Diagnostics-13-00892 en Id
Diagnostics-13-00892 en Id
com
diagnostik
Tinjauan
Divisi Radiologi Vaskular dan Intervensional, Departemen Radiologi, Pusat Medis Wexner Universitas Negeri
Ohio, Columbus, OH 43210, AS
* Korespondensi: mina.makary@osumc.edu
Pertama kali diperkenalkan secara resmi pada tahun 1950′s, pertumbuhan AI dimulai dengan
Hak cipta:© 2023 oleh penulis.
pengenalan jaringan saraf tiruan (JST), sebuah ide yang terinspirasi oleh jaringan saraf biologis di mana
Penerima Lisensi MDPI, Basel, Swiss.
bagian informasi terjadi melalui input dan output dari neuron yang berdekatan. Sejak diperkenalkan,
Artikel ini adalah artikel akses terbuka
telah ada perkembangan lebih lanjut menjadi model pembelajaran komputasi, yang meliputi
yang didistribusikan berdasarkan
pembelajaran mesin (ML) dan pembelajaran mendalam (DL) (Gambar1) [1]. ML didasarkan pada
syarat dan ketentuan lisensi Creative
Commons Attribution (CC BY) (https://
"pelatihan terbalik", di mana pendidikannya terjadi melalui pemaparan terhadap data berlabel spesifik [1
creativecommons.org/licenses/by/ ,2]. DL adalah subset khusus dari pembelajaran mesin yang dibangun dari jaringan saraf tiruan (ANN)
4.0/). berlapis-lapis untuk digunakan dalam tugas-tugas tingkat tinggi yang lebih kompleks [1,2]. JST adalah
model komputasi yang mencakup berbagai tingkat algoritme pembelajaran, atau 'neuron' input dan
output, dan jika salah satu dari lapisan ini melibatkan filter konvolusional, maka diklasifikasikan sebagai
jaringan saraf konvolusional (CNN).
Gambar 1.Skema yang menguraikan hubungan antara AI, ML, dan DL, serta aspek-aspek yang membentuk masing-
masingnya secara individual.
Dengan penggabungan jaringan saraf, DL dapat secara otomatis membedakan informasi dari set
besar data yang tidak berlabel dengan melatih CNN dengan banyak lapisan saraf, antara input dan
output, yang berkontribusi pada plastisitas DL [1]. Ini memungkinkan DL untuk meniru kecerdasan,
penalaran, dan pembelajaran manusia dengan lebih baik [1]. Algoritme ini bahkan dapat
mengidentifikasi karakteristik spesifik patologi yang berada di luar jangkauan manusia. Namun, karena
kebutuhan untuk melatih jaringan sarafnya, DL saat ini memiliki aplikasi yang terbatas di bidang seperti
radiologi intervensi di mana data kasusnya terbatas dan seringkali sangat bervariasi.
Batasan ketergantungan AI saat ini pada jaringan saraf adalah ketergantungan
pada domain kaya data untuk melatih algoritme. Bidang radiologi diagnostik optimal
untuk pelatihan seperti itu karena merupakan spesialisasi kaya data unik yang telah
berkembang pesat di era teknologi modern. AI telah berhasil diterapkan di beberapa
bidang radiologi diagnostik yang telah terbukti meningkatkan efisiensi dan hasil pasien
saat digunakan bersama dengan ahli radiologi terlatih. AI telah berhasil digunakan
untuk menilai perfusi otak pada stroke akut, menggambarkan tumor otak, dan studi
radiologi protokol. Meskipun banyak dari contoh-contoh yang tercantum ini dianggap
khusus untuk radiologi diagnostik, ada banyak tumpang tindih antara radiologi
diagnostik dan radiologi intervensi. Bidang penelitian yang berkembang pesat disebut
"Radiogenomik,
Diagnostik2023,13, 892 3 dari 14
data, dalam upaya untuk mengkorelasikan pola pencitraan yang tepat dengan subtipe patologis dan/
atau histologis [3]. Meskipun berpusat pada kemampuannya untuk mengekstrak data kompleks dari
citra medis, data yang diperoleh akan membantu menyesuaikan perawatan IR khusus pasien. Aplikasi
untuk AI dalam IR terus meningkat dengan kemajuan teknologi modern dan lanskap perawatan
kesehatan yang berkembang.
AI memiliki kemampuan untuk merevolusi lebih lanjut perawatan kesehatan, khususnya untuk IR,
melalui diagnosis presisi, rencana perawatan yang disesuaikan, dan dukungan prosedur waktu nyata.
Selain itu, meskipun bukan bentuk AI langsung, bidang serupa seperti augmented reality (AR) dan virtual
reality (VR) berdiri untuk meningkatkan pendidikan dan pelatihan dokter, meningkatkan pemahaman
pasien, dan meningkatkan panduan prosedural serta mengurangi risiko dan komplikasi prosedural.
