Potential of artificial intelligence for radiation dose reduction in computed tomography
A scoping review
M. Bani-Ahmad, A. England, L. McLaughlin, Y.H. Hadi, M. McEntee
Radiography, ISSN: 1078-8174, Vol: 31, Issue: 4, Page: 102968
https://doi.org/10.1016/j.radi.2025.102968

A számítógépes tomográfia (CT) magas időbeli és térbeli felbontásának köszönhetően gyakran alkalmazott és rendkívül hatékony képalkotó eljárás a kóros elváltozások felismerésében és különböző klinikai beavatkozások vezérlésében. A CT-nek azonban van egy velejáró hátránya: az ionizáló sugárzás alkalmazása pontmutációkhoz, kromoszómális transzlokációkhoz és génfúziókhoz vezethet, amelyek sugárzás okozta rosszindulatú daganatokat eredményezhetnek. A képrekonstrukciós algoritmusok, a beteg pozicionálása és a vizsgálati tartomány meghatározása azok közé az alapvető CT-vizsgálati paraméterek közé tartoznak, amelyek módosíthatók vagy optimalizálhatók a sugárterhelés csökkentése érdekében. A beteg kézi pozicionálása a középpont eltolódását okozhatja, ami növeli a sugárdózist és rontja a képminőséget. Ugyanezen összefüggésben megfigyelték, hogy a vizsgálati tartomány kézi beállítása a vizsgálati tartomány kiterjesztését okozhatja a célszerveken túlra, annak érdekében, hogy a kapcsolódó anatómiai struktúrákat is ábrázolják. Ez a gyakorlat felesleges és indokolatlan sugárterheléshez vezet, ami potenciálisan befolyásolhatja a páciensnek ténylegesen leadott dózist. A képrekonstrukciós módszerek, mint például a szűrt visszavetítés (FBP) és az iteratív rekonstrukció (IR) algoritmusok széles körben alkalmazhatók a CT-képalkotásban, azonban hasznosságuk az alacsony dózisú CT (LDCT) esetében megkérdőjelezhetőbb. A mesterséges intelligencia (AI) területén elért legújabb fejlődés számos kihívásra megoldást nyújtott, megnyitva az utat a további kutatások és a szélesebb körű klinikai alkalmazások előtt.

A mesterséges intelligencia (AI) integrálása az orvosi képalkotásba jelentős figyelmet kapott, mivel javíthatja a diagnosztikai pontosságot és a betegbiztonságot. A számtalan innováció közül az AI-alapú megoldások a CT-képek optimalizálásának kulcsfontosságú eszközeivé váltak. Ezek a fejlesztések magukban foglalják az AI-al integrált, kifinomult 3D-kamerák segítségével történő automatizált pozicionálást, a mélytanulási (DL) modellek vagy az AI-alapú anatómiai tájékozódási pontok felismerése révén történő automatizált vizsgálati tartomány-kijelölést, valamint a DL-algoritmusok alkalmazását a képrekonstrukcióhoz. Ezek a technológiák célja a kézi hibák csökkentése és a sugárterhelés minimalizálása, ezáltal javítva az eljárás optimalizálását és védve a betegeket a túlzott vagy indokolatlan sugárterheléstől.
Ezen áttekintés célja a jelenleg rendelkezésre álló mesterséges intelligencia technológiák értékelése és összefoglalása a sugárterhelés optimalizálása érdekében a beteg pozicionálásában, a vizsgálati tartomány kijelölésében és a CT-képek rekonstrukciójában.

Módszerek

Ezt a felmérő jellegű áttekintést a PRISMA-ScR módszertani keretrendszernek megfelelően végeztük el. A módszertan átláthatóságának és hitelességének növelése érdekében mellékeltük a kitöltött PRISMA-ScR ellenőrzőlistát (lásd az 1. kiegészítő táblázatot).+

Keresési stratégia

Az irodalomkutatásokat a Scopus, az Ovid, az EBSCOhost és a PubMed adatbázisokban végeztük el, hogy a releváns publikációk átfogó lefedettségét biztosítsuk. Az adatbázis-keresések során használt kulcsszavak között szerepeltek a mesterséges intelligencia, a számítógépes tomográfia, a dózisoptimalizálás, a dóziscsökkentés, a rekonstrukciós algoritmus, a beteg elhelyezése és a vizsgálati tartomány. Ezeket a kifejezéseket a célbeavatkozás („mesterséges intelligencia”) és a célkimenet („dózisoptimalizálás”) alapján választottuk ki. A Boole-operátorokat (AND, OR és NOT) használtuk az eredmények további szűrésére, hogy azok megfeleljenek a beválasztási kritériumoknak (az adatbázis-keresések teljes jegyzékét lásd a 2. kiegészítő táblázatban).

A tanulmányba való felvétel kritériumai

A tartalomelemzést a felülvizsgálat fő témája alapján végeztük, amely az AI szerepét vizsgálta a CT-sugárzás dózisoptimalizálásában három CT-területen: a vizsgálati tartomány meghatározása, a páciens vertikális elhelyezése és a képrekonstrukció. A cikkek felvételére vonatkozó kritériumok a következők voltak:

1. PICO-k szerepeltetése (1. táblázat);
2. lektorált cikkek;
3. teljes szövegű cikkek;
4. 2018 januárja és 2024 decembere között angol nyelven megjelent cikkek.

Kizártuk az áttekintő cikkeket, konferencia-absztraktokat, kutatási javaslatokat, előzetesen publikált tanulmányokat, nem angol nyelvű cikkeket, valamint azokat a cikkeket, amelyek kizárólag a sugárzási dózis befolyásolása nélküli képminőség javítására összpontosítottak, pl. fémes vagy mozgásból származó artefaktumok csökkentésére.

1. táblázat. A felülvizsgálatban használt PICO-keretrendszer összefoglalása:

A tanulmányok kiválasztása és az adatok kinyerése

A keresési eredményeket a Covidence szoftver (Covidence, Melbourne, Ausztrália) segítségével töltöttük fel és szűrtük meg az ismétlődésektől. Az összes tanulmány címét és absztraktját két kutató (M.B.A. és Y.H.) függetlenül és vakon vizsgálta át. Azokat a cikkeket kizártuk, amelyek címe egyértelműen jelezte, hogy a CT-felvételek határainak kijelölését, a beteg elhelyezését vagy a képrekonstrukciót nem végezték el vagy nem segítették AI-módszerek. Az azonosított cikkek teljes szövegét áttekintettük, hogy strukturált űrlap segítségével kivonjuk az adatokat. Ez olyan információkat tartalmazott, mint az AI-alkalmazások, a sugárterhelés csökkentése, az anatómiai részek és a használt AI-módszerrel kapcsolatos bármely releváns részlet. Összegyűjtötték a felvett tanulmányokban szereplő, az AI-módszereket a hagyományos módszerekkel összehasonlító átlagos sugárterhelési adatokat. A dóziscsökkentést az átlagos dózisok összehasonlításával számították ki, és az átlagos csökkenést százalékban adták meg. Ezenkívül értékelték a dóziscsökkentés statisztikai szignifikanciáját, és adott esetben p-értékekkel jelentették.

Eredmények

Összesen 90, 2018 és 2024 között publikált tanulmányt vettünk figyelembe (1. ábra). A tanulmányok különböző kohorttervezéssel rendelkeztek, és számos kontrasztanyaggal és kontrasztanyag nélkül végzett CT-vizsgálatot fedtek le, beleértve a fej, a nyak, a mellkas, a has, a mellkas/has és a medence vizsgálatát; a CT-angiográfiát (CTA); a CT-urográfiát (CTU) és a CT-enterográfiát (CTE). A sugárterhelési adatokat különböző CT-gyártóktól gyűjtötték össze, többek között a Canon Medical System, a Siemens Healthineers, a General Electric Healthcare és a Philips Healthcare vállalatoktól.

1. ábra: A PRISMA folyamatábra.
Potential of artificial intelligence for radiation dose reduction in computed tomography. A scoping review. Radiography, Vol: 31, Issue: 4, Page: 102968. https://doi.org/10.1016/j.radi.2025.102968

A beteg pozícionálása

A beteg pozicionálása tekintetében (2. táblázat - a cikkben) kilenc tanulmány foglalkozott az automatizált pozicionálás pontosságával a manuális pozicionáláshoz (MP) viszonyítva, valamint ezeknek a sugárterhelésre gyakorolt hatásával. Az elsősorban 3D-kamerákat alkalmazó automatizált pozicionáló rendszerek jelentősen javították a pozicionálás pontosságát a CT-vizsgálatok során, ami hozzájárul a sugárterhelés csökkentéséhez. Tanulmányok kimutatták, hogy az automatizált pozicionálás 44 %-kal csökkenti a középponttól való eltérést a manuálishoz képest, és az izoközponttól 5 mm-en belül elhelyezett betegek arányát a manuálisnál mért 16,1 %-ról 39,0 %-ra növeli az automatizált pozicionálás esetén. Ez a pontosság, amelyet az anatómiai tájékozódási pontok felismerésével és az ideális asztalmagasság kiszámításával érnek el, a klinikai helyzettől és a vizsgált testrésztől függően 6 % és 26 % közötti jelentős sugárterhelés-csökkenést eredményez.

A vizsgálati tartomány kijelölése

Hét tanulmányban hasonlították össze az automatizált vizsgálati tartomány kijelölését és a mesterséges intelligencia (AI) által generált átlagos vizsgálati hosszt a manuális módszerekkel, azzal a céllal, hogy értékeljék a felesleges sugárterheléshez vezető túlzott vizsgálati arányt (3. táblázat - a cikkben). A vizsgálatba bevont tanulmányok különböző AI-modelleket alkalmaztak – többek között mélytanulást és gépi tanulást – a vizsgálati tartományok automatizálására. Az AI-módszerekkel generált vizsgálati tartományok pontosabban fedték le a vizsgálandó anatómiai területeket, mint a manuális megközelítéssel meghatározottak, mivel az AI-hálózatok az anatómiai tájékozódási pontok és a szegmentációs megközelítés alapján pontosan meghatározták az ideális vizsgálati tartományokat. Ez a pontosság csökkentette a túlvizsgálati arányt, ami a célterület anatómiájától függően 15–58 mm-es vizsgálati hosszúság-csökkenést és 5–23 %-os sugárterhelés-csökkenést eredményezett. Az AI-módszerrel mért sugárzási dózisok átlaga és szórása (6,16 ± 5,16 mSv) alacsonyabb, mint a manuális módszer esetében (7,46 ± 6,38 mSv).

Képrekonstrukció

A képrekonstrukciót (DLIR) 74 tanulmányban vizsgálták, és általában az FBP-vel és az IR-technikákkal hasonlították össze a sugárterhelés csökkentése, a képzaj, a léziók észlelhetősége, valamint az alacsony és magas kontrasztú diagnosztikai hatékonyság tekintetében. A vizsgált tanulmányokban három DLIR algoritmust használtak, nevezetesen a TrueFidelity (n = 46), az Advanced Intelligence Clear-IQ Engine (AICE) (n = 25) és a Precise Image (n = 3) algoritmusokat. Ezeket az algoritmusokat különböző erősségben (alacsony (L), közepes (M) és magas (H)) alkalmazták. Hét tanulmány gyermek résztvevőkre vonatkozott. A különböző CT-vizsgálatok potenciális dóziscsökkentésének elemzése 57,3 %-os átlagos csökkenést mutatott, a medián érték 51,5 % volt. A szórás 20,7 %-nak bizonyult, ami az adatok mérsékelt szintű variabilitását jelzi. A megfigyelt minimális dóziscsökkentés 11,2 % volt, míg a maximális elérte a 97,0 %-ot. A különböző CT- és CTA-vizsgálatok klinikai feladatai alapján a képrekonstrukciós algoritmusok (DLIR) által elért dóziscsökkentés százalékos arányát a 4. és 5. táblázat foglalja össze (a cikkben).

Megbeszélés

Ez az áttekintés a mesterséges intelligencia (AI) technológiák szerepét vizsgálta a CT-vizsgálatok sugárterhelésének optimalizálása terén három területen: a beteg elhelyezése, a vizsgálati terület kijelölése és a képalkotás. Eredményeink számos fontos előnyt emelnek ki, amelyek alátámasztják a mesterséges intelligencia módszereinek bevezetésének fontosságát a CT-vizsgálatok sugárterhelésének optimalizálása érdekében.

