Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

diagnostik

Tinjauan

Kecerdasan Buatan, Augmented Reality, dan Kemajuan Realitas

Virtual dan Aplikasi dalam Radiologi Intervensional
Elizabeth von Ende, Sean Ryan, Matthew A. Crain dan Mina S. Makary *

Divisi Radiologi Vaskular dan Intervensional, Departemen Radiologi, Pusat Medis Wexner Universitas Negeri
Ohio, Columbus, OH 43210, AS
* Korespondensi: mina.makary@osumc.edu

Abstrak:Kecerdasan buatan (AI) menggunakan algoritme komputer untuk memproses dan

menginterpretasikan data serta melakukan tugas, sambil terus mendefinisikan ulang dirinya
sendiri. Pembelajaran mesin, bagian dari AI, didasarkan pada pelatihan terbalik di mana evaluasi
dan ekstraksi data terjadi dari pemaparan ke contoh berlabel. AI mampu menggunakan jaringan
saraf untuk mengekstraksi data tingkat tinggi yang lebih kompleks, bahkan dari kumpulan data
yang tidak berlabel, dan meniru, atau bahkan melebihi, otak manusia dengan lebih baik. Kemajuan
AI telah dan akan terus merevolusi kedokteran, khususnya bidang radiologi. Dibandingkan dengan
bidang radiologi intervensi, inovasi AI di bidang radiologi diagnostik lebih banyak dipahami dan
digunakan, meskipun masih memiliki potensi dan pertumbuhan yang signifikan di cakrawala.
Selain itu, AI terkait erat dan sering dimasukkan ke dalam teknologi dan pemrograman augmented
reality, virtual reality, dan inovasi radiogenomik yang berpotensi meningkatkan efisiensi dan
akurasi diagnosis radiologi dan perencanaan perawatan. Ada banyak hambatan yang membatasi
penerapan aplikasi kecerdasan buatan ke dalam praktik klinis dan prosedur dinamis radiologi
intervensi. Terlepas dari hambatan implementasi ini, kecerdasan buatan dalam IR terus maju dan
pengembangan lanjutan pembelajaran mesin dan pembelajaran mendalam menempatkan
radiologi intervensi dalam posisi unik untuk pertumbuhan eksponensial. Tinjauan ini menjelaskan
aplikasi kecerdasan buatan, radiogenomics,

Kutipan:von Ende, E.; Ryan, S.; Crain,

MA; Makary, MS Artificial Intelligence,
Kata kunci:radiologi intervensi; kecerdasan buatan; pembelajaran mesin; pembelajaran mendalam;
Augmented Reality, dan Virtual
radiogenomik
Reality Maju dan
Aplikasi dalam Radiologi
Intervensional.Diagnostik2023,13,
892. https://doi.org/10.3390/
diagnostik13050892
1. Perkenalan
Kecerdasan buatan (AI) adalah pengembangan algoritme komputer untuk memproses dan
Editor Akademik: Ahsan Khandoker
menginterpretasikan data serta melakukan tugas dengan otonomi sebagian atau seluruhnya, sambil terus
Diterima: 9 Januari 2023 menyempurnakan logika dan pengambilan keputusannya. Hanya dengan perkembangan yang lebih baru dari
Direvisi: 12 Februari 2023 perangkat keras komputasi yang kuat yang mampu mengumpulkan, menyimpan, dan memproses data dalam
Diterima: 23 Februari 2023 jumlah besar, bidang AI menjadi relevan dengan radiologi. Secara khusus, bidang radiologi intervensi (IR)
Diterbitkan: 27 Februari 2023 berada dalam posisi unik untuk mendapatkan keuntungan dari kemajuan AI untuk tidak hanya meningkatkan
pemrosesan gambar, tetapi juga memandu dan memprediksi hasil dari prosedur invasif minimal mereka.

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

Diagnostik2023,13, 892. https://doi.org/10.3390/diagnostics13050892 https://www.mdpi.com/journal/diagnostics

Diagnostik2023,13, 892 2 dari 14

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.Rangkuman aplikasi AI pra-prosedural, intra-prosedural, dan pasca-prosedural dengan

contoh dan referensi terkait.

