엔드투엔드 워크플로, 품질 관리 및 자체 감사 — 방사선과 및 의료 영상 분야의 인공 지능

이득:

사전 촬영부터 보고서 서명까지 전체 체인에서 인공 지능이 작동하는 위치와 승인을 보여주는 엔드투엔드 워크플로우를 설계할 수 있습니다.
인공지능 지원 프로세스에서 성능 모니터링, 피드백 루프 및 정기적인 자체 감사를 구축하는 능력
거버넌스, 책임 및 지속적인 개선의 원칙을 바탕으로 지속 가능한 이미징 장치에서 인공 지능을 사용할 수 있는 능력

이전 10개 단원에서는 선별, 구조적 보고, 측정 자동화, PACS 통합, 측정항목, 양식별 도구, 이미지 품질, 추적 및 개인 정보 보호 등 방사선학의 AI 부분을 다루었습니다. 이 마지막 단원에서는 조각을 결합하고 엔드투엔드 워크플로를 구축합니다. 즉, 요청 순간부터 서명된 보고서까지 감사가 전달되는 체인에서 인공 지능이 어디에서 어떤 승인을 받아 작동하는지 보여주는 전체적인 맵입니다. 그런 다음 이 흐름을 지속 가능하게 만드는 두 가지 요소, 즉 품질 관리(성과 모니터링, 피드백 루프)와 자체 규제(정기 검토, 거버넌스)를 고려해 보겠습니다.

핵심 원칙: AI 기반 이미징의 안전한 사용은 일회성 설치가 아닙니다. 이는 지속적인 성과 모니터링, 피드백 루프, 오류 패턴 검토, 정기적인 자체 감사가 필요한 살아있는 프로세스입니다. 모든 단계에서 책임, 서명 및 최종 결정은 방사선 전문의에게 있습니다.

End-to-End 흐름: 확인하는 AI는 어디에 있습니까?

AI가 작용하는 지점과 각 지점에서 인간의 승인을 포함하여 감사의 여정을 따라가 보겠습니다.

요청 및 표시: 임상의가 검사를 요청합니다. AI는 적응증 적합성과 프로토콜 선택을 추천할 수 있습니다. 기술자/방사선 전문의가 승인합니다. (8단원)
촬영 및 품질: 양식이 이미지를 생성합니다. AI 선량 최적화, 잡음 제거 및 아티팩트 플래그 지정 기술자가 품질을 결정하고 필요한 경우 다시 촬영합니다. (8단원)
선별: 이미지가 PACS에 들어갑니다. AI는 시간이 중요한 이벤트의 우선순위를 정합니다. 방사선 전문의는 여전히 각 검사를 읽습니다. (2단원)
판독 및 감지: 방사선 전문의가 판독합니다. 두 번째 눈으로 CAD 마크; 방사선 전문의는 표시된 것과 표시되지 않은 것을 평가합니다. (6, 7단원)
측정 및 후속 조치: AI가 이전 검사를 측정하고 비교합니다. 방사선 전문의가 일관성을 확인합니다. (4, 9단원)
보고: AI는 구조화된 초안을 생성합니다. 방사선 전문의는 각 문장을 이미지와 일치시키고 서명합니다. (3단원)
중요한 결과 알림: AI가 중요한 결과를 상기시킵니다. 방사선 전문의는 이를 확인하고 임상의와 소통한 후 폐쇄 루프를 완료합니다. (2, 6단원)
보관 및 추적 기록: AI 출력은 별도의 레이어로 저장됩니다. 원본은 변경되지 않으며 추적 기록이 유지됩니다. (5단원)

무대

AI 역할

인간의 승인

연결된 장치

요청/프로토콜

제안

기술자 + 방사선 전문의

샷/품질

선량, 잡음 제거, 인공물

기술자

분류

우선 플래그

방사선 전문의 (아직도 읽습니다)

읽기/감지

CAD 두 번째 눈

방사선사(진단)

6, 7

측정/추적

계산, 비교

방사선과 의사 (수정됨)

4, 9

보고

초안

방사선 전문의 (서명)

중요한 발견

알림

방사선 전문의(전송, 확인)

2, 6

아카이브

별도의 레이어

시스템 + 트랙 녹음

이 표는 모듈을 요약한 것입니다. 위험이 증가함에 따라 AI의 역할은 줄어들고 인간의 동의는 증가합니다. 어떠한 경우에도 AI가 판독, 진단 또는 서명을 대신하지 않습니다.

중요한 결과 보고: 폐쇄 루프

중대한 소견(심각한 출혈, 대규모 색전증, 긴장성 기흉)은 단순히 보고서에 작성하는 것만으로는 전달된 것으로 간주되지 않습니다. 폐쇄 루프 통신은 정보가 담당 의사에게 직접 전달되고 수신되는지 확인하는 것을 의미합니다. AI는 중요한 결과를 기억하거나 초안 알림을 생성할 수도 있습니다. 그러나 결과를 확인하고, 이를 올바른 의사에게 전달하고, 전달 내용을 문서화하고, 루프를 종료하는 것은 방사선 전문의의 책임입니다. 자동 경고는 인간의 의사소통을 대체할 수 없습니다.

주의: 작업 목록에 AI 중요 결과 경고가 표시된다고 해서 알림이 생성되었음을 의미하는 것은 아닙니다. 영상의학과 전문의가 소견을 확인하고, 주치의에게 연락하여 정보를 받아야만 통보가 완료됩니다. 폐쇄 루프를 닫는 것은 인간의 임무입니다.