A beteg automatizált pozicionálása

A beteg pontos elhelyezése a CT-n belül kritikus fontosságú, és közvetlen hatással van az automatikus csőáram-modulációs rendszerre, a képminőségre, a zajszintre és a sugárterhelésre. Az automatizált pozicionálási technológia, amely digitális kamerákat és fejlett mélytanulási algoritmusokat használ a testkontúr felismeréséhez, jelentős potenciállal rendelkezik a hatékonyság és a pontosság javításában. A tanulmányok az automatizált pozicionálás és a manuális módszerek pontosságát hasonlították össze különböző CT-vizsgálatokban az asztal beállított magasságának értékelésével a páciens izocentrumának a CT-gantry izocentrumához viszonyított ideális igazodása alapján. Az automatizált pozicionáló rendszerek nagyobb pontosságot mutattak, az összes tanulmány alacsonyabb eltérési hibákat és asztalmagasság-eltéréseket jelentett, ami nagyobb pontosságot és kisebb variabilitást jelez. A sugárterhelés tekintetében négy tanulmány jelentette a dózis jelentős csökkenését az automatizált módszerek alkalmazásával, kiemelve az automatizált pozicionálás hatékonyságát a sugárterhelés minimalizálásában. Más tanulmányok szintén jelezték a sugárdózis potenciális csökkenését az automatizált módszerekkel elért pontosabb pozicionálásnak köszönhetően.

Nelson eredményei azonban eltértek ezektől. Annak ellenére, hogy javult a pozicionálás pontossága, és a szkenner automatikus expozíciós vezérlőrendszere az automatizált pozicionálás segítségével jobban tudta a dózist a beteg abszorpciós tényezőjéhez igazítani, a víz-egyenértékű átmérő függvényében nem azonosítottak szignifikáns változást a dózisban. A tanulmány arra utalt, hogy a radiológusok által elért magas pozícionálási pontosság és a geometriai nagyítási hatások hozzájárulhattak ahhoz, hogy nem volt szignifikáns dóziscsökkenés.

Az automatizált pozicionáló rendszerek hatékonyságát azonban befolyásolhatják működési és helyzetbeli kihívások. Például a rögzítőeszközök, mint a vákuumpárnák és a kiegészítő matracok, akadályozhatják az anatómiai kontúrok pontos felismerését, ami kézi korrekciókat tesz szükségessé. A gyermekgyógyászati képalkotásban a babahordozók használata korlátozta a testkontúrok felismerésének pontosságát, ami aláhúzta a testre szabott algoritmusok szükségességét. Ez összhangban állt Greffier megállapításaival is, amelyek szerint a páciens háta és az asztallap közé helyezett kiegészítő matrac használata szükségessé tette a 3D-kamera által javasolt függőleges központosítás kézi korrekcióját. Ez aláhúzza az automatizált pozicionálás korlátait olyan sürgősségi helyzetekben, ahol ilyen anyagok gyakoriak, és a kezelőknek manuálisan kell beállítaniuk az asztal magasságát az optimális igazítás biztosítása érdekében. E probléma megoldására Salimi és munkatársai egy DL-modellt javasoltak a mellkasi CT 3D-s axiális testkontúrjának előrejelzésére egyetlen 2D-s lokalizátor használatával. A DL-modell olyan pontosságot mutatott, amely egyenértékű volt a meglévő rendszerekkel, miközben azt az előnyt is kínálta, hogy kiküszöbölte a kamera látómezejét elzáró akadályok által okozott hibákat. Ezenkívül a légzési állapotok jelentősen befolyásolják az automatizált pozicionálás pontosságát. Booij és munkatársai megállapították, hogy a belégzési és kilégzési felvételek közötti eltérések az asztal magasságának eltéréseit okozták, hangsúlyozva a tervezési kép és a felvétel állapotának szinkronizálásának szükségességét a hibák elkerülése érdekében. Ezen kihívások ellenére az automatizált pozicionálás előnyei továbbra is jelentősek a szokásos esetekben.

Az automatizált pozicionáló rendszerek bevezetését ezért inkább kiegészítő eszközként kell tekinteni, nem pedig a röntgentechnikus szakértelmének teljes helyettesítőjeként. Noha az automatizált pozicionálás javítja az eredmények konzisztenciáját és a hatékonyságot, a röntgentechnikus felügyelete továbbra is szükséges, különösen atipikus anatómiai viszonyok, zavaró anyagok vagy dinamikus fiziológiai állapotok esetén. Az automatizált pozicionáló technológia jövőbeli változatai fejlettebb algoritmusok és adaptív kalibrációs eljárások révén orvosolhatják ezeket a korlátokat.

A vizsgálati tartomány automatikus meghatározása

A vizsgálati tartomány közvetlenül összefügg a sugárterheléssel; a tartomány 1 cm-es csökkentése általában 6%-os átlagos dóziscsökkenést eredményez. A röntgentechnikusok a rutin klinikai gyakorlatban lokalizáló felvételek segítségével határozzák meg a vizsgálati tartományt. Az ismételt képalkotás elkerülése érdekében a radiológusok általában a célterületnél nagyobb vizsgálati tartományt állítanak be, ami felesleges és indokolatlan sugárterheléshez vezet, ezt a jelenséget gyakran túlvizsgálatnak nevezik. Ezenkívül az alacsony kontrasztú anatómiai struktúrák, az elhízás vagy a testen lévő egyéb eszközök hibákat okozhatnak a radiológus számára a lokalizáló képen a pontos anatómiai struktúrák megkülönböztetésében.
Az AI-alapú vizsgálati tartomány meghatározásának elve olyan algoritmusok használatát foglalja magában, mint az ML és a DL, amelyek automatikusan azonosítják az anatómiai tájékozódási pontokat, és a lokalizáló képek alapján kiszámítják az optimális vizsgálati tartományt. Ezek a képek lehetnek háromdimenziósak (3D), frontálisak (anteroposterior), laterálisak, vagy a frontális és laterális nézetek kombinációi. Ez a technológia csökkenti a kézi beállításoktól való függőséget, ezáltal minimalizálva a túlvizsgálat előfordulását.
A tanulmányok szerint az AI-algoritmusok jelentősen javítják a különböző CT-vizsgálatok szkennelési tartományának a kijelölés pontosságát a manuális módszerekhez képest, ami a sugárterhelés (p < 0,001) és a vizsgálat időtartamának jelentős csökkenéséhez vezet.

Ruan és munkatársai arról számoltak be, hogy a DL-technikák kizárólag egy anteroposterior felmérő felvétel felhasználásával pontosan azonosították a szkennelési tartományt, így kiküszöbölve az oldalirányú lokalizáló felvétel szükségességét, amely 0,09 mGy sugárterhelést jelent. Hasonlóképpen, tanulmányok kimutatták, hogy az AI-algoritmusok elemzik a lokalizátor képeit a célanatómia pontos kijelölése érdekében, még olyan kihívást jelentő esetekben is, mint a pleurális folyadékgyülem, az atelektáziához hasonló mellkasi patológiás rendellenességek jelenléte, a nem megfelelő pozicionálás vagy a túlsúlyos betegek. A túlszkennelés csökkentése mellett az AI algoritmusok pontosan azonosítják a szkennelési tartományt anélkül, hogy bármely anatómiai struktúrát kihagynának vagy alulszkennelnének, amint azt a has- és medencei képalkotás során megfigyelték. Ez biztosítja a átfogó képalkotást, miközben minimalizálja a felesleges sugárterhelést.

Más tanulmányokban azonban ellentétes eredményekről számoltak be. Például Demircioğlu és munkatársai rámutattak, hogy az AI-módszer a teljes esetek 4%-ában a szív anatómiájának hiányos vizsgálatát („túl rövid vizsgálati tartomány”) eredményezte. Bár ezek a hibák többségükben elhanyagolhatóak voltak, és szinte minden esetben a vizsgálat klinikailag hasznosnak bizonyult, aggodalmakat vet fel az, hogy releváns anatómiai struktúrák kimaradhatnak, és szükségessé válhat egy további vizsgálat, ami megduplázhatja a beteg sugárterhelését.

Az AI-alapú vizsgálati tartomány meghatározásakor az anatómiai struktúrák kimaradásához hozzájáruló egyik jelentős tényező a lokalizációs felvétel és a spirál CT-vizsgálat közötti légzési fázisok eltérése.

Ezért az AI-alapú vizsgálati tartományok klinikai gyakorlatba való bevezetése előtt számos kérdést meg kell vizsgálni, ideértve az artefaktumok – például a fém- vagy mozgásartefaktumok – illetve a segédeszközök hatását az AI-modellek teljesítményére.
Figyelembe kell venni továbbá a különböző kórházak közötti eltéréseket az ideális vizsgálati tartományok meghatározásában, a szkennermodellek közötti eltéréseket, a CT-képalkotási protokollokat, a betegek helyes elhelyezkedését, a kóros állapotokat és a betegek jellemzőit is.

Mélytanulásos kép-rekonstrukció

A rekonstrukciós algoritmusok nem csökkentik közvetlenül a sugárterhelést, de kompenzálhatják a csökkentett sugárdózisból eredő képminőség-romlást, vagy állandó sugárdózis mellett javíthatják a képminőséget.
A tanulmányba bevont kutatások kimutatták, hogy a DLIR algoritmusok – amelyek a CT-rekonstrukciós technológia legújabb fejlesztései – még alacsonyabb sugárterhelés mellett is hasonló vagy jobb képminőséget biztosítottak, mint az IR és FBP technológiákat alkalmazó standard dózisok, bizonyítva, hogy a DLIR hatékony stratégia a sugárterhelés csökkentésére, miközben megőrzi a detektálási pontosságot mind a nagy kontrasztú, mind az alacsony kontrasztú feladatoknál különböző anatómiai régiókban.

Koponya CT-vizsgálatokban az AiCE bizonyította a sugárdózis jelentős csökkentésének lehetőségét, a szürke- és fehérállomány közötti szöveti megkülönböztetés javítását, valamint az agyi elváltozások, a sinusitis, a középfülgyulladás és a mastoiditis gyulladásának jobb felismerését és értékelését.

Mellkasi CT-vizsgálatokban a DLIR bizonyította, hogy képes 75–97 %-kal csökkenteni a sugárterhelést, miközben megőrzi a térbeli felbontást, a kép textúráját, a léziók észlelhetőségét és a diagnosztikai pontosságot az intersticiális tüdőbetegségek és a tüdőparenchyma léziók (pl. bronchiektázia, méhsejtszerű elváltozás, emfizéma és pulmonalis csomó) esetében az FBP-hez és az IR-hez képest. Például Zhu és munkatársai rámutattak, hogy a TrueFidelity-H a 6 mm-nél nagyobb szubszolid csomók 97,5 %-át pontosan azonosította, egyetlen hamis pozitív eredmény mellett, és 84,0 %-os sugárterhelés-csökkentést ért el a standard dózisú CT-hez (SDCT) képest, az ASIR-V-50 % alkalmazásával.

A hasi és kismedencei CT-vizsgálatok során a DLIR 30–77 %-kal csökkentette a sugárterhelést, és jelentős javulást mutatott mind a szubjektív, mind a kvantitatív képminőségben olyan állapotok esetében, mint a májléziók, a hasnyálmirigy-daganatok, az urolithiasis, a gyulladásos bélbetegségek és a petefészekciszták. A májban előforduló klinikailag releváns elváltozások viszonylag magasabb gyakorisága miatt számos tanulmány a máj vizsgálatára összpontosított. Ezek a tanulmányok azt mutatták, hogy a DLIR 34–76 %-os dóziscsökkentést tett lehetővé a standard dózisú FBP-hez és IR-hez képest, miközben megőrizte a fokális májelváltozások, valamint a máj- és hepatocelluláris karcinóma elváltozások (>0,5 cm) kimutathatóságát. Ezenkívül a DLIR bevezetése a rutin teljes test CT-vizsgálatokba, amelyeket gyakran alkalmaznak olyan rosszindulatú daganatok monitorozására, mint a limfóma és a heredaganatok, jelentősen csökkentheti a sugárterhelést, és ezáltal a sugárzás okozta rák kockázatát.