Aplikasi AI Contoh Referensi

Pra-Prosedural
Aplikasi
Skrining keamanan Algoritma berguna dalam prescreening grafik pasien
Pemilihan pasien menggunakan model prediksi berbasis
Seleksi Pasien ML- dan DL untuk mengkategorikan pasien sebagai Gurgitano dkk. [1]
responden dan non-responden.
Pengalaman virtual pra-prosedur mereka
prosedur yang akan datang
Realitas Tertambah Visualisasi anatomi yang sulit Metode
Realitas maya baru untuk pengajaran dan pelatihan

Menggabungkan algoritme citra ML dan DL dengan

Radiogenomik patologi molekuler untuk meningkatkan preprosedural Moussa et al. [3]
diagnosis, prognosis dan hasil.
Algoritma yang dirancang untuk memprediksi respon dari
Seleksi Pasien Morshid et al. [4]
HCC ke TACE sebelum prosedur
Diagnostik2023,13, 892 4 dari 14

Tabel 1.Lanjutan

Aplikasi AI Contoh Referensi

Intra-prosedural
Aplikasi
Penggabungan data anatomi 3D ke dalam fluoroscopic 2D
gambar untuk presisi tingkat lanjut
Penggabungan Gambar Gurgitano dkk. [1]
selama biopsi/ablasi dan untuk angiografi
lokalisasi perdarahan
Augmented reality mampu menyematkan kaca timah
Perangkat Asisten Cerdas menampilkan informasi yang berguna / relevan untuk
operator saat dia digosokkan ke dalam kotak Iezzi et al. [5]
Pengenalan suara dan kamera penangkap gerakan
sistem untuk mengoperasikan mesin suite IR. Bantuan
cerdas yang mampu menganalisis biaya perangkat
Efektivitas biaya
sebelum digunakan

Algoritma DL untuk optimalisasi lintasan probe

Lintasan Probe Ablasi dalam ablasi tumor untuk memaksimalkan pengobatan tumor D'Amore dkk. [6]
sambil meminimalkan cedera pada struktur yang berdekatan

Penurunan radiasi menggunakan AI diaktifkan

Paparan Radiasi Bang dkk. [7]
sistem fluoroskopi
Kacamata pelacak mata seluler untuk estimasi
Paparan Radiasi Zimmermann et al. [8]
radiasi yang dapat dihindari per prosedur

Pasca-prosedur
Aplikasi
CNN yang sepenuhnya otomatis untuk menghitung ukuran tumor dan
Tindak Lanjut Pengobatan Kidd dkk. [9]
respon pengobatan

Algoritma dirancang untuk memprediksi kelangsungan hidup secara

Tindak Lanjut Pengobatan keseluruhan serta kategorisasi "responden yang baik" dan Dohan dkk. [10]
"penanggap buruk" setelah pengobatan

2.1. Aplikasi Pra-Prosedur

2.1.1. Seleksi Pasien
Pemilihan pasien sangat penting untuk keefektifan pengobatan, dan oleh karena itu, kemampuan
untuk menentukan terapi mana yang paling efektif untuk pasien mana sangat penting. Pendekatan
multidisiplin untuk pengobatan adalah aspek kunci IR, karena banyak perawatan diputuskan setelah
konferensi multidisiplin dan diskusi dewan tumor, serta tinjauan risiko-manfaat yang mendalam. Model
AI memiliki potensi untuk membantu pemilihan pasien yang optimal dengan menilai risiko secara tidak
memihak dan memprediksi potensi hasil terapi [11]. Sebuah metode yang dapat diandalkan untuk
memprediksi manfaat pengobatan sebelum penyelesaiannya akan menjadi kemajuan yang signifikan di
lapangan. Misalnya, Morshid et al. (2019) menciptakan sebuah algoritma untuk memprediksi respon
karsinoma hepatoseluler (HCC) setelah kemoembolisasi arteri transkateter yang mengungguli sistem
tradisional [4]. Demikian pula, Daye et al. (2019) mendemonstrasikan penggunaan ML dalam evaluasi
pola tekstur CT pra-ablasi untuk memprediksi perkembangan lokal pasca-perawatan setelah ablasi tumor
untuk metastasis adrenal dengan akurasi sekitar 95% [1,12]. Dengan memprediksi pasien mana yang
akan memiliki respons yang lebih baik terhadap perawatan yang berbeda, intervensionis akan dapat
melindungi pasien dari efek samping dari perawatan yang pada akhirnya tidak efektif dan secara efisien
mendelegasikan sumber daya perawatan yang terbatas kepada pasien dengan kemungkinan respons
yang lebih besar.
Selain itu, pembuatan algoritma untuk menghasilkan laporan ringkasan informasi spesifik
pasien yang relevan tidak hanya akan lebih efisien dalam praktik sehari-hari tetapi juga akan
mengurangi kesalahan manusia [1]. Penggabungan akan membantu penyedia dalam membuat
keputusan terapeutik yang paling teliti dan akurat untuk pasien mereka [1,5]. Algoritma serupa
Diagnostik2023,13, 892 5 dari 14

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].