Tujuan dari tinjauan ini adalah untuk menyoroti aplikasi AI yang berkembang dalam
IR, memanfaatkan teknik yang dijelaskan sebelumnya, dalam pengaturan pra-prosedur,
intra-prosedural, dan pasca-prosedural untuk meningkatkan pemilihan pasien,
perencanaan dan pelaksanaan perawatan, pelatihan prosedural, augmentasi
intraprosedural, dan tindak lanjut pengobatan. Sementara AI memiliki banyak
kegunaan, kompleksitas penerapan AI pra-prosedural, intra-prosedural, dan pasca-
prosedural dalam IR telah menghadirkan beberapa tantangan dan dilema etika yang
membatasi integrasinya jika dibandingkan dengan bidang-bidang seperti radiologi
diagnostik. Kami mengeksplorasi lebih lanjut keterbatasan kemajuan AI dalam IR, dan
pertimbangan etis yang muncul selama adopsi teknologi yang baru lahir ini.
2. Aplikasi AI
Aplikasi AI dalam IR dapat dibagi menjadi kategori pra-prosedural, intra-prosedural, dan
pasca-prosedural, seperti yang dirangkum dalam Tabel1. Aplikasi pra-prosedur meliputi,
namun tidak terbatas pada, pemilihan pasien serta kegunaan radiogenomik, AR, dan VR.
Aplikasi intra-prosedural termasuk, namun tidak terbatas pada, panduan prosedural dan
paparan radiasi. Aplikasi pasca-prosedur disesuaikan dengan evaluasi hasil prosedural dan
tindak lanjut.
Tabel 1.Lanjutan
Pasca-prosedur
Aplikasi
CNN yang sepenuhnya otomatis untuk menghitung ukuran tumor dan
Tindak Lanjut Pengobatan Kidd dkk. [9]
respon pengobatan
telah diusulkan untuk skrining keamanan, alat yang berguna misalnya dalam analisis pra-prosedur
sebelum prosedur yang dipandu MRI atau pada pasien dengan alergi kontras [1].
2.1.2. Radiogenomik
Bidang radiogenomik yang muncul menggabungkan pencitraan medis dan patologi molekuler, seperti
yang ditunjukkan pada Gambar2, untuk meningkatkan diagnosis, prognosis, dan hasil pengobatan [3].
Ada kesadaran baru bahwa pencitraan medis mengandung sejumlah besar data relevan klinis yang
“belum dimanfaatkan” yang sebelumnya tidak dipahami [3]. Kemampuan untuk meramalkan suatu hasil
atau manfaat pengobatan sebelum melakukan itu merupakan tantangan utama dalam radiologi
intervensi. Namun, adopsi DL memiliki potensi untuk mengurangi tantangan ini [13]. Jika diagnosis yang
akurat dapat dilakukan tanpa memerlukan pengambilan sampel jaringan, seperti kasus diagnosis HCC
pada MRI, ini akan mengurangi prosedur yang tidak perlu, sehingga menurunkan risiko pasien dan
menurunkan biaya rumah sakit [5].
Selain itu, pengembangan radiogenomics bisa menjadi penting untuk IR dan perannya dalam
pengobatan pasien onkologi, seperti HCC, karsinoma sel ginjal (RCC), kanker kolorektal (CRC)
dengan metastasis ke hati, dan pasien kanker paru-paru.3]. Sebagai contoh, studi radiogenomik
telah menunjukkan potensi korelasi pola gen HCC dengan fitur pencitraan agresif pada CT, seperti
infiltrasi atau invasi mikrovaskuler. Karena ini menunjukkan prognosis yang buruk, akan sangat
penting untuk mendeteksi, atau, minimal, menyarankan temuan ini pada pencitraan awal agar
pilihan pengobatan yang tepat dapat dipilih secepat mungkin [3]. Selain itu, studi radiogenomik
telah dilakukan pada RCC menunjukkan hubungan antara fitur pencitraan CT dengan mutasi
tumor dan karenanya hasil klinis [3]. Karena ada bukti yang menunjukkan hilangnya mutasi
tertentu dengan peningkatan agresivitas tumor RCC dan tingkat kelangsungan hidup yang lebih
buruk, alat triase berbasis radiogenomik akan sangat membantu untuk menentukan apakah
pasien RCC akan mendapat manfaat paling banyak dari pembedahan atau intervensi IR dengan
ablasi termal [3].
Diagnostik2023,13, 892 6 dari 14
Secara keseluruhan, aplikasi ini memiliki potensi untuk memprediksi dan memprediksi respons
pasien terhadap pengobatan tertentu dengan lebih akurat, menciptakan pendekatan pengobatan yang
lebih disesuaikan dan spesifik. Ini menambah peran ahli radiologi intervensi sebagai dokter yang
mengambil bagian dalam rencana perawatan pasien, bukan prosedural yang ketat. Penting sebagai
dokter untuk menetapkan prognosis yang akurat, sedini mungkin, dan menentukan pasien mana yang
paling diuntungkan dari perawatan khusus sambil mengurangi risiko pasien, paparan radiasi, dan biaya
rumah sakit sebanyak mungkin.
digabungkan dengan metode pengajaran standar akan memastikan pelatihan yang optimal dalam lingkungan yang
aman dan efektif, dengan keuntungan tambahan berupa berkurangnya waktu prosedur dan kesalahan operator [27,28
].