CT angiográfiában, beleértve a fej és a nyak vizsgálatait, a koszorúereket, az aortát, a veseartériákat, és a pulmonális artériákat, a DLIR hatékonyan csökkentette a háttérzajt és javította az erek láthatóságát, megkönnyítve a perifériás érrendszeri és kardiovaszkuláris betegségek ábrázolását (pl. intracranialis szűkület, karotikus szűkület, tüdőembólia és aneurizma), miközben csökkentette a sugárterhelést, a kontrasztanyag-adagot és az injektálás sebességét az IR-t és FBP-t alkalmazó SDCT-hez képest.
Li és munkatársai szerint a DLIR-t alkalmazó koszorúér-vizsgálat diagnosztikai pontossága 48 %-os dóziscsökkentés mellett nem volt alacsonyabb, mint a standard dózisú, ASIR-V50 %-os vizsgálaté. A carotis és cerebrovascularis erek esetében azonban a képminőség nem mutatott jelentős javulást a DLIR-H alacsonyabb dózisú beállítások mellett. Lenfant és munkatársai megállapították, hogy az AiCE használatával a fej-nyak CT-angiográfiában a sugárdózis 50%-os csökkentése korlátozottan alkalmazható az aortaívhez közeli artériák esetében. Meng és munkatársai szerint az AiCE alacsonyabb dózisok mellett is tiszta képet adott a veseartériáról és annak végszakaszáról egy- és dualsorce-CT-ben. Lenfant és munkatársai bemutatták, hogy az AiCE képes javítani a képminőséget a CT pulmonalis angiográfiában 17%-kal csökkentett sugárzási dózis mellett, még túlsúlyos betegek esetében is.

A gyermekradiológiában a DLIR technológia a diagnosztikai információk megőrzése mellett 36–90 %-os sugárterhelés-csökkentést tett lehetővé a gyermekeknél végzett CT-vizsgálatok során. Li és munkatársai rámutattak, hogy a TrueFidelity-H technológia az alacsony dózisú gyermekgyógyászati orrmelléküreg CT-vizsgálatok során kiváló képélességet biztosít, és csökkenti a kép torzulását az orrüregben és az orrmelléküregekben. Sun és munkatársai megállapították, hogy a TrueFidelity-H 53 %-kal csökkentette a kontrasztanyag-adagot és 36 %-kal a sugárterhelést az ASIR-V-50 %-hoz képest gyermekeknél, miközben megfelelő kontrasztot biztosított a koszorúér-érrendszerben és 12 %-kal csökkentette az aorta képzaját. A vizsgált tanulmányok viszonylag kis száma (n = 8) miatt elengedhetetlen a DLIR hatékonyságának jövőbeli vizsgálata a gyermekradiológiai dózisoptimalizálás terén.

Az alacsony csőfeszültségű szkennelés és a DLIR kombinálása a CT-képalkotásban a sugár- és a jódkontrasztanyag-dózisok jelentős csökkenését eredményezte, miközben megőrizte vagy javította a képminőséget. Ez a módszer hatékonyan enyhítette az alacsony csőfeszültséggel jellemzően társuló megnövekedett képzajt, amely még magas csőáram-beállítások mellett is a fotonfluxus elégtelenségéből adódik. Következésképpen a DLIR alacsonyabb kV-ot alkalmazó protokolloknál kiválóbb képminőséget és alacsonyabb sugárdózisokat produkál az IR-módszerekhez képest.

A mélytanulást alkalmazó CT-képrekonstrukció a sugárterhelés optimalizálása érdekében jelenleg is aktív kutatási terület. Ugyanakkor az elérhető sugárterhelés-csökkentés mértéke, valamint a DLIR optimális erőssége – a képminőség romlása nélkül – alacsony kontrasztú vizsgálatok esetében a nagy kontrasztú vizsgálatokhoz képest továbbra is további vizsgálatok tárgyát képezi.
Ezzel az összefüggésben a DLIR erősségének növelése számos kihívást jelent a különböző anatómiai régiókban. A DLIR-H elmoshatja a máj apró elváltozásait és a kisméretű köveket a has- és medencei képalkotás során, a halántékcsont CT-vizsgálata során a finom csontszerkezeteket viaszosnak és túlságosan simának ábrázolhatja, és egyes normális csonttrabekulákat tévesen elváltozásként azonosíthat, a mellkasi CT-vizsgálat során pontatlanul becsülheti a meszesedett csomók sűrűségét és az emfizéma méretét, valamint az agyi képalkotás során csökkenhet a térbeli felbontás.
Másrészt különböző klinikai CTA-alkalmazásokban a DLIR-H hatékonynak bizonyult a képzaj, a sugárterhelés és a kontrasztanyag-adag csökkentésében, miközben megőrizte a térbeli felbontást. Ezért a kis elváltozások értékeléséhez, a kép elmosódásának minimalizálásához és a diagnosztikai pontosság megőrzéséhez gondos kiválasztásra van szükség a DLIR erősségei közül, az elsődleges klinikai feladathoz szükséges kontraszt mértéke és a kívánt sugárterhelési szintek alapján.

A sugárterhelés csökkentése szempontjából a CT-ben történő AI-használat előnyei ellenére továbbra is vannak kihívások. Az egészségügyben az AI-tól való túlzott függés alááshatja az egészségügyi rendszerekbe vetett bizalmat, feltételezve, hogy az egészségügyi dolgozók megkérdőjelezhetetlenül elfogadják az automatizált rendszerek tévedhetetlenségét. Ezenkívül az új AI-technológiára vonatkozó irányelvek, útmutatások, alkalmassági kritériumok és ellenőrzési programok hiánya, valamint a nem megfelelő képzés és az elavult oktatási tantervek jelentősen gátolhatják az AI bevezetését a CT-vizsgálatok sugárterhelésének optimalizálásában. Elengedhetetlen, hogy a képalkotó személyzet és a hallgatók számára prioritást élvezzen az AI-képzés, hogy megfelelően felkészüljenek a orvosi képalkotás jövőbeli fejlődésére.

Korlátozások

Ennek a felmérő jellegű áttekintésnek számos korlátja van. A vizsgálat kizárólag a CT-képalkotásban alkalmazott mesterséges intelligencia (AI) eszközökre összpontosított, kizárva a PET-CT-vel, SPECT-CT-vel és CBCT-vel kapcsolatos tanulmányokat. Csak az angol nyelven megjelent tanulmányokat vettük figyelembe, ami nyelvi torzítást okozhat. A CT-ben alkalmazott egyéb, szintén sugárterhelés-csökkentési potenciállal rendelkező AI-alkalmazásokat – mint például az automatizált minőségbiztosítási és karbantartási rendszereket, a fémartefaktum-csökkentő algoritmusokat, valamint a CT-képek generálását – ez a munka nem tárgyalta. Az eredmények meta-analitikus összesítésére nem került sor, ami korlátozhatja a megállapítások általánosíthatóságát és megbízhatóságát. A randomizált prospektív tanulmányok hiánya és a sugárdózisok közvetlen mérésének hiánya a vizsgálati tartományon belül befolyásolhatja a jelentett eredmények pontosságát és megbízhatóságát. Bár átfogó kereséseket végeztek öt fő adatbázisban, hivatkozás- vagy "szürke" irodalom-keresést nem végeztek. Ez oda vezethetett, hogy kihagytak olyan releváns tanulmányokat, amelyek nem szerepelnek ezekben az adatbázisokban, vagy nem kerültek publikálásra. A jövőbeli áttekintéseknek figyelembe kell venniük ezeket a korlátokat, és további keresési stratégiákat kell beépíteniük a rendelkezésre álló irodalom kimerítőbb feltérképezése érdekében.

Következtetés

Az AI nagy potenciállal rendelkezik a CT-képalkotás sugárdózisainak csökkentése terén. Az automatikus betegcentrálásra és a vizsgálati tartomány kijelölésére szolgáló AI-alapú technológiák javítják a pozicionálást és a vizsgálati tartomány pontosságát, ami a sugárdózisok csökkenéséhez és a túlvizsgálat minimálisra csökkentéséhez vezet. Az AI-technikák hatékonyan kezelik a képminőség és a sugárdózis közötti kompromisszumot a CT-ben az LDCT-képalkotásban alkalmazott DLIR-algoritmusok révén.

--------------------------

Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga
Teleradiology: good practice guide
Radiología 65 (2023) 133-148
https://doi.org/10.1016/j.rxeng.2022.11.005

A teleradiológia a radiológiai képanyag egyik helyről a másikra történő elektronikus továbbítása, amelynek fő célja a diagnózis létrehozása vagy konzultációja, és amelynek a szakmai társaságok által elfogadott magatartási kódexeknek kell megfelelnie. A tanulmány tizennégy teleradiológiai bevált gyakorlatra vonatkozó irányelv tartalmát elemzi. Ezek vezérelvei a következők:

1. a beteg érdeke és javát szolgáló eljárás,
2. a helyi radiológiai szolgáltatással egyenértékű minőségi és biztonsági szabványok,
3. valamint a szolgáltatás kiegészítéseként és támogatásaként való alkalmazás.
4. a jogok garantálása a beteg származási országának elvének alkalmazásával,
5. a nemzetközi teleradiológiai követelmények és a polgári jogi felelősségbiztosítás meghatározása.
6. A radiológiai folyamat tekintetében:
   1. integráció a helyi szolgáltatási folyamattal,
   2. a képek és leletek minőségének garantálása,
   3. a korábbi vizsgálatokhoz és leletekhez való hozzáférés,
   4. valamint a sugárvédelmi elvek betartása.
7. Szakmai követelmények tekintetében:
   1. a szükséges regisztrációk, engedélyek és képesítések betartása,
   2. a radiológus és a technikus képzése és képesítése,
   3. a csalárd gyakorlatok megelőzése,
   4. a munkaügyi normák tiszteletben tartása és a radiológus díjazása.
8. Az alvállalkozói tevékenységet indokolni kell, kezelve a commoditizáció kockázatát.
9. A rendszer műszaki szabványainak betartása.

A 21. század eleje óta a radiológia rendkívüli fejlődésen és terjeszkedésen ment keresztül a digitális radiológia, a radiológiai folyamatok hálózatba szervezése és a teleradiológia köszönhetően. Az elmúlt három évtizedben a teleradiológia általánosan elterjedt, ami jelentős technológiai, szakmai, gazdasági, szervezeti, kulturális, etikai és jogi kihívásokkal járt.
Hagyományosan a teleradiológia fejlődése a diagnosztikai képek leírására és az információs és kommunikációs technológiák (IKT) használatára összpontosult. A radiológus feladata azonban nem csupán leletek készítése vagy a képek szakértői értelmezése. Szerepük inkább az, hogy megoldják a beutaló klinikusok problémáit azáltal, hogy releváns diagnosztikai információkat nyújtanak számukra, segítve őket a klinikai döntések meghozatalában és csökkentve a bizonytalanság mértékét. Ez a technológiai, folyamatbeli és szakmai szempontok kölcsönhatásán keresztül valósul meg, amelyek mind a beteg javát és érdekeit szolgálják. A bevált gyakorlatra vonatkozó irányelveknek iránymutatásokat kell nyújtaniuk ezekre a szempontokra vonatkozóan, meg kell határoznia a tevékenység alapelveit, etikai és jogi normákon alapuló eljárásokat kell létrehozniuk, valamint meg kell határoznia a minőségre és a biztonságra vonatkozó szabványokat és mutatókat (1. ábra).

1. ábra: A bevált gyakorlatokról szóló útmutatók tartalma.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

E cikk célja a radiológiai társaságok és az egészségügyi ellátás irányításáért felelős közjogi szervezetek által kidolgozott teleradiológiai koncepció áttekintése és elemzése, valamint a spanyolországi (a BOE-ben [Hivatalos Állami Közlöny] és a CENDOJ-ban [Az Általános Bírói Tanács Jogi Dokumentációs Központja] közzétett jogszabályok alapján) és az Európai Unióban (az EUR-Lex adatbázisokban elérhető) érvényes szabályozási keret elemzése.