Gambar 2.Diagram skematik yang menguraikan aspek radiogenomik.

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.

2.1.3. Realitas Tertambah dan Realitas Virtual

Kemajuan dalam AR memungkinkan dokter operasi untuk memvisualisasikan prosedur dan
menentukan pendekatan yang mereka inginkan dalam pengaturan pra-prosedur melalui
rendering dan manipulasi gambar 3D [1]. Penggabungan ke dalam praktik klinis akan
memungkinkan visualisasi anatomi yang sulit dan/atau teknik prosedural yang lebih baik tanpa
risiko tambahan bagi pasien [1,14]. Misalnya, derajat plak aterosklerotik dan potensi efeknya pada
kabel dan kateter dapat ditentukan sebelum operasi daripada intraoperatif.1]. Ini mungkin tidak
hanya meningkatkan efisiensi dan kinerja prosedur, tetapi berpotensi menurunkan radiasi ke
pasien dan operator.
Selain itu, pengembangan simulasi VR dapat memungkinkan pasien mendapatkan
pengalaman virtual pra-prosedur dari prosedur tersebut. Meskipun ini hanya spekulatif, simulasi
ini dapat meningkatkan pemahaman pasien tentang prosedur mereka, sehingga meningkatkan
persetujuan tindakan.

2.2. Aplikasi Intra-Prosedural

2.2.1. Bimbingan dan Dukungan Prosedural
AI memiliki potensi untuk membantu dan meningkatkan prosedur dalam berbagai metode
yang terintegrasi dengan IR, seperti fusi gambar, penentuan posisi kateter dan lintasan probe,
analisis pembuluh darah atau informasi mengenai ketersediaan pasokan rangkaian angiografi [1,2,
6,11]. Aplikasi intraprosedural yang paling berkembang dari teknik DL hingga saat ini adalah dalam
sintesis data anatomi 3D pra-prosedur yang digabungkan ke gambar fluoroskopi 2D real-time
untuk panduan yang lebih baik selama prosedur. Kemampuan untuk memadukan gambar pra-
prosedur ke gambar fluoroskopik 2D memungkinkan umpan balik waktu nyata dan dengan
demikian presisi tingkat lanjut selama biopsi dan ablasi. Untuk proses ini, perangkat lunak
kecerdasan buatan yang cocok dimasukkan ke dalam virtual dan augmented reality untuk
melakukan pengenalan tengara otomatis melalui penanda fidusia dan kompensasi gerak [1]. Baru-
baru ini, teknik ini telah diterapkan pada prosedur vaskular, seperti lokalisasi angiografi
perdarahan.1]. Selain itu, metode DL sedang dipelajari untuk digunakan dalam terapi ablasi tumor
termasuk optimalisasi lintasan probe dan pemilihan pengaturan energi untuk memaksimalkan
pengobatan tumor sekaligus meminimalkan cedera pada jaringan yang berdekatan [1,6].
Bidang lain dari peningkatan potensial untuk prosedur IR mencakup pembuatan angiografi
substraksi digital (DSA), sebuah metode pengurangan gambar topeng dari angiogram real-time.
Teknik ini membutuhkan kerja sama pasien karena gerakan pasien menyebabkan artefak
misregistrasi. Algoritme DL memanfaatkan jaringan adversarial generatif untuk pembuatan
gambar DSA dari satu gambar langsung tanpa akuisisi data topeng, seperti yang disarankan oleh
Gao et al. (2019) akan menghindari masalah artefak ini [11,15].
Karena banyaknya intervensi vaskular yang dilakukan oleh penyedia IR, analisis pembuluh darah
juga merupakan area yang optimal untuk pengembangan AI. Sebuah presentasi oleh Molony et al. pada
pertemuan tahunan Transcatheter Cardiovascular Therapeutics 2018 menunjukkan kemampuan ML dan
IVUS untuk melakukan analisis pembuluh darah dalam prosedur kardiologi [2,16]. Penggunaan IVUS
dalam prosedur radiologi intervensi bukanlah ide baru, dan oleh karena itu metode ML ini dapat dengan
mudah dialihkan ke analisis vaskular dan evaluasi pasca perawatan untuk prosedur IR [2,16]. Analisis
kapal dengan AI juga telah dipelajari oleh Cho et al. (2019) melalui pengembangan algoritme AI yang
mampu memperkirakan cadangan aliran fraksional waktu-nyata dalam angiografi koroner, sebuah
proses yang juga mudah dialihkan ke prosedur IR untuk penyakit arteri perifer [1,17].
Diagnostik2023,13, 892 7 dari 14