ML dan VR dapat meningkatkan pendidikan HI dan kecakapan prosedural baik dalam konteks
nasional maupun internasional. Melalui VR, lebih banyak intervensionis dapat dilatih di area yang
memiliki program pelatihan, pendidik, dan sumber daya yang terbatas. Kumpulan data yang sama yang
digunakan untuk melatih program AI dapat digunakan sebagai kasus pendidikan dengan laporan
standar sebagai kunci jawabannya. Membantu dalam pelatihan ahli radiologi intervensi di seluruh dunia
juga akan berfungsi untuk meningkatkan jumlah kasus dan kumpulan data yang beragam. Kasus
internasional yang lebih beragam juga akan memastikan bahwa program AI tidak menjadi bias secara
inheren terhadap anatomi dan patologi satu kelompok pasien.
4. Keterbatasan
Dalam IR, ada kendala logistik dan etika yang berbeda yang menghambat penerapan AI ke dalam
praktik, seperti yang ditunjukkan pada Tabel2. Dari perspektif logistik, hambatan implementasi AI
termasuk dataset kecil relatif terhadap radiologi diagnostik, standarisasi pembelajaran AI, variasi
anatomi dan patologi pasien, dan kesulitan menggabungkan dan mengoordinasikan teknologi baru ke
dalam sistem perawatan kesehatan yang sudah mapan [1].
Meja 2.Keterbatasan dan pertimbangan etis terkait dengan implementasi AI ke dalam IR.
Keterbatasan/Tantangan
Pertimbangan Etis
Konflik kepentingan antara pengembang AI dan ahli radiologi [8]
Upaya mengutamakan hak asasi manusia dan kebebasan seperti privasi, martabat dan keamanan [35]
Sejumlah besar kasus standar diperlukan untuk membangun fondasi jaringan saraf AI.
Karena IR adalah bidang kedokteran yang relatif baru, ada lebih sedikit kasus mapan yang tersedia
untuk melatih jaringan. Membangun gudang kasus yang memadai akan membutuhkan kerja sama
dan berbagi data antara sistem perawatan kesehatan yang berbeda, baik secara nasional maupun
internasional [29]. Kerja sama itu sendiri sulit dicapai mengingat persaingan perusahaan dan
kepentingan kepemilikan dan bahkan dapat bertindak sebagai risiko potensial untuk melanggar
privasi pasien [30]. Jika kasus dikontribusikan dari institusi yang berbeda, ini pasti akan
menciptakan ketidakkonsistenan dalam pembuatan protokol, pendekatan prosedur, bahasa
pelaporan, dan penilaian subyektif dari tingkat keparahan. Mencegah ketidakkonsistenan
membutuhkan standarisasi praktik lintas institusi dan pembentukan leksikon umum [31]. Bahkan
jika ini layak, itu juga akan membutuhkan pembentukan badan kontrol kualitas pusat untuk
mengawasi proyek multifaset ini dan memastikan bahwa standardisasi ini ditegakkan [30]. Saat ini,
regulasi AI dalam perawatan kesehatan bersifat subyektif dan digambarkan dengan buruk di
seluruh sistem kesehatan dan tata kelola nasional [30,32].
Radiologi diagnostik adalah spesialisasi kaya data yang perkembangannya di era teknologi modern telah
memungkinkannya melawan ketergantungan jaringan saraf AI pada domain kaya data untuk melatih algoritme
mereka. Namun, dibandingkan dengan radiologi diagnostik, radiologi intervensi adalah bidang yang relatif lebih
baru dengan jumlah kasus yang lebih sedikit dan jaringan dokter yang lebih kecil.
Diagnostik2023,13, 892 10 dari 14
mengumpulkan data baru. Untuk mengatasi keterbatasan dalam memperoleh kumpulan data
berkualitas tinggi dalam jumlah besar, radiologi intervensi dapat menggunakan teknik yang
dikembangkan oleh peneliti neuroradiologi yang bekerja untuk meningkatkan delineasi tumor otak AI.