Teleradiológia: általános szempontok

Teleradiológia: egy folyamatosan fejlődő koncepció

Az elmúlt három évtizedben a teleradiológia koncepcióját és fejlődését a technológiai fejlődés, a piaci erők, valamint a radiológiai társaságok és egészségügyi intézmények által kiadott irányelvek alakították.Az 1. táblázat felsorolja azokat a szervezeteket, amelyek jó gyakorlatra vonatkozó útmutatókat tettek közzé.

• Formális fogalmi szempont. A teleradiológia egy távorvosi szolgáltatás, amely radiológiai képek elektronikus továbbítását jelenti egyik helyről a másikra, elsődleges célja a leletezés vagy a diagnosztikai konzultáció.
• Eszközbeli szempont. A digitális radiológia, a képarchívum- és kommunikációs rendszerek (PACS) és az informatika elterjedésével a „hagyományos” radiológia már nem különböztethető meg a teleradiológiától. A digitális kép és a lelet minőségi és biztonsági követelményei megegyeznek, és a radiológus szempontjából a szabványosított munkafolyamat nagyon hasonló.
• A radiológus munkahelyének szempontja. A releváns kérdés nem az, hogy a képeket értelmező radiológus fizikailag jelen van-e azon a helyen, ahol a beteg képei készülnek, hanem inkább az, hogy a radiológiai folyamatot integrált módon, ugyanazon szolgáltató szervezeten belül végzik-e, vagy kiszervezik, mivel a szabályozások, követelmények, kötelezettségek és felelősségi rendszerek a két szolgáltatási modellben eltérőek
  • Belső teleradiológia. Ebben a modellben a radiológiai folyamat teljes egészében egyetlen szolgáltató szervezet vagy vállalat irányítása alatt marad (2. ábra). Ez a forgatókönyv biztosítja mind a képalkotási folyamat, mind az eljárások egységesítését, stabilitását és szabványosítását. Ebben az összefüggésben nincs különbség a „hagyományos” radiológia és a teleradiológia között. 
    2. ábra: Kórházon belüli teleradiológia.
    Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148
  • Külső teleradiológia. Ebben a modellben a radiológiai folyamat integrált irányítása fel van osztva, és a különböző részekért különböző felek felelnek (3. ábra). A folyamat egy részét – ideértve a beutalások kezelését, a vizsgálat indoklását és a képek előállítását – a beteggel közvetlen kapcsolatban álló szolgálat végzi, egy helyi radiológus felügyelete alatt. A diagnosztikai folyamat másik része (a leletkészítés) és az információk továbbítása kiszervezésre (alvállalkozásba adásra) kerül egy harmadik fél részére. Itt fontos egyértelműen körülhatárolni az egyes érintett felek felelősségi körét. Ebben a forgatókönyvben a teleradiológiát az az eszköz határozza meg, amely lehetővé teszi a radiológiai képek elektronikus továbbítását a képeket előállító szervezettől ahhoz a szervezethez, amely felelős azok leletezéséért.
    3. ábra: Kórházon kívüli teleradiológia.
    Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

1. táblázat: A teleradiológia területén alkalmazott bevált gyakorlatokról szóló útmutatók:

1. táblázat: A teleradiológia területén alkalmazott bevált gyakorlatokról szóló útmutatók.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

A teleradiológia fejlődésének szakaszai

A teleradiológia története sok szempontból összefonódik a digitális radiológia, a PACS és a képalkotó technológiák történetével.Az alábbiakban három szakaszt vázolunk fel, bemutatva az egyes szakaszok főbb irányvonalait, az adott időszakban készült útmutatók tartalmát, valamint a nyújtott szolgáltatásokat (4. ábra).

1. fázis: 1994–2000. A teleradiológia de facto 1994 óta létezik, amikor az American College of Radiology (Amerikai Radiológiai Kollégium) hivatalosan elismerte az első, a témával kapcsolatos állásfoglalásának közzétételével. Ez az évtized a hatékonyságával és biztonságosságával kapcsolatos kezdeti aggályok és kétségek (átviteli sebesség, képminőség és tömörítés) kezelésének szentelték, amit a sürgős radiológiai vizsgálatok rendes munkanapokon kívüli ellátásának szükségessége motivált. Ebben az évtizedben jelentek meg az első teleradiológiai cégek, amelyek kezdetben éjszakai szolgálatot nyújtottak a kis kórházak éjszakai ügyeleti jelentéseinek ellátására.

2. fázis: 2000–2010. A PACS széles körű elterjedése és az internet sávszélességének növekedése lehetővé tette a megbízhatóság biztosítását és a kínálat növelését. Ebben az időszakban a vita a klinikai menedzsment, az orvosi-jogi kérdések, a minőségértékelés és a szakterület kereskedelmi hasznosításának lehetőségeire összpontosult.

3. fázis: 2010–2022. A teleradiológia exponenciális növekedést tapasztalt, és önálló iparággá vált. 2010-ben két vezető amerikai vállalat egyesült és a teleradiológiai cégek befektetőik igényeinek kielégítése érdekében elkezdték bővíteni szolgáltatásaikat, aktívan keresve a kórházi partnereket (nem csak munkaidőn túl), ami vitát váltott ki a vállalatosodásról, a termékesítésről és annak kockázatáról, hogy ez felváltja a helyi radiológiai szolgáltatásokat.

4. ábra: A teleradiológia fejlődésének szakaszai.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

Az irányadó elvek, szabványok és bevált gyakorlatokra vonatkozó iránymutatások áttekintése és elemzése

A 14 áttekintett dokumentumban 26 tételt azonosítottak, amelyeket az elemzés céljából a következő hat kategóriába soroltak:

1. irányadó elvek,
2. jogi kötelezettségek,
3. folyamatbeli szempontok,
4. szakmai követelmények,
5. alvállalkozói tevékenységekkel kapcsolatos szempontok
6. műszaki követelmények (2. táblázat).

2. táblázat: A bevált gyakorlatokról szóló útmutatók áttekintése és elemzése.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148
ACR: Amerikai Radiológiai Kollégium;
CAR: Kanadai Radiológusok Szövetsége;
IACR: Interamerikai Radiológiai Kollégium;
CRS: Szingapúri Radiológusok Kollégiuma;
DUB: Dubai Egészségügyi Városi Hatóság;
ESR: Európai Radiológiai Társaság;
G4-Rad: Nemzeti Radiológiai és Orvosi Képalkotó Szakmai Tanács;
ISS: Istituto Superiore di Sanità;
KKM: Malajziai Egészségügyi Minisztérium;
RANZCR: Ausztrál és Új-Zélandi Királyi Radiológusok Kollégiuma;
RCR: Brit Királyi Radiológusok Kollégiuma;
SERAM: Spanyol Orvosi Radiológiai Társaság;
TSR: Török Radiológiai Társaság.

Alapelvek

A teleradiológia elsődleges célja a beteg érdekeinek és javának szolgálata kell, hogy legyen.
Ez az elv egyetemes és alapvető, és tükröződik a nemzetközi orvosi etikai nyilatkozatokban és magatartási kódexekben is. Fő célja, hogy a teleradiológiát a betegek és a társadalom javára végezzék, és soha ne gazdasági okokból, kényelemből vagy opportunizmusból. A gyakorlatot a betegellátás javítása érdekében kell bevezetni, nem pedig a költségek csökkentése érdekében. A betegközpontú radiológiában a betegek értékeinek és preferenciáinak tiszteletben tartása elsődleges fontosságú.

A teleradiológia minősége és biztonsága soha nem lehet alacsonyabb szintű, mint a helyi radiológiai szolgáltatásoké
A radiológiai folyamat bármely adott aspektusát tekintve a teleradiológiában alkalmazott szabványoknak mind a minőség, mind az egészségügyi ellátás biztonsága34, 35 tekintetében meg kell egyezniük a helyi radiológiai szolgáltatásokéval.

A helyi szolgáltatások kiemelt szerepe: a teleradiológiát a helyi képalkotó szolgáltatások kiegészítésére és támogatására kell használni
Hét irányelv hangsúlyozza a helyi radiológiai szolgáltatások kiemelt szerepét, különböző módon kifejezve a helyi teleradiológiai szolgáltatások előnyben részesítését a kiszervezett szolgáltatásokkal szemben. A helyi radiológusok optimális klinikai környezetet biztosítanak a betegek és a beutaló orvos számára, mivel nagyobb mértékű interakciót és elérhetőséget tudnak biztosítani. A helyi radiológus a szolgáltatásnyújtás preferált modellje, a teleradiológia pedig a klinikai radiológiát egészíti ki. A radiológusok hozzájárulása az egészségügyi csapat munkájához túlmutat a puszta értelmező leletek elkészítésén. Fontos, hogy a radiológusok fenntartsák a kapcsolatot a betegekkel, és a teleradiológia keretében nyújtott szolgáltatásaiknak kiegészítő jellegűnek kell lenniük – nem pedig helyettesíteniük a helyszíni gyakorlatot. A teleradiológia semmilyen körülmények között nem válhat a radiológus kizárólagos gyakorlatává, mivel ez hosszú távon valószínűleg megfosztaná őket bizonyos szakmai készségektől.

Jogi szempontok
Spanyolországban nincs a teleradiológiára (és a távorvoslásra) vonatkozó általános egészségügyi szabályozás. Ugyanakkor létezik egy sor, erre a témára vonatkozó szabályozás, amelyet a szakembereknek be kell tartaniuk a megfelelő és törvényes szolgáltatás biztosítása érdekében.

Hangsúlyozni kell, hogy a leletért az aláíró radiológus viseli a felelősséget. Ennek értelmében, valamint diagnosztikai hibák, gondatlanság vagy a kellő gondosság elmulasztása esetén ez a személy felel a beteg vagy jogi képviselői által benyújtott bármely kártérítési igényért.

A jogi előírások betartása: a beteg származási országának elve

A beteg származási országában és a fogadó országban végzett képalkotási tevékenységek közötti kapcsolatot nem szabad megszakítani. A teleradiológia területi határokon átnyúló képessége semmilyen módon nem akadályozza a beteg lakóhelye (régiója, országa) jogi előírásainak teljes körű betartását. A szolgáltatást a tevékenység kiindulási pontján kell felügyelni, és az illetékes hatóságoknak biztosítaniuk kell e védelem érvényesülését. Ez azt jelenti, hogy a képeket előállító intézménynek biztosítania kell a helyes gyakorlatot a képalkotási folyamat minden lépésében, beleértve a harmadik felek által végzett leletezést is.

A betegek jogai

A következő két jogtípus alkalmazandó:

1. Az autonómiához és az önrendelkezéshez kapcsolódó jogok: a tájékoztatáshoz való jog, a tájékozott beleegyezéshez való jog és a beavatkozás megtagadásához való jog.
2. A magánélet védelméhez kapcsolódó jogok: az egészségügyi dokumentáció titkosságához való jog és a személyes adatok védelméhez való jog.

Adatvédelem és titoktartás

Ez a szempont minden vizsgált irányelvben szerepel. Különös figyelmet érdemel az Európai Radiológiai Társaság által kiadott útmutató, mivel ez határozza meg a titoktartás, a titoktartási kötelezettség és a biztonsági intézkedések terén a radiológusokra vonatkozó kötelezettségeket és alapfogalmakat.
Fontos megjegyezni, hogy a feldolgozott egészségügyi adatok érzékenysége miatt a szolgáltatásban dolgozó szakembereknek szigorú szervezeti és technikai intézkedéseket kell végrehajtaniuk. Az információkat bizalmasan, hozzáférhetően és teljes körűen kell tárolni. A következőket kell kiemelni:

• Az adatokhoz csak az arra jogosult személyzet férhet hozzá.
• A hozzáférési jogosultságokat és korlátozásokat szigorúan ellenőrizni kell (például azt, hogy egy felhasználó csak hozzáférést kap-e az adatokhoz, vagy szerkesztési jogosultságot is).
• Az adatok titkosítását minden esetben biztosítani kell, mind az adatok továbbítása, mind az információk tárolása során.