Terakhir, AI dapat mendemonstrasikan dukungan prosedural dengan memberikan informasi

terkait ketersediaan stok pasokan [5]. Saat ini, informasi ini dikumpulkan baik sebelumnya atau oleh
anggota tim lainnya, yang tidak hanya memakan waktu tetapi juga menimbulkan kesalahan yang tidak
perlu. Namun, pengenalan perangkat tanpa sentuhan seperti sistem pelacakan mata atau asisten cerdas
berbasis suara di rangkaian IR dapat mengatasi beberapa masalah ini [1]. Selain itu, pengenalan suara
dan sistem kamera penangkap gerakan telah dipelajari untuk berbagai tindakan seperti menghidupkan
dan mematikan mesin ruang operasi atau teknologi pengoperasian saat berada di suite IR [5,18]. Ini
akan mengurangi waktu dan personel yang diperlukan untuk melakukan tugas-tugas ini. Augmented
reality yang disematkan dalam kaca timah juga telah dievaluasi untuk menampilkan informasi penting
kepada operator saat digosok ke dalam casing [5,19,20]. Ini juga telah dievaluasi sebagai asisten pintar
untuk membantu membuat saran intraoperatif pada hal-hal seperti ukuran selubung dan pemasangan
stent yang berbeda yang mungkin menghemat waktu tetapi juga menguntungkan bagi penyedia pemula
[5]. Selain itu, penggunaan asisten cerdas dapat bermanfaat untuk analisis biaya, karena pengetahuan
yang lebih besar tentang biaya perangkat dapat menghasilkan pengambilan keputusan yang lebih hemat
biaya secara intraoperatif [5,21].

2.2.2. Paparan Radiasi

Paparan radiasi intraprosedural memiliki potensi pengurangan substansial dengan
penggunaan AI. Misalnya, telah dievaluasi dalam endoskopi dengan fluoroskopi yang dilengkapi AI
yang mengurangi paparan radiasi sebesar 38% melalui ultrafast collimation [7,11]. Penggabungan
AR, seperti fusi gambar multi-modalitas melalui superimposisi data anatomi 3D preprosedural ke
gambar fluoroskopik 2D untuk panduan yang lebih baik, serta penggunaan jaringan permusuhan
untuk pembuatan gambar DSA tanpa akuisisi gambar topeng, masing-masing akan secara
individual dan kumulatif mengurangi gambar yang diperlukan yang diperoleh selama prosedur
dan oleh karena itu jumlah radiasi ke pasien [1]. Selanjutnya, algoritma AI oleh Zimmermann et al.
(2020) menggunakan kacamata pelacak mata seluler menentukan jumlah radiasi yang dapat
dihindari per prosedur adalah sekitar 11 menit. Ini adalah jumlah waktu x-ray menyala saat
operator tidak melihat layar fluoroskopi [8,22]. Begitu pula dengan Bang et al. (2020) menunjukkan
radiasi yang jauh lebih rendah baik untuk pasien maupun personel operasi dengan penggunaan
sistem fluoroskopi berkemampuan AI dibandingkan sistem tradisional [7,22]. Aplikasi ini sangat
penting untuk pasien dan operator. Banyak pasien di IR sering menjalani prosedur untuk
pemeliharaan, seperti nefrostomi rutin atau pertukaran saluran empedu dan fistulografi rutin dan
intervensi untuk pasien dengan akses dialisis. Oleh karena itu, bahkan penurunan radiasi yang
kecil untuk setiap prosedur akan menghasilkan penurunan kumulatif yang lebih besar dari waktu
ke waktu (7, 8). Demikian pula, ahli radiologi dan teknolog intervensi melakukan banyak prosedur
setiap hari, dan oleh karena itu penurunan radiasi yang kecil untuk setiap prosedur menghasilkan
penurunan kumulatif yang jauh lebih besar dalam total paparan radiasi seumur hidup mereka (7,
8).