Para peneliti ini telah menciptakan teknik augmentasi data yang meningkatkan kemampuan generalisasi
jaringan saraf dalam dengan menghasilkan contoh pelatihan sintetik. Kategori augmentasi data meliputi
transformasi elastis, transformasi gambar affine, transformasi tingkat piksel, dan berbagai pendekatan
untuk menghasilkan data buatan. Kerugian dari transformasi affine dalam pelatihan AI tumor otak
adalah dapat menghasilkan gambar yang berkorelasi dan menghasilkan contoh anatomis yang salah [37
]. Penelitian inovatif baru-baru ini juga menyelidiki algoritme bangunan yang menghasilkan gambar
buatan, misalnya berdasarkan model pertumbuhan tumor, yang dapat diikuti sebagai modalitas terpisah
dengan teknik lain untuk memastikan kebenaran gambar hantu/buatan tersebut mengingat bahwa
mereka ditemukan masih menghasilkan. karakteristik tumor yang valid [37]. Jika teknik yang mirip
dengan Batch Adjusted Network Gradients (BANG) dimodifikasi untuk IR, teknik tersebut dapat
memungkinkan data pelatihan yang lebih representatif dan ekstensif serta menambah kasus secara real-
time untuk meningkatkan ketahanan program pembelajaran mendalam dalam contoh yang sebelumnya
tidak sempurna [38].
Setelah sistem AI dibuat, mungkin sulit untuk memastikan bahwa sistem tersebut bekerja secara optimal
yang dapat secara diam-diam dan berdampak buruk pada perawatan pasien. Sistem AI multifaset kompleks
yang memiliki alasan dan batasan mekanis yang tidak jelas dapat rentan terhadap kesalahan debugging dan
memerlukan umpan balik berulang yang sering untuk memastikannya belajar dengan benar [1]. Oleh karena
itu, agar AI dapat diterapkan dalam radiologi, AI tidak hanya harus mampu memproses gambar dengan benar,
tetapi juga harus memiliki sistem pemantauan mandiri fungsional terpisah yang memastikan kualitas hasilnya [
1].
IR berkembang pesat dari perspektif teknologi, dan mungkin sulit untuk mengintegrasikan sistem
AI ke dalam peralatan dan perangkat lunak yang terus berkembang yang digunakan untuk prosedur dan
analisis data. Agar sistem AI dapat memberikan manfaat dalam pengaturan klinis/prosedural, mereka
harus berfungsi mulus dengan pemindai dan perangkat lunak pencitraan lama dan modern. Komplikasi
lebih lanjut dari integrasi ini adalah, dalam satu sistem kesehatan, ada berbagai teknologi yang mungkin
dirancang oleh perusahaan berbeda di negara berbeda, yang masing-masing berpotensi tidak
kompatibel dengan pemrosesan AI.
Selain hambatan teknologi untuk integrasi AI ke dalam praktik klinis, staf rumah sakit dan kemampuan
mereka untuk beradaptasi dengan teknologi baru juga dapat menjadi penghalang. Staf rumah sakit praktik
akademik dan swasta berasal dari berbagai latar belakang, dan beberapa mungkin dibatasi oleh kemampuan
mereka untuk mengoperasikan teknologi AI baru atau keinginan mereka untuk mengganggu arus praktik klinis
mereka yang sudah mapan. Banyak dokter beroperasi pada tingkat tinggi dan mungkin percaya bahwa
teknologi AI baru hanya akan mengganggu proses mereka atau membuat kesalahan yang dapat
membahayakan pasien mereka [11]. Praktik swasta khususnya mungkin lebih cenderung tidak mempercayai
perangkat lunak AI karena dapat berdampak buruk pada produktivitas dan kompensasi langsung mereka.
Selain itu, banyak praktik swasta IR tidak melakukan prosedur vaskular yang sangat kompleks yang AI dan
augmented reality memiliki potensi tertinggi untuk ditingkatkan, yang membuat teknologi kurang diminati.
Seperti teknologi baru lainnya, menerapkan alat AI ke dalam praktik yang sudah mapan pada dasarnya adalah
proses yang menghabiskan waktu dan sumber daya yang mungkin berisiko diterima dengan buruk oleh staf.
pasien untuk prosedur intervensi dan pencitraan. Kemampuan program AI untuk mentolerir
variabilitas ini tidak diketahui.
Hambatan yang signifikan untuk penerapan sistem simulasi VR adalah biaya yang signifikan dari
investasi teknologi yang begitu besar. Meskipun kekhawatiran yang masuk akal, studi masa depan
mungkin menyarankan penghematan biaya secara keseluruhan [27]. Biaya perangkat simulasi,
meskipun substansial, dapat secara substansial mengurangi biaya komplikasi prosedural dan lama
tinggal di rumah sakit akibat komplikasi operator yang tidak berpengalaman. Meskipun sedikit berbeda,
kursus kateter vena sentral (CVC) berbasis simulasi secara signifikan mengurangi infeksi terkait CVC dan
biaya rumah sakit [27]. Selain itu, dengan mempertimbangkan beban keuangan dan manfaat potensial
bagi pasien, program pelatihan mungkin bermanfaat untuk berbagi beban keuangan dengan
departemen lain, seperti kardiologi dan bedah vaskular [39].