Hozzájárulás

Meg kell különböztetni az egészségügyi beavatkozáshoz kapcsolódó „tájékozott hozzájárulást” – amelyre az egészségügyi jogszabályok vonatkoznak – és a „személyes (egészségügyi) adatok feldolgozásához való hozzájárulást”, amelyre az adatvédelmi szabályozás alkalmazandó.
Írásbeli hozzájárulást kell kérni a betegektől minden olyan esetben, amikor a vizsgálati felvételeket a vizsgálatot végző egészségügyi intézményen kívülre továbbítják, függetlenül a földrajzi helytől. Az európai irányelvek kimondják, hogy a betegeket teljes körűen tájékoztatni kell a teleradiológia alkalmazásáról. Ezt a jogi előírásoknak megfelelően kell végrehajtani. Az 5. ábra bemutatja a hozzájárulás szövegébe és a mentességekbe ajánlott tartalmat.

5. ábra: A beleegyezési dokumentációban szereplő tartalom.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

Nemzetközi teleradiológia: követelmények

A teleradiológia globalizálódásával a földrajzi határok már nem jelentenek akadályt, és egyes irányelvekben - leginkább az Amerikai Radiológiai Kollégium (ACR) irányelveiben - aggodalmat fejeznek ki a szabályozás hiánya miatt, amelyekben kiemelik, hogy követelményeket és korlátokat kell meghatározni az új nemzetközi kiszervezési modellekre vonatkozóan.
Továbbá fontos tudni, hogy amennyiben a személyes adatok elhagyják az Európai Gazdasági Térséget, az nemzetközi adatátvitelnek minősül, amelyet a vonatkozó szabályozásoknak való megfelelés érdekében szabványosítani kell. Ezeket a követelményeket és feltételeket a 6. ábra szemlélteti.

6. ábra: Nemzetközi adatátvitel.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

Felelősségbiztosítás

Rendelkezésre kell állnia egy olyan biztosítási kötvénynek, amely fedezi a teleradiológiai tevékenységet, és garantálja a fedezetet minden olyan országban, ahol azt végzik. 

Szerződés

Külső teleradiológia esetén a következőket kell írásba foglalni:

• „Szolgáltatási szerződés”, amely meghatározza az egyes felek - mind a helyi radiológia, mind a leletet készítő teleradiológiai szolgáltatók - orvosi-jogi felelősségét és kötelezettségeit.
• „Adatfeldolgozási megállapodás”, amely egyrészt a központ mint adatkezelő, másrészt a teleradiológus mint személyes adatok feldolgozója kötelezettségeit határozza meg.

A közszférában a közbeszerzési eljárásokat a közszféra szerződéseiről szóló törvény szabályozza.

A képalkotási folyamat szempontjai

Beépítés a helyi radiológiai szolgáltatásba

A teleradiológia nem tekinthető a helyi radiológiától és annak eljárásaitól teljesen elkülönülő szolgáltatásnak. A teleradiológusoknak közvetlenül vagy a vizsgálat előtt aláírt protokollokban meghatározott módon részt kell venniük a következő tevékenységekben: a vizsgálat indoklása; a legmegfelelőbb képalkotási folyamat kiválasztása (a rendelkezésre álló klinikai információk alapján); a képalkotási protokoll felügyelete; kontrasztanyagok indikálása; a betegek kockázatkezelése és az egészségügyi biztonság. Ennek célja a minőség és a vizsgálati protokollok közötti eltérések megelőzése.

Képminőség: a közös felelősség elve

A helyi radiológus és a teleradiológus közötti közös felelősség elve érvényesül. A leletet készítő teleradiológus felelős a küldött képek minőségéért, anélkül, hogy ez csorbítaná a helyi szolgálat e tekintetben fennálló irányítási és felügyeleti felelősségét.

A leletek minősége

Ezt a követelményt az összes áttekintett irányelv egyhangúlag elismeri. A teleradiológia előnyei csak akkor valósulnak meg teljes mértékben, ha klinikailag hasznos jelentések készülnek. A leginkább ajánlott minőség-ellenőrzési forma a formális szakértői értékelés. Csak egy irányelv javasolja, hogy a radiológusnak havonta minimális számú jelentést kell készítenie a minőség és a kompetencia fenntartásának biztosítása érdekében. A kommunikációs szabványokat illetően a legtöbb irányelv az American College of Radiology szabványait javasolja. A szerkezet, a stílus és a tartalom tekintetében egy nemrég megjelent publikáció elemezte a szervezett, előre meghatározott és strukturált jelentés követelményeit.

Hozzáférés a korábbi leletekhez és vizsgálatokhoz

A teleradiológusoknak ugyanolyan szintű hozzáféréssel kell rendelkezniük a betegek adataihoz, függetlenül attól, hogy intézményen belül vagy kívül dolgoznak. A korábbi vizsgálatokhoz, leletekhez és klinikai információkhoz való hozzáférés elengedhetetlen a radiológiai lelet minőségének és biztonságának biztosításához. A korábbi képalkotó vizsgálatokhoz és leletekhez való hozzáférés és azok megtekintésének hiánya a műhibák egyik fő oka és a kognitív téves diagnózisok gyakori forrása.

Háttér és kiegészítő klinikai információk

A kötelező klinikai információkon kívül fontos, hogy a teleradiológus bármilyen kiegészítő információt kérhessen. Ehhez nyitott kommunikációs csatornákra van szükség, és az irányító klinikusnak (helyi radiológusnak) elérhetőnek kell lennie. Ez a hozzáférés elengedhetetlen a sürgősségi teleradiológiában.

A kommunikáció biztosítása az irányító klinikussal

A diagnosztikai eredmények időbeni és hatékony közlése az orvosokkal elengedhetetlen. Konkrétan: a kritikus, sürgős vagy jelentős eredmények jelentésének elmaradása vagy késedelme különösen súlyos következményekkel járhat a betegek számára, ezért az ilyen eredmények közlésére vonatkozó protokollokat előre meg kell határozni. A kommunikáció formáját illetően ajánlott, hogy a konzultációk során adott szóbeli visszajelzéseket dokumentálják a beteg egészségügyi dokumentációjában.

Sugárbiztonság: sugárvédelmi szempontok

A sugárbiztonsági és sugárvédelmi jogszabályok továbbra is alkalmazandók a teleradiológiára, mivel az szabályozott tevékenységeket és feladatokat foglal magában (7. ábra). A jogi felelősség a létesítmény vezetőjét, a radiológiai osztály vezetőjét (a vizsgálathoz mindig helyi radiológust kell kijelölni) és a radiofizikai és sugárvédelmi osztály vezetőjét terheli.

7. ábra: Sugárbiztonsági garanciák és kötelezettségek.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

Szakmai követelmények

A folyamatban részt vevő szakemberek a radiológus és a röntgenasszisztens; képesítési követelményeiket, szerepüket és felelősségi körüket egyértelműen meg kell határozni.

Akkreditáció, képesítés, engedélyezés, regisztráció: teleradiológusok

Garantálni kell, hogy a leletet készítő radiológus rendelkezik a szükséges regisztrációval, engedélyekkel és képesítésekkel mind a felvételek készítésének helye szerinti országban, mind pedig a lelet készítésének helye szerinti országban. 

A teleradiológus kompetenciája: képzés és oktatás

A teleradiológiai szolgáltatásokban részt vevő radiológusoknak speciális képzésben kell részesülniük ezen a területen. A képzésnek ki kell terjednie a műszaki követelményekre, a betegek jogaira, a személyes adatok védelmét szabályozó jogi előírásokra, az etikai normákra, valamint a szakmai mulasztásból eredő nem szándékolt következményekre.

Az összes érintett fél valódi személyazonosságának biztosítása: a „szellem-olvasók” megelőzése

Ez elengedhetetlen a „szellem-olvasók” és a „szellem-leletek” megelőzéséhez - ezeket a kifejezéseket akkor használják, amikor egy második radiológus készít leletet (általában alacsonyabb áron), és a szerződéses radiológus aláírja azt (általában gyenge vagy hiányzó minőség-ellenőrzés után). E csalárd gyakorlat megelőzése érdekében elektronikus aláírási rendszereket kell használni, és biztosítani kell az informatikai rendszer nyomonkövethetőségét annak garantálása érdekében, hogy a leletet aláíró radiológus ugyanaz a személy legyen, aki a képeket értelmezte. Ezeket a csalárd és tisztességtelen gyakorlatokat hatékonyan meg kell előzni és visszaszorítani (9. ábra).

9. ábra: A fantomjelentések büntetőjogi következményei.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

Előfeltételek: radiológiai asszisztens

A radiológiai asszisztensnek meg kell felelnie a felvételek készítésének helye szerinti országban érvényes összes jogi követelménynek. Spanyolországban ez azt jelenti, hogy rendelkeznie kell a megfelelő képesítéssel és a Spanyol Nukleáris Biztonsági Tanács által kiadott kezelői engedéllyel. A radiológiai asszisztenseknek képzettséggel és tapasztalattal kell rendelkezniük a teleradiológia területén (a használt berendezések/szoftverek tekintetében), és egy helyi radiológus általános felügyelete alatt kell dolgozniuk.

Munkahely: munkakörnyezet, ergonómia

A radiológusok munkahelyi jóléte fontos tényező a teleradiológiai szolgáltatások sikerének meghatározásában. Az ebben a tevékenységben részt vevő személyek munkarendjét és felelősségi körét úgy kell megtervezni, hogy az ne sértse a munkaidőre vagy egyéb jogi jogosultságokra vonatkozó előírásokat. Az ergonómiára és a kényelemre is figyelmet kell fordítani.

A radiológusok díjazása

Olyan rendszert kell létrehozni, amely biztosítja, hogy a radiológusok megfelelő díjazásban részesüljenek az általuk nyújtott teleradiológiai szolgáltatásokért.

Az alvállalkozói tevékenységekkel kapcsolatos szempontok

Az indokolt alvállalkozói tevékenység és a szükségesség elve

Ezek az irányelvek a szükségesség elvét előfeltételként határozzák meg. Érvényes indok hiányában a helyi radiológusok által a helyszínen nyújtott szolgáltatást nem szabad helyettesíteni. Ennek érdekében:

• A várható munkaterhelés fedezésére elegendő számú helyszíni radiológust kell alkalmazni.
• A teleradiológiát nem szabad felhasználni a képalkotó berendezések beszerzésének vagy felújításának indoklására, kivéve, ha a projekt orvosi indikációinak megfelelően rendelkezésre áll a szükséges számú helyszíni radiológus azok felügyeletére.
• A francia irányelvek az alvállalkozói tevékenység során a területi prioritás elvét írják elő: elsősorban a helyi terület, majd a szomszédos területek, végül a megyék vagy akár a régiók (mielőtt bármilyen kiszervezést fontolóra vennének egy országos kereskedelmi vállalat felé).

A kiszervezés mindig is vita tárgyát képezte, különös tekintettel a következő két magatartási típusra:

• Rabló jellegű kereskedelmi gyakorlatok: egyes teleradiológiai szolgáltatók a helyi radiológiai szolgáltatások felváltására törekednek; ennek a megközelítésnek a végeredménye egy minimális számú radiológussal rendelkező radiológiai szolgáltatás lenne.
• Közvetítői tevékenységek kiküszöbölése: ez a folyamat kiküszöböli a közvetítőket a tranzakciókból. Ebben az esetben a helyi radiológiai szolgáltatást kizárják a kórházi vezetők és a teleradiológiai vállalatok közötti tárgyalásokból. Ez akár olyan közvetlen szerződések aláírását is magában foglalhatja, amelyek megkötése során nem konzultálnak a helyi szolgáltatókkal.

Összefoglalás

• A teleradiológiai szolgáltatások igénybevételéről szóló döntés a helyi radiológiai szolgáltatások hatáskörébe tartozik, amennyiben az hozzájárul a betegellátás javításához, vagy olyan szolgáltatásokat nyújt, amelyeket a helyi radiológusok nem tudnak biztosítani.
• A teleradiológia nem helyettesítheti vagy zárhatja ki a radiológusok foglalkoztatását, és azt a betegellátás javítása érdekében kell bevezetni, nem pedig a költségek csökkentése érdekében.
• A teleradiológiai projektekbe be kell vonni a helyi radiológusokat a döntéshozatali folyamatokba és a kiszervezés feltételeinek meghatározásába.