2.3. Aplikasi Pasca-Prosedur Evaluasi

Pengobatan dan Tindak Lanjut
Penilaian yang cepat, akurat, dan objektif dari hasil prosedur IR sangat penting. Memiliki
pemahaman yang jelas tentang hasil pasca-prosedur ini akan meningkatkan prediksi pengobatan
dan keputusan klinis di masa depan [11]. Hasil ini selanjutnya dapat disusun menjadi studi
longitudinal yang bergantung pada penilaian yang sistematis, objektif, dan dapat diandalkan di
seluruh program penelitian. Akhirnya, untuk membuat hasil studi longitudinal dapat
digeneralisasikan, ukuran hasil objektif standar diperlukan untuk program penelitian perawatan
klinis multi-lokasi.
Sementara studi radiologi diagnostik telah menunjukkan utilitas AI untuk meningkatkan
akurasi, objektivitas, dan waktu analisis pencitraan, ada aplikasi yang dipublikasikan terbatas pada
penelitian hasil pasca-prosedur IR [11]. Contoh di mana aplikasi AI telah berhasil digunakan dalam
IR melibatkan penggunaan pohon keputusan, lebih khusus lagi Hutan Acak, di mana hubungan
dapat dibuat dari kumpulan data yang kompleks [23]. Ini telah berhasil digunakan dalam IR untuk
memprediksi pneumotoraks setelah biopsi paru yang dipandu CT,
Diagnostik2023,13, 892 8 dari 14

mortalitas di rumah sakit setelah pirau portosistemik intrahepatik transjugular, dan

lama tinggal di rumah sakit setelah embolisasi arteri uterina [23]. Aplikasi ini
dimungkinkan karena ketersediaan sejumlah besar data demografi dan klinis spesifik
pasien dalam catatan kesehatan elektronik [23]. Berdasarkan aplikasi ini, metode serupa
dapat digunakan untuk memprediksi hasil klinis lain yang relevan dan dapat
ditindaklanjuti, seperti perkembangan cedera ginjal akut (AKI) setelah penggunaan
kontras intraprosedural [24].
Dalam ranah onkologi intervensi, untuk mengembangkan penilaian yang lebih valid dan
andal dari Kriteria Evaluasi Respon dalam Tumor Padat (RECIST) setelah kemoterapi, yang
bergantung pada pengukuran volume tumor oleh pembaca, Kidd et al. (2022) memvalidasi
Convolutional Neural Network (CNN) yang sepenuhnya otomatis untuk menghitung ukuran tumor
dan respon pengobatan [9]. Model DL ini dapat diterapkan dengan lebih andal dan obyektif untuk
menilai hasil prosedur radiologi intervensi, seperti metastasis hati, daripada RECIST berbasis pakar
tradisional. Sebanding dengan itu, Dohan et al. (2020) menunjukkan kemampuan AI untuk
memprediksi kelangsungan hidup secara keseluruhan dan identifikasi “penanggap yang baik”
lebih akurat daripada RECIST dalam evaluasi metastasis hati kolorektal [10,11].
Demikian pula, untuk mengembangkan penilaian hasil trombektomi mekanik yang lebih
objektif, standar, dan cepat dalam pengobatan stroke iskemik akut, Nielsen et al. (2021)
merancang metode DL untuk menentukan skor trombolisis pada infark serebral (TICI) [25].
Algoritme kecerdasan buatan ini memfasilitasi hasil yang lebih cepat, akurat, dan andal, yang
dapat digunakan untuk mengembangkan rencana dan prognosis manajemen yang lebih
bermakna dan efektif serta menggabungkan temuan ke dalam program penelitian longitudinal
dan multi-lokasi yang lebih besar. Demikian juga, Saillard et al. (2020) mengembangkan algoritma
DL berdasarkan slide histologis digital untuk membangun model untuk memprediksi
kelangsungan hidup pasien setelah reseksi karsinoma hepatoseluler, sebuah paradigma yang juga
dapat digunakan mengikuti prosedur radiologi intervensi, seperti reseksi dan ablasi, untuk
menyelidiki manfaat sistematik adjuvan. terapi [26].
Studi klinis ini mengilustrasikan manfaat potensial menggunakan AI untuk mengukur hasil setelah
prosedur IR. Onkologi intervensi berdiri untuk mendapatkan keuntungan secara signifikan karena
pertumbuhan AI dalam tindak lanjut pasca-prosedur terus memungkinkan perawatan pasien onkologi
yang lebih spesifik dan disesuaikan. Penelitian lebih lanjut jelas diperlukan untuk menerapkan metode
DL yang berkembang yang sedang dikembangkan untuk analisis pencitraan untuk penilaian dalam
evaluasi pascaprosedur IR.