Secara keseluruhan, saat ini, ada kemajuan signifikan yang dibuat dalam penerapan AI di
lingkungan medis, khususnya di bidang radiologi diagnostik. Meskipun ada banyak keterbatasan
dan lebih sedikit aplikasi AI yang diimplementasikan secara luas yang saat ini digunakan di bidang
radiologi intervensi, ada banyak aplikasi prospektif yang akan berkembang seiring kemajuan
teknologi dan pemahaman yang lebih besar tentang AI tercapai.
5. Pertimbangan Etis
Di luar hambatan teknologi, ekonomi, dan biologis untuk implementasi AI dalam radiologi
intervensi, ada juga dilema etika yang perlu dipertimbangkan. Misalnya, saat mempertimbangkan
variabilitas anatomi pasien di seluruh dunia, tidak ada kumpulan data program AI yang dapat dilatih
secara memadai untuk semua variasi anatomi normal dan presentasi penyakit yang tumpang tindih.
Pelatihan yang tidak memadai dan diferensiasi yang buruk dapat menyebabkan kesalahan diagnosis dan
komplikasi prosedural saat menggunakan AI [34]. Prevalensi penyakit yang berbeda serta probabilitas
pretest dan posttest juga bervariasi antara populasi pasien. Dengan populasi dan patologi yang berbeda
yang berisiko kurang terwakili dalam kumpulan data referensi, ini menciptakan risiko pelanggaran
keadilan dalam etika kedokteran. Agar AI dapat digunakan secara bertanggung jawab dan etis, perlu ada
upaya terkoordinasi untuk memprioritaskan hak asasi manusia dan kebebasan, termasuk privasi,
martabat, dan keselamatan [35]. Ahli radiologi dan pemrogram sistem AI perlu mengadvokasi
perawatan pasien secara altruistik dan mengabaikan pengaruh moneter.
Pertimbangan etis lainnya termasuk privasi pasien, keselamatan pasien, dan tanggung jawab
dokter yang memanfaatkan bantuan AI [35]. Untuk secara efisien mengumpulkan cukup kasus standar
untuk melatih program AI, penting bagi sistem perawatan kesehatan untuk berbagi informasi pasien
karena tidak ada satu pusat pun yang akan melihat volume dan variasi kasus yang memadai. Pasien
harus memberikan persetujuan untuk membagikan catatan medis pribadi mereka dengan entitas medis
dan perusahaan, dan kelompok ini harus memastikan bahwa informasi ini dilindungi dan tidak
disalahgunakan [35].
Ketika berupaya meningkatkan efisiensi layanan radiologi, penting untuk memprioritaskan keselamatan
pasien daripada kecepatan interpretasi prosedural dan diagnostik. Dokter berfungsi sebagai advokat untuk
pasien mereka dan dengan demikian harus memberlakukan standar tinggi untuk program AI untuk melindungi
pasien dari konsekuensi yang merugikan. Ahli radiologi intervensi harus mengawasi dan mengintervensi jika
prosedur yang dibantu AI atau pembacaan studi pencitraan menyebabkan kesalahan seperti stroke iskemik
yang hilang atau pemetaan pembuluh darah yang salah. Sebagai bagian dari keselamatan pasien, dokter
bertanggung jawab secara langsung untuk manajemen yang tepat dari pasien mereka [36]. Namun, hubungan
ini bisa dikacaukan dengan diperkenalkannya AI. Jika program AI diizinkan untuk mengotomatiskan
penjadwalan pasien, analisis gambar, dan tindak lanjut pasca prosedur dan prognosis, maka akuntabilitas ahli
radiologi terkait menjadi tidak jelas [36].
6. Kesimpulan
Banyak area IR yang berdampak besar akan mendapat manfaat besar dari penggabungan AI.
Integrasi teknik-teknik ini tidak hanya akan menguntungkan perencanaan dan kinerja prosedural
serta tindak lanjut pengobatan, tetapi juga siap untuk meningkatkan pengalaman pasien,
mengurangi paparan radiasi baik pada pasien maupun operator, dan berpotensi menurunkan
Diagnostik2023,13, 892 12 dari 14
biaya rumah sakit dan efek samping. Manfaat AI dalam IR sangat luas dan dapat membantu
pada tingkat pasien individu dengan meningkatkan penjadwalan dan kemanjuran prosedur
invasif minimal, tetapi juga pada tingkat internasional dengan mengoptimalkan pendidikan
radiologi global. Berbagai penelitian telah menunjukkan dampak positif dari integrasi AI
dalam pengaturan IR, dan kemampuannya semakin luas dengan kemajuan teknologi
pencitraan medis dan model prognostik yang lebih komprehensif. Ada batasan pasti yang
harus diatasi dan pertimbangan etis yang harus dipertimbangkan sebelum luasnya
penerapan AI ditunjukkan dalam praktik sehari-hari. Namun, antusiasme yang berkelanjutan
serta penelitian dan pengumpulan data merupakan kunci untuk membuka potensi aplikasi AI
di IR.