A "termékesítés" kockázata

A „termékesítés” (commoditisation) egy gazdasági neologizmus, amely a „commodities” (nyersanyagok vagy alaptermékek) szóból származik. A termékesítés azt a folyamatot jelenti, amelynek során a termékek vagy szolgáltatások olyan homogén termékekké vagy szolgáltatásokká alakulnak át, amelyek az árukon kívül minden tekintetben megkülönböztethetetlenek.
Ez a folyamat mindig is létezett, és minden kellően érett szektor hajlamos a commoditizációra, beleértve a radiológiai szektort is. Ezt a tendenciát felgyorsította a teleradiológia, amely a leletkészítést megkülönböztethetetlen, piacképes árucikké alakíthatja, amelyet bárhová kiszervezhetnek, és amelyben a radiológusok is cserélhető termelő erőforrásokká válnak. Ahogy árucikké alakulnak át, a differenciálás eltűnik, és a radiológus piaci értéke és alkupozíciója csökken (10. ábra).

10. ábra: A termékek árucikké válásának szakaszai.
Á. Morales Santos, J.L. del Cura Rodríguez and N. Antúnez Larranaga. Teleradiology: good practice guide. Radiología 65 (2023) 133-148

Egyes szerzők szerint a teleradiológia árucikké válása olyan előnyökkel járhat, mint a piac átláthatóságának növekedése, az orvosi minőséget garantáló mechanizmusok kialakítása, valamint az egészségügyi szektorba történő tőkebevonás elősegítése.
A dekomoditizációs stratégiák keretében a következő három megközelítés ajánlott:

1. Konkrét mutatók és szabványok kidolgozása a képalkotó szolgáltatások minőség és klinikai eredmények alapján történő megkülönböztetésére.
2. A radiológus tanácsadói szerepének erősítése.
3. Hozzájárulás a hatékonyság elvéhez. Ez azt jelenti, hogy az Európai Unió kontextusában - amely szabadpiaci jóléti államokból áll - a magánvállalkozások elsődleges célja a pénzkeresés, míg az állami vállalkozásoké a rendszer fenntarthatóságának biztosítása.

Műszaki követelmények

A teleradiológiai rendszer megfelelő működéséhez szükséges minőségi és biztonsági műszaki szabványoknak mind az adó-, mind a vevőoldalon meg kell felelniük a minimális technológiai követelményeknek. A következő útmutatók részletezik a legfontosabb követelményeket:

• Az Amerikai Radiológiai Kollégium (ACR), az Amerikai Orvosi Fizikusok Szövetsége (AAPM) és az Orvosi Képalkotási Informatikai Társaság (SIIM) által 2022-ben felülvizsgált műszaki szabvány az orvosi képalkotás elektronikus gyakorlatára vonatkozóan.
• A Királyi Radiológusok Kollégiumának (RCR) irányelvei a PACS-ről és a diagnosztikai kijelzőeszközökről.
• Az ACR informatikai referenciaútmutatója a gyakorló radiológusok számára.

Következtetések

• A teleradiológia sokkal többről szól, mint pusztán a vizsgálati eredmények távoli értékeléséről vagy a képek és információk távoli pontok közötti továbbításáról; a tudásmegosztásról is szól.
• A tevékenységnek olyan, tudományos társaságok által elfogadott jó gyakorlati kódexeknek kell alávetnie magát, amelyek meghatározzák annak alapelveit, etikai és jogi normákra épülő cselekvési irányelveket állapítanak meg, valamint meghatározzák a tevékenység minőségi és biztonsági szabványait és mutatóit.
• A gyakorlati kódexek betartása esetén kiváló eszközként szolgálnak a beutaló klinikusok és a radiológusok közötti távkommunikációhoz és távkonzultációhoz. Előnyeik jól ismertek, ideértve a diagnosztikai képalkotási konzultációs és leletezési szolgáltatások nyújtását olyan területeken, ahol bizonyítottan szükség van radiológusokra, így áthidalva a szakemberek és a klinikusok, illetve a betegek közötti távolságot. További előnyök a sürgős beavatkozásokhoz és a rendkívüli ügyeleti időszakokban készített leletek, amelyek 24 órás lefedettséget biztosítanak; a másodvélemény kérésének lehetőségéből adódó jobb diagnosztikai képesség; a komplex utómunkálati rendszerekhez és a számítógépes diagnosztikához való hozzáférés; valamint az orvosbiológiai kutatás és képzés terén megnyíló új lehetőségek.
• A szolgáltatás által jelentett veszélyek között szerepelnek a kiszervezéssel, a delokalizációval, a határokon átnyúló tevékenységekkel, a termékesítéssel, a vállalatiasodással kapcsolatos kockázatok; a klinikai gyakorlattól elszigetelt szolgáltatásként való alkalmazása, amely megszakítja a radiológiai ellátási folyamatot; a titoktartási és adatvédelmi jogok megsértése; a kizárólag kereskedelmi ösztönzők által vezérelt, ellenőrizetlen és szabályozatlan növekedés; valamint a csalárd és bűncselekménynek minősülő gyakorlatok alkalmazása, például az EU által el nem ismert képesítéssel rendelkező szakemberek foglalkoztatása és a „szellem-olvasók” igénybevétele.

-------------------------------------

Mathias Goyen
When radiology stops being a specialty
European Journal of Radiology 200 (2026) 112839
https://doi.org/10.1016/j.ejrad.2026.112839

A radiológiát hagyományosan a képek értelmezésére összpontosító, önálló orvosi szakterületként határozták meg. A képalkotó technológia, a mesterséges intelligencia és a munkafolyamatok integrációjának fejlődése azonban egyre inkább beépíti a képalkotást a szélesebb körű klinikai gyakorlatba. Ez a cikk azt a lehetőséget vizsgálja, hogy a radiológia önálló szakterülettől az egészségügyi rendszerek alapvető diagnosztikai infrastruktúrájává fejlődhet-e. Ez a változás nem csökkenti a radiológusok szerepét, hanem inkább a képalkotó rendszerek tervezőivé teszi őket, akik felelősek a minőség, az integráció és a klinikai hatékonyság biztosításáért az egyre összetettebb ellátási folyamatokban.

A radiológia mindig is szokatlan orvosi szakterület volt. A radiológusok ritkán „gondoskodnak” a betegekről a hagyományos értelemben. Ehelyett az orvostudomány középpontjában állnak, és olyan képeket értelmeznek, amelyek szinte minden területen – a sürgősségi orvostudományban, az onkológiában, a sebészetben, a kardiológiában, a neurológiában és az alapellátásban – döntéshozatali alapul szolgálnak. Sok szempontból a radiológia már régóta a modern egészségügy összekötő szöveteként működik.

De valami fontos dolog változhat. Lehetséges, hogy a radiológia fokozatosan egyáltalán nem lesz többé szakterület. Nem azért, mert a képalkotás kevésbé lesz fontos – éppen ellenkezőleg. A képalkotás annyira alapvetővé válhat az orvostudományban, hogy beolvad magába a klinikai gyakorlatba.

Évtizedek óta a radiológiát egy meghatározott munkafolyamat jellemzi. A képeket elkészítették, elküldték a radiológiai osztályra, ahol egy radiológus értelmezte őket, majd a leletet visszaküldték a beutaló orvosnak. Ez a modell akkor volt értelmes, amikor a képalkotó technológia még ritka, bonyolult és központosított volt.

De az orvostudomány fejlődik. Az ultrahangos készülékek ma már olyan kicsik, hogy zsebben is elférnek. A mesterséges intelligencia egyre inkább segíti a képek értelmezését és a triázst, például azáltal, hogy prioritást ad a kritikusnak vélt leleteknek, mint például a koponyaűri vérzés. A képalkotás gyorsabbá, hozzáférhetőbbé válik, és egyre szorosabban integrálódik a klinikai munkafolyamatokba.

Ezeknek a technológiáknak a fejlődésével a képalkotás egyre közelebb kerül a betegágyhoz. A sürgősségi orvosok rutinszerűen végeznek ágy melletti ultrahangvizsgálatokat. Az intenzív terápiás szakorvosok a beavatkozások során is alkalmazzák a képalkotást. A sebészek valós idejű képvezérelt eljárásokra támaszkodnak. A kardiológusok egyre inkább beépítik a fejlett képalkotást a saját gyakorlatukba.

A „képalkotás” és a „klinikai ellátás” közötti határok egyre inkább elmosódnak. Ha ez a tendencia folytatódik, a radiológia mint önálló szakterület hagyományos modellje változásnak indulhat. A képalkotás az orvostudomány egészében beágyazott alapvető diagnosztikai képességgé válhat – hasonlóan a mai laboratóriumi vizsgálatokhoz. Kevés klinikus mondaná, hogy a laboratóriumi orvoslás „nem az ő területük”. A vérvizsgálatokat minden szakterületen elrendelik, értelmezik és beépítik a klinikai érvelésbe. A laboratóriumi orvoslás mögött álló infrastruktúra és szakértelem azonban továbbra is elengedhetetlen.

A radiológia hasonló módon fejlődhet. A képalkotás mindenütt jelen lévővé válhat. De a képalkotási technológiák fejlesztéséhez, a diagnosztikai pontosság biztosításához, a mesterséges intelligencia felelősségteljes integrálásához és a komplex rendszerek minőségének fenntartásához szükséges szakértelem továbbra is rendkívül specializált marad. Más szavakkal: a radiológia nem feltétlenül tűnik el. Lehet, hogy infrastruktúrává válik. Ez a változás mélyreható következményekkel járna arra nézve, hogyan gondolkodunk a szakmáról. Évek óta a radiológia jövőjéről szóló viták gyakran egy kérdésre összpontosítottak: vajon a technológia felváltja-e a radiológusokat?
A mesterséges intelligencia különösen heves vitát váltott ki. A címlapok a szakterület végét jósolták. Néhány orvostanhallgató azt kérdezte, hogy egyáltalán létezni fog-e még a radiológia, mire befejezik a képzésüket. De talán a sokkal érdekesebb kérdés mindig is egy másik volt.

Mi történik, ha a képalkotás annyira szorosan beépül az orvostudományba, hogy minden klinikus használja?

Egy ilyen világban a radiológusok szerepe a képek értelmezőiből rendszertervezőkké alakulhat át. A radiológusok azok az orvosok lehetnek, akik felelősek azért, hogy a képalkotás biztonságosan, pontosan és hatékonyan működjön az egész egészségügyi rendszerben. Kialakíthatják a képalkotási folyamatokat, felügyelhetik a minőséget, kifejleszthetnek mesterséges intelligenciával támogatott diagnosztikai eszközöket, irányíthatják a klinikai döntéshozatalt, és segíthetnek a képalkotási adatok beépítésében a szélesebb körű betegellátásba. Ahelyett, hogy a klinikai ellátás perifériáján működne, a radiológia a modern orvostudomány működését lehetővé tevő láthatatlan infrastruktúra részévé válhat.
Paradox módon ez egyszerre teheti kevésbé láthatóvá és fontosabbá a szakterületet.

Vannak már példák az ilyen jellegű fejlődésre. Az aneszteziológia egykor elsősorban a műtéti érzéstelenítésre összpontosított. Ma az aneszteziológusok központi szerepet töltenek be az intenzív ellátásban, a perioperatív orvoslásban és a betegbiztonsági rendszerekben. A radiológia is hasonló, rendszerszintű szerep felé haladhat.

Ez az átalakulás nem egyik napról a másikra fog megtörténni. A radiológiai osztályok még hosszú évekig fogják értelmezni a nagy mennyiségű, összetett képalkotó vizsgálatokat. A diagnosztikai képalkotás terén szerzett szakértelem továbbra is elengedhetetlen lesz. De a szakterület határai egyre inkább elmosódhatnak. Az orvostudomány különböző területein dolgozó klinikusok maguk is egyre több képalkotást fognak végezni. A mesterséges intelligencia támogatni fogja az értelmezést. A képalkotás beépül a klinikai munkafolyamatokba. A radiológusok pedig egyre inkább a modern egészségügyi ellátást támogató képalkotási ökoszisztéma tervezésére, felügyeletére és fejlesztésére összpontosíthatnak.