3. Pelatihan dan Pendidikan

Kemajuan dalam ML dikombinasikan dengan program simulasi VR menciptakan metode
pengajaran dan persiapan baru, yang memungkinkan peserta pelatihan memiliki kemampuan untuk
mempraktikkan keterampilan prosedural dalam lingkungan simulasi [1]. Saat ini, sudah ada simulasi
bedah ortopedi yang digunakan dalam pelatihan, dibuat dari data pemodelan anatomi khusus pasien
dari pencitraan crosssectional dan segmentasi gambar manual [2,13]. Simulasi terkait telah
dikembangkan untuk pendidikan dan pelatihan HI.
Aspek unik pelatihan IR mencakup pengembangan kesadaran spasial dan kognitif, sensasi taktil,
dan teknik motorik yang diperlukan untuk mengoperasikan peralatan IR secara efisien dan berhasil [27].
Karena pendekatan pelatihan konvensional "lihat satu, lakukan satu, ajarkan satu" diganti dengan "lihat
banyak sebelum melakukan banyak", peserta pelatihan memiliki pengalaman langsung yang lebih sedikit
daripada sebelumnya [27]. Perkiraan 10.000 jam latihan yang diperlukan untuk mencapai tingkat
keahlian yang berpengalaman menjadi lebih sulit dicapai dalam program pelatihan saat ini [27,28].
Kemampuan yang tidak memadai menyebabkan tingkat komplikasi atau kesalahan operator yang lebih
tinggi, waktu prosedural yang lebih lama, dan peningkatan radiasi pada pasien dan operator [27,28].
Sebaliknya, penerapan sistem simulasi VR dalam program pendidikan dapat mengatasi kesulitan ini
untuk memberikan jam pengalaman yang cukup kepada peserta pelatihan. Selanjutnya, sebagai
campuran kasus bervariasi antar institusi, dokter IR mungkin memiliki keahlian yang sangat berbeda
berdasarkan lingkungan pelatihan mereka [28]. Database simulasi dapat membantu memaparkan
peserta pelatihan ke berbagai kasus yang lebih luas. Penggabungan sistem simulasi VR
Diagnostik2023,13, 892 9 dari 14

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

Memastikan pembelajaran AI yang optimal [1]

Kumpulan data kecil untuk pelatihan AI [29,30]

Standardisasi praktek IR [31,32]

Penerapan prosedural dan penggabungan teknologi baru ke dalam perawatan kesehatan yang mapan
sistem [33]
Variasi dalam anatomi pasien dan patologi [34]
Saat ini ada lebih sedikit penggunaan yang cocok untuk AI di IR dibandingkan dengan radiologi diagnostik [11]

Pertimbangan Etis
Konflik kepentingan antara pengembang AI dan ahli radiologi [8]
Upaya mengutamakan hak asasi manusia dan kebebasan seperti privasi, martabat dan keamanan [35]

Terputusnya tanggung jawab langsung antara dokter dan pasiennya.36]

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.

Implementasi AI intraprosedural ke IR memiliki batasannya sendiri. Selama prosedur, ahli radiologi

intervensi menggunakan keahlian teknis mereka yang diasah bersama dengan pengambilan keputusan
sepersekian detik untuk memastikan kesuksesan. Seperti halnya semua teknologi, ada risiko kesulitan
teknis atau kegagalan sistem yang menyebabkan program terhenti atau sangat menunda fungsi
keluaran. Jika program AI tidak dapat mengimbangi dokter, maka program tersebut tidak dapat
diandalkan yang akan secara drastis mengurangi penerapan proseduralnya [33]. Pada akhirnya, ahli
radiologi intervensilah yang perlu membuat keputusan berdasarkan masukan dari sistem AI dan
membuat keputusan perawatan pasien [35].
Selain itu, ada variasi yang luas pada anatomi pasien normal. Kemampuan AI untuk
membedakan variasi normal vs. patologis bisa menjadi tantangan besar. Perbedaan ukuran,
etnis, jenis kelamin, usia, dan anomali kongenital dapat sangat mengubah lanskap a
Diagnostik2023,13, 892 11 dari 14

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.

Pendanaan:Penelitian ini tidak menerima pendanaan eksternal.

Pernyataan Dewan Peninjau Kelembagaan:Tak dapat diterapkan.

Pernyataan Persetujuan yang Diinformasikan:Tak dapat diterapkan.

Pernyataan Ketersediaan Data:Tak dapat diterapkan.

Konflik kepentingan:Para penulis menyatakan tidak ada konflik kepentingan.

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.