Kontribusi Penulis:Konseptualisasi, Hawa dan MSM; Pencarian literatur dan kurasi data, EvE, SR
dan MAC; Penulisan naskah—persiapan draf asli, EvE, SR dan MAC; Penulisan naskah—ulasan dan
penyuntingan, Eve dan MSM; Pengawasan, MSM Semua penulis telah membaca dan menyetujui
versi naskah yang diterbitkan.
Referensi
1. Gurgitano, M.; Angileri, SA; tongkatA,GM; Liguori, A.; Pandolfi, M.; Ierardi, AM; Kayu, BJ; Carrafiello, G. Interventional Radiology
ex-machina: Dampak Kecerdasan Buatan pada praktik.Radiol. Kedokteran2021,126, 998–1006. [CrossRef] [PubMed]
2. Lemah lembut, RD; Lungren, MP; Gichoya, Pembelajaran Mesin JW untuk Ahli Radiologi Intervensional.AJR Am. J.Roentgenol.2019, 213,
782–784. [CrossRef] [PubMed]
3. Moussa, AM; Ziv, E. Radiogenomik dalam Onkologi Intervensi.Kur. Oncol. Reputasi.2021,23, 9. [CrossRef] [PubMed]
4. Morshid, A.; Elsayes, KM; Khalaf, AM; Elmohr, MM; Yu, J.; Kaseb, AO; Hasan, M.; Mahvash, A.; Wang, Z.; Hazle, JD; et al. Model pembelajaran
mesin untuk memprediksi respons karsinoma hepatoseluler terhadap kemoembolisasi arteri transkateter.Radiol. Artifisial Intell.2019,1
, e180021. [CrossRef]
5. Iezzi, R.; Goldberg, SN; Merlino, B.; Posa, A.; Valentini, V.; Manfredi, R. Kecerdasan Buatan dalam Radiologi Intervensional:
Tinjauan Literatur dan Perspektif Masa Depan.J.Oncol.2019,2019, 6153041. [CrossRef]
6. D'Amore, B.; Smolinski-Zhao, S.; Daye, D.; Uppot, RN Peran Pembelajaran Mesin dan Kecerdasan Buatan dalam Onkologi Intervensional.
Kur. Oncol. Reputasi.2021,23, 70. [CrossRef]
7. Bang, JY; Hough, M.; Hawes, RH; Varadarajulu, S. Penggunaan Kecerdasan Buatan untuk Mengurangi Paparan Radiasi pada Prosedur Endoskopi
yang Dipandu Fluoroskopi.Saya. J. Gastroenterol.2020,115, 555–561. [CrossRef]
8. Zimmermann, JM; Vicentini, L.; Van Cerita, D.; Pozzoli, A.; Taramasso, M.; Lohmeyer, Q.; Maisano, F.; Meboldt, M. Kuantifikasi Paparan
Radiasi yang Dapat Dihindari dalam Fluoroskopi Intervensional Dengan Teknologi Pelacakan Mata.Selidiki. Radiol.2020,55, 457–462. [
CrossRef]
9. Kidd, AC; Anderson, O.; Cowell, GW; Bendung, AJ; Voisey, JP; Evison, M.; Tsim, S.; Goatman, KA; Blyth, KG Pengukuran volumetrik sepenuhnya
otomatis dari mesothelioma pleura ganas dengan AI pembelajaran mendalam: Validasi dan perbandingan dengan kriteria respons RECIST
yang dimodifikasi.Dada2022,77, 1251–1259. [CrossRef]
10. Dohan, A.; Gallix, B.; Guiu, B.; Le Malicot, K.; Reinhold, C.; Kedelai, P.; Bennouna, J.; Ghiringhelli, F.; Barbier, E.; Boige, V.; et al. Evaluasi awal
menggunakan tanda radiomik dari metastasis hati yang tidak dapat dioperasi untuk memprediksi hasil pada pasien dengan kanker kolorektal
yang diobati dengan FOLFIRI dan bevacizumab.Usus2020,69, 531–539. [CrossRef]
11. Seah, J.; Boeken, T.; Sapoval, M.; Goh, GS Waktu Utama untuk Kecerdasan Buatan dalam Radiologi Intervensional.Kardiovaskular. Intervensi.