Ha ez bekövetkezik, a radiológia nem fog eltűnni. Csak nehezebb lesz észrevenni. Mert a komplex rendszerek legfontosabb infrastruktúrája gyakran láthatatlan. A kórházban minden az árammal működik, mégis kevesen gondolnak rá, amíg nem romlik el. A képalkotás is hasonlóvá válhat: egy mindenütt jelen lévő diagnosztikai képességgé, amely csendben támogatja a döntéshozatalt az egész egészségügyi rendszerben.

A radiológia jövője talán nem a szakterület határainak védelmében rejlik. Talán a modern orvostudomány diagnosztikai infrastruktúrájának kiépítésében rejlik. A radiológia talán nem marad szakterület. Talán az orvostudomány operációs rendszerévé válik.

------------------------------------------------------------------

Konklúzió:

• A radiológia átalakulása paradox helyzetet teremt: minél fontosabbá válik a technológia, annál kevésbé lesz látható önálló szakterületként.
  
• A jövő víziója: A radiológia az orvostudomány „operációs rendszerévé” vagy „elektromos hálózatává” válik. Ahogy a kórházi áramellátás is csak akkor tűnik fel, ha meghibásodik, a képalkotás is egy mindenütt jelen lévő, csendes, de létfontosságú támogató erővé alakul.
  

Szakmai stratégia:

1. A szakterület túlélése és fejlődése nem a határok védelmében, hanem a modern orvostudomány diagnosztikai infrastruktúrájának kiépítésében és irányításában rejlik.
   
2. A radiológia tehát nem tűnik el, hanem alapjaiban formálja át az egészségügyi ellátást, miközben a radiológusok a manuális értelmezési feladatoktól a rendszerszintű irányítás felé mozdulnak el.

Főbb felelősségi körök:

• Diagnosztikai biztonság és minőség: A rendszerszintű pontosság és hatékonyság biztosítása.
• AI integráció: A mesterséges intelligenciával támogatott eszközök felelősségteljes bevezetése és felügyelete.
• Folyamattervezés: Képalkotási utak kialakítása a betegellátási láncban.
• Döntéstámogatás: A klinikai orvosok segítése a komplex képalkotási adatok értelmezésében és integrálásában.

Teodoro Martín-Noguerol Pilar López-Úbeda, Antonio Luna
Rethinking “Useful” and “Useless” AI in radiology
Current Problems in Diagnostic Radiology
Volume 55, Issue 3, May–June 2026, Pages 353-355
https://doi.org/10.1067/j.cpradiol.2026.03.002

Jelenleg valószínűleg a mesterséges intelligencia (AI) radiológiai alkalmazásának aranykorát (első korszakát) éljük át, amelynek legfejlettebb megnyilvánulása a generatív AI.
Szinte havonta tucatnyi, az AI-t különböző radiológiai helyzetekben alkalmazó lehetséges és újszerű megoldás jelenik meg tudományos, szakértői bírálaton átesett cikkekben vagy az interneten. Mi, radiológusok (akár ismerjük, akár nem ismerjük az AI-lel kapcsolatos felhajtást), el vagyunk árasztva a hatalmas mennyiségű információval, amelyet alig lehet megfelelően kezelni. Az eredmény? Az AI-vel szembeni jól ismert vonakodás, vagy a híres FoMO (fear of missing out, azaz a lemaradástól való félelem). Ráadásul a közösségi média és az AI-guruk kötelességtudatosan teljesítik küldetésüket, emlékeztetve minket arra, hogy ha nem leszünk részesei az AI-forradalomnak, akkor kockáztatjuk, hogy radiológusként elavulunk.
Ezen a ponton a radiológusok sokféle álláspontot választhatnak. Ezek az álláspontok a hűséges AI-hívőktől, akik megpróbálják a lehető leghamarabb tesztelni és bevezetni az összes új AI-megoldást, egészen az ellenkező forgatókönyvig terjednek: a teljes elszakadás az AI-témától, barlangban élés és várakozás arra, hogy mi fog történni, hagyva, hogy az algoritmus-forradalom kibontakozzon (igen… manapság sok radiológusnak ilyen a profilja). Természetesen e két szélsőséges példa között számos közbenső nézőpont és radiológus magatartás létezik.
Ebben az egyre bonyolultabbá váló AI-világban azt javasoljuk, hogy a radiológiában alkalmazott AI-megoldások típusait a lehető legegyszerűbbé tegyük. Ahelyett, hogy divatos AI-osztályozásokat használnánk, mint például a szűk mesterséges intelligencia, az általános mesterséges intelligencia vagy a szuperintelligencia, vagy régebbi fogalmakat, mint a képalapú AI kontra szövegalapú AI, vagy a mérnöki alapú megkülönböztetést a szabályalapú, gépi tanuláson alapuló és mélytanuláson alapuló AI-megoldások között, megközelítésünk egyszerűbb és gyakorlatiasabb: hasznos és haszontalan AI.
A „hasznos vs. haszontalan” szándékosan reduktív. Nem végleges osztályozási rendszerként, hanem inkább a reflexiót ösztönző provokatív nézőpontként szolgál. A radiológiában alkalmazott AI-alkalmazások egy folytonosság mentén helyezkednek el, amely a potenciálisan károsaktól (pl. az automatizálás okozta képességvesztés vagy a túlzott támaszkodás) a hétköznapi vagy operatív szempontból hasznosakon át a egyértelműen hasznosakig, sőt a transzformatívakig terjed. Az egyértelműség és a retorikai fókusz érdekében kiemeljük ennek a folytonosságnak a szélsőségeit, elismerve, hogy a valós világban a legtöbb eszköz közbenső pozíciókat foglal el.

Az egyértelműség kedvéért a hasznosságot három mérhető dimenzió szerint határozzuk meg:

1. az ember számára lehetetlen feladatok, amelyeket a radiológusok a velük született korlátok miatt nem tudnak elvégezni (például a radiomikai jellemzők kivonása);
2. a skálázhatóság, azaz olyan feladatok, amelyek egy esetnél megvalósíthatók, de kezelhetetlenné válnak, ha több ezer vagy millió képet vagy jelentést kell feldolgozni; és
3. a eredmények bizonyítható javulása, akár a diagnosztikai pontosság, akár a munkafolyamat hatékonysága révén.

Mi az a haszontalan mesterséges intelligencia?

Véleményünk szerint azok a mesterséges intelligencia-alkalmazások, amelyek nem felelnek meg a fent leírt kritériumok egyikének sem – még akkor is, ha bizonyos kontextusokban hasznosak lehetnek –, „haszontalan” mesterséges intelligenciának minősülnek.
Más szavakkal: a haszontalan mesterséges intelligencia alatt azokat a megoldásokat értjük, amelyek olyan feladatokat végeznek el, amelyeket a radiológusok már most is könnyedén elvégeznek a munkamenetük részeként. Itt olyan feladatokról van szó, mint egy tudományos kézirat összefoglalása (minden kéziratnak már van egy absztraktja, amely összefoglalja a tartalmát), egy radiológiai jelentés strukturálása, egy csont röntgenfelvételén látható törés felismerése, egy emlőelváltozás BI-RADS 3-as besorolása, egy radiológiai vizsga megoldása, tudományos cikk írása, a radiológiai jelentés legfontosabb eredményeinek barátságos módon történő elmagyarázása a betegnek, a lehetséges differenciáldiagnózis felvetése egy akut neurológiai tünetekkel rendelkező betegnél, akinek DWI-felvételén alacsony ADC-értékekkel rendelkező hiperintenzív elváltozás látható, vagy a Spetzler-Martin osztályozási rendszer felkutatása.
Ezeknek a feladatoknak a többsége a radiológusok és klinikusok lényegének része, beleértve a hosszú évek alatt megszerzett képességeket is.
Tényleg szükségünk van ehhez mesterséges intelligenciára?
Tényleg el akarjuk veszíteni azokat a tulajdonságokat, amelyek egyedivé tesznek minket?
Hol van az ilyen típusú mesterséges intelligencia-eszközök használatának hozzáadott értéke?
Az automatizált értelmezésre, triázsra vagy leletkészítésre való túlzott támaszkodás fokozatosan alááshatja az észlelési szakértelmet és a hosszú évek képzése során kialakult, árnyalt mintázatfelismerő képességeket. Ezt a jelenséget más, magas szintű automatizáltsággal rendelkező területeken is leírták, és a radiológia valószínűleg nem kivétel. A nem szándékolt következmény az, hogy a „segítségre” tervezett eszközök paradox módon éppen azokat a kompetenciákat gyengíthetik, amelyeket támogatni kívánnak.
Természetesen ennek a gyönyörűen megalkotott önámítás-piramisnak a csúcsán a főszereplők az AI-támogatott chatbotok, azzal a további iróniával, hogy mi magunk döntjük el önként és végső soron, hogy használjuk-e őket vagy sem (jelenleg egyetlen intézmény vagy tudományos társaság sem kényszeríti a radiológusokat arra, hogy a chatbotokat rutinszerűen alkalmazzák). Természetesen a helyzet még rosszabbá válik, ha belegondolunk abba, hogy a chatbotok nem orvostechnikai eszközök, jelenleg nem rendelkeznek CE- vagy FDA-jóváhagyással, és a radiológiai célokra még távolról sem képeztek ki őket.
Végül is a hasznosság fogalma emlékeztet bennünket arra, hogy nem minden technológiai innováció jelent klinikai előrelépést. Az innováció az innováció kedvéért és az olyan innováció közötti megkülönböztetés, amely valóban javítja a diagnosztikai pontosságot vagy a munkafolyamat hatékonyságát, elengedhetetlen az AI értelmes integrálásához a radiológiában. Mindazonáltal fontos elismerni, hogy még azok az AI-eszközök is, amelyek a radiológusok által már elvégzett feladatokat másolják, közvetett klinikai és működési értéket nyújthatnak. Ide tartozik a kognitív terhelés csökkentése, a kiégés megelőzése, a nagy volumenű környezetekben a konzisztencia javítása, vagy a sürgős leletek felismerését felgyorsító triázsrendszerként való működés. Bár ezek nem változtatnak azon a tényen, hogy az ilyen eszközök elvileg nem haladják meg az emberi képességeket, mégis támogató szerepet játszhatnak a részleg munkafolyamatának optimalizálásában.

Mi is az a hasznos mesterséges intelligencia?

Véleményünk szerint a hasznos mesterséges intelligencia olyan feladatok elvégzésére képes, amelyeket a radiológusok nem tudnak megoldani. Ennek a kategóriának a legegyértelműbb példája a radiomika. Az emberi szem számára lehetetlen metaadatokat és jellemzőket kivonni a radiológiai képekből, kivéve a jelintenzitás minőségi változásait vagy a térképek adatainak kézi mennyiségi méréseit. Manapság csak a mesterséges intelligencia algoritmusai képesek ilyen típusú radiomikai jellemzők kivonására. Ezen a ponton van még egy lehetséges alkalmazási területe az AI-megoldásoknak, amely hasonlít az AI-megoldások hasznosságához, de van egy kulcsfontosságú megkülönböztető tényezője: az adatmennyiség. Amikor több száz, ezer vagy millió képről vagy szövegről beszélünk (beleértve a radiológiai leleteket és az elektronikus egészségügyi nyilvántartásokat), az AI-nak lehet és kell is lennie helye a munkafolyamatunkban, különösen a munkaterhelésünk enyhítése érdekében.
Számos tanulmány bizonyította az AI képességeit és potenciális előnyeit a radiológiai osztályok segítésében különböző adminisztratív és tisztán radiológiai feladatokban. Most nem egy-egy radiológiai lelet strukturálásáról beszélünk; hanem több ezer, évekkel ezelőtt szabad szöveges formátumban írt korábbi radiológiai lelet retrospektív strukturálásáról. Ez egy olyan feladat, amelyet a radiológusok nem tudnak kezelni, a kollégák világszerte tapasztalható hiányát figyelembe véve. Közismert, hogy nem minden radiológiai osztály vagy részleg alkalmaz strukturált leletezést, és húsz évvel ezelőtt még kevésbé volt ez így, annak ellenére, hogy a strukturált lelet előnyei egyaránt jól ismertek. Az AI-alapú szövegkezelő megoldások használatával ma már nemcsak több ezer korábbi radiológiai leletet tudunk másodpercek alatt strukturálni, hanem könnyebben és hatékonyabban tudunk belőlük releváns információkat kinyerni, felkészülve ezzel az esetleges későbbi adminisztratív követelményekre.

