosis (CAD) has been
used in breast radiology since the end of twentieth century, primarily for cancer detection in mammography.
However, AI research in breast ultrasound is also gaining momentum, with the possibility
of using CAD for lesion detection in automated breast ultrasound imaging and diagnostic decision support
in handheld breast ultrasound. Although the scanning with the probe in handheld breast ultrasound
is currently user-dependent and cannot be standardized, standardized probe monitoring in the future
will allow for the development of CADe algorithms to be run in real-time. The high false positivity
rate of breast ultrasound can be reduced with the application of effective CADx algorithms. Furthermore,
AI will enable the development of better image processing algorithms and the application of different
sound velocity parameters, ultimately support interventional procedures. With better guidance and fusion
imaging. AI will serve radiology not only for diagnostic purposes, but also for all stages from patient
flow to image processing, starting from the moment the patient enters the clinic until the diagnosis.
The patient-centric use of AI is important for the success of AI in radiology in the future.