Radiol.2022,45, 283–289. [CrossRef] [PubMed]
12. Daye, D.; Staziaki, PV; Furtado, VF; Tabari, A.; Fintelmann, FJ; Frenk, NE; Shyn, P.; Tuncali, K.; Silverman, S.; Arellano, R.; et al. Analisis
Tekstur CT dan Pembelajaran Mesin Meningkatkan Prognostikasi Pasca-ablasi pada Pasien dengan Metastasis Adrenal:
Bukti Konsep.Kardiovaskular. Intervensi. Radiol.2019,42, 171–1776. [CrossRef] [PubMed]
13. Waller, J.; O'Connor, A.; Rafaat, E.; Amireh, A.; Dempsey, J.; Martin, C.; Umair, M. Aplikasi dan tantangan kecerdasan buatan
dalam radiologi diagnostik dan intervensi.Pol. J.Radio.2022,87, e113–e117. [CrossRef] [PubMed]
Diagnostik2023,13, 892 13 dari 14
14. Uppot, RN; Laguna, B.; McCarthy, CJ; De Novi, G.; Phelps, A.; Siegel, E.; Courtier, J. Menerapkan alat realitas virtual dan
augmented untuk pendidikan dan pelatihan radiologi, komunikasi, dan perawatan klinis.Radiologi2019,291, 570–580. [
CrossRef] [PubMed]
15. Gao, Y.; Lagu, Y.; Yin, X.; Wu, W.; Zhang, L.; Chen, Y.; Shi, W. Pembuatan gambar angiografi substraksi digital berbasis pembelajaran
mendalam.Int J. Comput. Membantu. Radiol. Surg.2019,14, 1775–1784. [CrossRef] [PubMed]
16. Moloni, D.; Hosseini, H.; Samady, H. TCT-2 Deep IVUS: Kerangka pembelajaran mesin untuk segmentasi IVUS yang sepenuhnya otomatis.
Selai. Coll Cardiol.2018,72, B1. [CrossRef]
17. Cho, H.; Lee, JG; Kang, SJ; Kim, WJ; Choi, SY; Ko, J.; Min, HS; Choi, GH; Kang, DY; Lee, PH; et al. Pembelajaran mesin berbasis angiografi
untuk memprediksi cadangan aliran fraksional pada lesi arteri koroner menengah.Selai. Asosiasi Hati.2019,8, e011685. [CrossRef]
18. El-Shallaly, GEH; Muhammad, B.; Muhtaseb, MS; Hamouda, AH; Nassar, AHM Voice recognition interfaces (VRI) mengoptimalkan
pemanfaatan staf teater dan waktu selama kolesistektomi laparoskopi.Minimal. Ada Invasif. Technol Sekutu.2005,14, 369–371. [
CrossRef]
19. Müller, M.; Rassweiler, MC; Klein, J.; Seitel, A.; Gondan, M.; Baumhauer, M.; Teber, D.; Rassweiler, JJ; Meinzer, HP; Maier-Hein,
L. Mobile augmented reality untuk nefrolitotomi perkutan berbantuan komputer.Int. J.Komput. Membantu. Radiol. Surg.2013, 8, 663–
675. [CrossRef]
20. Solbiati, M.; Passera, KM; Rotilio, A.; Oliva, F.; Marre, saya.; Goldberg, SN; Ierace, T.; Solbiati, L. Augmented reality untuk onkologi
intervensi: Studi bukti-konsep dari platform sistem panduan kelas atas yang baru.eur. Radiol. Exp.2018,2, 18. [CrossRef]
21. Letzen, B.; Wang, CJ; Chapiro, J. Peran kecerdasan buatan dalam onkologi intervensi: A Primer.J. Vasc. Interv. Radiol. 2019,30, 38–
41. [CrossRef] [PubMed]
22. Desai, SB; Pareek, A.; Lungren, MP Aplikasi kecerdasan buatan saat ini dan yang baru muncul untuk radiologi intervensi
pediatrik.Pediatr. Radiol.2022,52, 2173–2177. [CrossRef] [PubMed]
23. Malpani, R.; Kecil, CW; Bhatt, N.; Staib, LH; Chapiro, J. Penggunaan Kecerdasan Buatan dalam Radiologi Intervensional Non-Onkologi: Kondisi Saat
Ini dan Arah Masa Depan.Menggali. Dis. Interv.2021,5, 331–337. [CrossRef] [PubMed]
24. Sun, L.; Zhu, W.; Chen, X.; Jiang, J.; Ji, Y.; Liu, N.; Xu, Y.; Zhuang, Y.; Matahari, Z.; Wang, Q.; et al. Pembelajaran Mesin untuk Memprediksi Cedera
Ginjal Akut yang Diinduksi Kontras pada Pasien Dengan Infark Miokard Akut.Depan. Kedokteran (Lausanna)2020,7, 592007. [CrossRef]
25. Nielsen, M.; Waldmann, M.; Frölich, AM; Flottmann, F.; Hristova, E.; Bendszus, M.; Seker, F.; Fiehler, J.; Sentker, T.; Werner, R. Trombolisis
Otomatis Berbasis Pembelajaran Dalam dalam Penilaian Infark Serebral: Studi Bukti Prinsip Tepat Waktu.Stroke2021,52, 3497–3504. [