A képalkotás szempontjából olyan esetek is előfordulnak, amikor a mesterséges intelligencia hasznos lehet a radiológusok számára, ha a mintanagyságot egyetlen képről többezer radiológiai felvételre növeljük. Valószínűleg ez a két legfontosabb terület, ahol a képalapú mesterséges intelligencia kézzelfogható eredményeket hoz, és segíti a radiológusok munkáját: a röntgenfelvételek és a mammográfiás felvételek értékelése. A két alkalmazás között jelentős különbségek vannak, de a képalapú AI-megoldások használata segíti a radiológiai osztályokat abban, hogy kézben tartsák a naponta elvégzett röntgenfelvételek növekvő számát, különösen a sürgősségi osztályok esetében, ahol a radiológiai osztályok alig tudnak megbirkózni a feladattal (itt is előtérbe kerül a radiológusok globális hiánya). Az ilyen típusú megoldások messze nem váltják fel a radiológusokat, hanem igyekeznek segíteni a sürgősségi osztályok munkatársait, és ezeknek az eszközöknek a nagy érzékenységére támaszkodva minimalizálják annak kockázatát, hogy a röntgenvizsgálatok során elkerüljék a figyelemre méltó eredményeket. Hasonlóképpen, az emlőképalkotásban is ígéretes eredményeket mutatnak az AI-megoldások, amelyeket első- vagy másodleletezőként használnak a mammográfia-alapú szűrőprogramokban.
Fontos megjegyezni, hogy a „hasznos” mesterséges intelligenciának tekintett technikák közül sok, különösen a radiomika és a nagyméretű multimodális adatkinyerés, még mindig elsősorban a kutatási környezetre korlátozódik. Az itt való szerepeltetésük a koncepcionális értékükre utal: ezek a módszerek olyan elemzési formákat tesznek lehetővé, amelyek alapvetően elérhetetlenek az emberi megfigyelők számára. Klinikai alkalmazásuk folyamatban van és egyenetlen, de az alapul szolgáló képességek minőségileg eltérő kiegészítést jelentenek a munkafolyamat-orientált eszközökhöz képest.

Összegzésként: a mesterséges intelligenciával kapcsolatos hírekre gyakorolt állandó külső befolyás jelenlegi korszakában a radiológusoknak nyugodtnak kell maradniuk, és képesnek kell lenniük megkülönböztetni azokat a mesterséges intelligencia-alkalmazásokat, amelyek segíthetnek és valóban hasznosak lehetnek a mindennapi gyakorlatban, és azokat, amelyek – bár felhasználóbarátok és vizuálisan vonzóak – messze nem tekinthetők releváns radiológiai eszközöknek. Végül is a haszontalan mesterséges intelligencia inkább olyan technológiához hasonlítható, amely megpróbálja utánozni azt, amit már jól csinálunk, ahelyett, hogy segítene abban, amit nem tudunk. Ha nem vagyunk óvatosak, kockáztatjuk, hogy több időt töltünk ezeknek az újdonsághajtású eszközöknek a csodálatával, mint a radiológia valódi határainak kitolásával.
Véleményünk szerint a folyamatos képzés és a radiológiai mesterséges intelligencia előnyeinek és hátrányainak őszinte ismertetése elengedhetetlen ahhoz, hogy a radiológusok rendelkezzenek azokkal az eszközökkel, amelyekkel szembenézhetnek ezzel az új mesterséges intelligencia korszakkal és az azt követő korszakokkal, mivel a közeljövőben a helyzet valószínűleg jelentősen felforrósodik. Más szavakkal, a radiológusoknak fel kell készülniük arra, hogy megvédjék lényegünket, a mesterséges intelligenciát igényeinkhez igazítsák, és ellenálljanak annak, hogy a mainstream sodorja magával.

--------------------------------------

Pesapane, F., De Cecco, C., Wang, H. et al. 
Artificial intelligence as medical device in radiology in 2025:
the regulatory scenario in the EU, USA, and China. 
Eur Radiol (2026).
https://doi.org/10.1007/s00330-026-12460-4

A radiológia az orvosi innováció élvonalába került az mesterséges intelligencia (MI) klinikai gyakorlatba történő integrálásával. 2025 elejére az amerikai Élelmiszer- és Gyógyszerügyi Hivatal (FDA) több mint 1000 klinikai MI-alkalmazást hagyott jóvá, amelyek több mint 70%-a kifejezetten a radiológiát célozza. Az Európai Unióban és Kínában is hasonló, bár számszerűen eltérő növekedés tapasztalható (az EU-ban becslések szerint 260, Kínában 162 regisztrált eszköz érhető el).

A szabályozási környezet globálisan szigorodik: az MI-eszközöket ma már egyértelműen „aktív” orvostechnikai eszközökként kezelik. Bár a jogi keretek régiónként eltérőek, jelentős konvergencia figyelhető meg az alapvető elvárások terén: a betegadatok védelme, a kockázatalapú osztályozás, az átláthatóság, a torzításmentesség és az emberi felügyelet mindenhol központi követelmény. A radiológus szerepe továbbra is meghatározó marad, mint a végső felelős döntéshozó.

1. Az Európai Unió szabályozási környezete

Az EU többrétegű szabályozási keretet hozott létre, amely az eszközbiztonságot, az adatvédelmet és az MI-specifikus kockázatokat egyaránt kezeli.

1.1. Orvostechnikai eszközökről szóló rendelet (MDR)

A 2021-ben hatályba lépett 2017/745-ös MDR rendelet az MI-alapú szoftvereket „aktív” orvostechnikai eszközként definiálja.

• Kockázati besorolás: A 11. szabály értelmében a diagnosztikai vagy terápiás döntéseket támogató szoftverek többsége legalább IIa osztályba (közepes kockázat) tartozik, de súlyos ártalom lehetősége esetén IIb vagy III osztályba is sorolható.
• Kihívások: Az MDR szigorúbb követelményei miatt a korábban CE-jelzéssel rendelkező radiológiai MI-termékeknek csupán 17%-a szerezte meg az új tanúsítványt az első évben.

1.2. GDPR és adatvédelem

A 2018-as Általános Adatvédelmi Rendelet (GDPR) szigorú korlátokat szab az egészségügyi adatok felhasználásának.

• Adatminimalizálás és biztonság: Az MI-fejlesztéshez használt adatoknak anonimizáltnak vagy legalább pszeudonimizáltnak kell lenniük.
• Betegjogok: A betegeknek joguk van a tájékoztatáshoz az MI adatfelhasználásáról, és az adatvédelmi incidenseket 72 órán belül jelenteni kell.

1.3. Az EU MI-törvény (AI Act)

A 2024-ben elfogadott horizontális szabályozás kockázatalapú megközelítést alkalmaz. A radiológiai MI-eszközök többsége „nagy kockázatú” kategóriába esik.

2. Az Amerikai Egyesült Államok szabályozási stratégiája

Az USA-ban az FDA központi szerepet játszik az MI-alapú szoftverek (SaMD) felügyeletében, rugalmasabb, de szigorú klinikai bizonyítékokat elváró rendszerben.

2.1. FDA engedélyezési útvonalak

1. 510(k) eljárás: A leggyakoribb út; a gyártónak bizonyítania kell a „lényegi egyenértékűséget” egy már piacon lévő eszközzel.
2. De Novo osztályozás: Újszerű, alacsony vagy közepes kockázatú eszközök számára, amelyeknek nincs korábbi megfelelőjük (predikátumuk).
3. Premarket Approval (PMA): A legszigorúbb folyamat a nagy kockázatú alkalmazások számára, amely kiterjedt klinikai bizonyítékokat igényel.

2.2. Életciklus-kezelés és adaptív algoritmusok

2025-ös iránymutatások bevezették a PCCP-ket (Predetermined Change Control Plans). Ez lehetővé teszi a gyártók számára, hogy előre meghatározott keretek között frissítsék az algoritmusokat anélkül, hogy minden módosításhoz új engedélyt kellene kérniük, amennyiben folyamatosan monitorozzák a valós teljesítményt.

2.3. Szabályozási kihívások az USA-ban

• MI-eltolódás (AI drift): Az algoritmusok teljesítménye változhat a valós használat során.
• „Fekete doboz” jelenség: A mélytanulási modellek belső logikája gyakran nehezen értelmezhető az orvosok számára.
• Torzítás és méltányosság: Az Affordable Care Act 1557. szakasza tiltja az algoritmusokon keresztüli diszkriminációt.

3. Kína szabályozási megközelítése

Kínában az MI-eszközöket kizárólag segédeszközként (auxiliary tool) ismerik el, önálló döntéshozatalra nem jogosultak.

3.1. NMPA osztályozás

A Nemzeti Orvostechnikai Termékigazgatás (NMPA) 2021-es útmutatója alapján az MI-eszközöket két fő kategóriába sorolják:

• 3. osztály (Nagy kockázat): Olyan algoritmusok, amelyek közvetlenül részt vesznek a klinikai döntéshozatalban (pl. diagnózis, leletdetektálás) és alacsonyabb technológiai érettséggel rendelkeznek. Ezek országos szintű felülvizsgálatot igényelnek.
• 2. osztály (Közepes kockázat): Magas érettségű algoritmusok vagy olyan eszközök, amelyek csak a munkafolyamatot segítik (pl. kép-rekonstrukció, mérési optimalizálás). Ezeket tartományi szinten hagyják jóvá.

3.2. Adatkezelés és szabványosítás

• Anonimizálás: A gyártók számára kötelező a betegadatok de-identifikálása.
• Etikai jóváhagyás: Minden adatgyűjtéshez etikai bizottsági engedély és (bizonyos esetekben) betegbeleegyezés szükséges.
• Technikai szabványok: Kína kiemelt figyelmet fordít az adatkészletek minőségére (pl. YY/T 1833.2-2022 szabvány), előírva az adatok visszakövethetőségét és az annotációs folyamat szigorú ellenőrzését.

4. Globális konvergencia és közös prioritások

Az EU, az USA és Kína szabályozása több kritikus ponton mutat jelentős átfedést:

4.1. Átláthatóság és magyarázhatóság

Bár a „teljes transzparencia” technikai okokból nem mindig lehetséges, elvárás a „klinikailag hasznos magyarázat”. Ilyenek például a hőtérképek (heatmaps), a bizalmi pontszámok (confidence scores) és a „modellkártyák”, amelyek leírják a szoftver korlátait.

4.2. Torzításmentesség és méltányosság

A szabályozások előírják a reprezentatív adatkészletek használatát. A „szintetikus adatok” (pl. generatív MI által létrehozott képek) használata engedélyezett a modellek robusztusságának tesztelésére, de nem válthatják ki a valós klinikai adatokkal végzett validációt.

4.3. Emberi felügyelet

Minden jogrendszerben a radiológus marad a végső felelős. Az MI „második olvasóként” funkcionál, de az orvosnak képesnek kell lennie az MI eredményeinek felülbírálására és dokumentálására.

4.4. Forgalomba hozatal utáni felügyelet

A gyártóknak kötelező figyelniük az algoritmusok valós környezetben nyújtott teljesítményét.

• EU: Folyamatos klinikai nyomon követés (PMCF).
• USA: Valós világbeli bizonyítékok (Real-world evidence) gyűjtése.
• Kína: Szigorú minőségirányítási rendszerek és incidensjelentési kötelezettség.

A radiológiai MI-eszközök szabályozása a harmonizáció irányába mutat, nemzetközi egységes fellépés bontakozik ki a betegbiztonság és az adatvédelem érdekében, biztosítva, hogy az MI ne helyettesítse, hanem támogassa az orvosi szakértelmet.

A radiológusoknak tudatosan kell kezelniük az MI-t mint „második véleményt”, fenntartva a klinikai kontrollt és a felelősséget.