CrossRef]
26. Saillard, C.; Schmauch, B.; Laifa, O.; Moarii, M.; Toldo, S.; Zaslavskiy, M.; Pronier, E.; Laurent, A.; Amaddeo, G.; Regnault, H.; et al. Memprediksi Kelangsungan
Hidup Setelah Reseksi Karsinoma Hepatoseluler Menggunakan Pembelajaran Mendalam pada Slide Histologis.Hepatologi2020,72, 2000–2013. [CrossRef]
27. Gelmini, AYP; Duarte, ML; de Assis, AM; GuimarAes Junior, JB; Carnevale, FC Realitas virtual dalam pendidikan radiologi
intervensi: Tinjauan sistematis.Radiol. Bra.2021,54, 254–260. [CrossRef]
28. Gould, D. Menggunakan simulasi untuk pelatihan radiologi intervensi.Sdr. J.Radio.2010,83, 546–553. [CrossRef]
29. Thrall, JH; Li, X.; Li, Q.; Cruz, C.; Lakukan, S.; Dreyer, K.; Brink, J. Kecerdasan Buatan dan Pembelajaran Mesin di Radiologi:
Peluang, Tantangan, Jebakan, dan Kriteria Sukses.Selai. Kol Radiol.2018,15, 504–508. [CrossRef]
30. Tadavarthi, Y.; Vey, B.; Krupinski, E.; Prater, A.; Gichoya, J.; Safdar, N.; Trivedi, H. Keadaan Radiologi AI: Pertimbangan untuk Keputusan
Pembelian dan Penawaran Pasar Saat Ini.Radiol. Artifisial Intell.2020,2, e200004. [CrossRef]
31. Fromherz, MR; Makary, MS Kecerdasan buatan: Kemajuan dan batasan baru dalam pencitraan medis.Artifisial Intell. Kedokteran Pencitraan 2022,
3, 33–41. [CrossRef]
32. Agarwal, R.; Sounderajah, V.; Martin, G.; Ting, DSW; Karthikesalingam, A.; Raja, D.; Ashrafian, H.; Darzi, A. Akurasi diagnostik
pembelajaran mendalam dalam pencitraan medis: Tinjauan sistematis dan meta-analisis.Angka NPJ. Kedokteran2021,4, 65. [CrossRef]
[PubMed]
33. Pesapane, F.; Tantrige, P.; Patela, F.; Biondetti, P.; Nikosia, L.; Ianniello, A.; Rossi, UG; Carrafiello, G.; Ierardi, AM Mitos dan fakta tentang
kecerdasan buatan: Mengapa mesin dan pembelajaran mendalam tidak akan menggantikan ahli radiologi intervensi.Kedokteran Oncol.2020,
37, 40. [CrossRef] [PubMed]
34. Futoma, J.; Simons, M.; Panch, T.; Doshi-Velez, F.; Celi, LA Mitos generalisasi dalam penelitian klinis dan pembelajaran mesin dalam perawatan
kesehatan.Digit Lancet. Kesehatan2020,2, e489–e492. [CrossRef] [PubMed]
35. Geis, JR; Brady, AP; Wu, CC; Spencer, J.; Ranschaert, E.; Jaremko, JL; Langer, SG; Kitts, AB; Birch, J.; Perisai, WF; et al. Etika
Kecerdasan Buatan dalam Radiologi: Ringkasan Pernyataan Multimasyarakat Eropa dan Amerika Utara Bersama. Pencitraan
Wawasan2019,10, 101. [CrossRef] [PubMed]
36. Neri, E.; Coppola, F.; Miele, V.; Bibbolino, C.; Grassi, R. Kecerdasan buatan: Siapa yang bertanggung jawab atas diagnosis?Radiol. Kedokteran 2020,
125, 517–521. [CrossRef] [PubMed]
37. Nalepa, J.; Marcinkiewicz, M.; Kawulok, M. Augmentasi Data untuk Segmentasi Tumor Otak: Tinjauan.Depan. Komputer. Ilmu
saraf.2019,13, 83. [CrossRef]
Diagnostik2023,13, 892 14 dari 14
38. Peck, J.; Roels, J.; Goossens, B.; Saeys, Y. Batas bawah ketahanan terhadap gangguan permusuhan. Dalam Prosiding Konferensi
Internasional ke-31 tentang Sistem Pemrosesan Informasi Neural, Long Beach, CA, USA, 4–9 Desember 2017.
39. Mandal, I.; Ojha, U. Pelatihan Radiologi Intervensional: Pendekatan Berbasis Simulasi.J.Med. Pendidikan Kurik. Dev.2020,13,
2382120520912744. [CrossRef]
Penafian/Catatan Penerbit:Pernyataan, opini, dan data yang terkandung dalam semua publikasi semata-mata milik masing-masing
penulis dan kontributor, bukan MDPI dan/atau editor. MDPI dan/atau editor tidak bertanggung jawab atas cedera apa pun pada orang atau
properti yang diakibatkan oleh ide, metode, instruksi, atau produk apa pun yang disebutkan dalam konten.