품질관리 및 자체감사

AI 기반 프로세스는 시간이 지남에 따라 중단될 수 있습니다. 모델이 업데이트되고, 장치가 변경되고, 인구가 이동하고, 거짓 긍정 비율이 증가합니다. 따라서 성능을 지속적으로 모니터링해야 합니다.

성능 모니터링: 위양성/음성 샘플을 수집합니다. 분류 플래그 비율과 참양성 비율을 추적합니다.
피드백 루프: 방사선 전문의의 "이 플래그는 잘못되었거나 누락되었습니다"라는 피드백을 체계적으로 수집하여 제조업체와 공유합니다.
오류 검토: 정기 회의에서 누락된 결과와 잘못된 경보를 검토합니다. 근본 원인(모델, 프로토콜, 인간)을 구별합니다.
유통 교대 추적: 장치/프로토콜/모집단이 변경되면 로컬 검증을 반복합니다.
거버넌스: 누가 어떤 모델, 어떤 버전, 어떤 맥락에서 사용합니까? 책임이 있는 사람 - 서면으로 작성해야 합니다.

세 개의 미니 케이스

사례 1 — 피드백 루프가 작동합니다. 한 단위에서는 모니터링 데이터를 통해 분류 모델의 기흉 위양성 비율이 몇 달 내에 75%로 증가한 것을 확인했습니다. 방사선 전문의는 피드백을 수집하고 제조업체와 함께 임계값을 검토합니다. 비율이 45%로 떨어지고 알람 피로도가 감소합니다. 모니터링하지 않으면 모델은 조용히 신뢰할 수 없게 됩니다.

사례 2 - 근본 원인 분석을 찾지 못했습니다. 1개월 검토 시 누락된 작은 결절 2개가 발견되었습니다. 분석에 따르면 휴대용 그래프와 모델이 훈련되지 않은 장치(분포 드리프트)에서 둘 다 발생하는 것으로 나타났습니다. 이 장치는 휴대용 방사선 사진의 모델 범위를 좁히고 방사선 전문의에게 경고합니다. 그 실수는 한 사람을 탓하기보다는 시스템을 고치는 데 이용됐다.

사례 3 - 중요한 발견은 폐쇄 루프입니다. AI가 뇌CT에서 심각한 출혈을 경고했다. 방사선과 의사는 90초 안에 확인하고, 신경외과 의사에게 전화를 걸어 정보 수신을 확인하고, 의사소통(시간, 사람, 내용)을 문서화한다. 폐쇄 루프가 완료되었습니다. AI가 상기시켰습니다. 방사선 전문의가 통지 및 확인을 했습니다. 자동 경고로 남겨두면 의사가 정보를 받았다는 보장이 없습니다.

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

방사선과에서 AI 워크플로우를 설정하고 모든 것을 자동화하세요.

보안이 중요한 영역에서는 "모든 것을 자동화"하는 것이 위험합니다. 사람의 체크포인트와 안전 기본값을 무시합니다.

강력한 프롬프트:

귀하의 역할: 엔드투엔드 AI 워크플로우 설계에 관해 방사선과에 컨설턴트를 연결합니다.의사결정; 개요와 체크리스트를 작성합니다. 요청→캡처→분류→읽기→측정→보고→중요한 발견→아카이브 체인에서 AI가 추가되는 위치를 지정하고 모든 단계에서 사람의 승인을 표시합니다. 또한 성능 모니터링, 피드백 루프 및 자체 감사를 위한 지표를 제안합니다. 원칙: 위험이 증가함에 따라 AI 역할은 작아지고 인간 승인은 늘어납니다. 방사선 전문의의 진단/서명/통지. 단위 컨텍스트: [쓰기]

강한 의지는 인간의 승인 지점, 모니터링 및 자제력에 중점을 둡니다.

복사 가능한 프롬프트 템플릿

엔드투엔드 흐름 초안 템플릿귀하의 역할: 보조 컨설턴트. 요청→이미징→분류→읽기→측정→보고→중요한 발견→아카이브 체인의 경우 각 단계에서 AI의 역할과 인간 승인을 나열하는 테이블을 생성합니다. 위험 수준을 표시하고 AI가 안전에 중요한 결정을 "인계"하지 않도록 하세요. 단위 컨텍스트: [쓰기]

성능 모니터링 템플릿I은 분류/CAD 데이터 기간을 제공합니다. 위양성률, 누락된 결과 수, 참양성률을 계산합니다. 알람 피로 및 분포 드리프트에 대해 경고합니다. 제조업체/모델을 검토해야 하는 기준점을 권장합니다. 결정은 기관에 있습니다. 데이터: [쓰기]

근본 원인 검토 템플릿을 통해 누락된 발견/잘못된 경보 사례를 알려드리겠습니다. 근본 원인 구별: 모델(훈련/범위), 프로토콜/장치(분포 드리프트), 인간(자동화 편향/경보 피로) 비난이 아닌 시스템 수정에 초점을 맞춘 제안을 생성합니다. 이벤트: [쓰기]

중요한 발견 폐쇄 루프 템플릿 중요한 발견 알림을 위한 폐쇄 루프 체크리스트를 생성합니다: 발견 확인, 정확한 의사 식별, 직접 전송, 정보 수신 확인, 통신 문서화(시간/사람/내용). 자동 경고는 알림을 대체하지 않는다는 점을 기억하세요. 맥락: [쓰기]

일반적인 실수

"모든 것을 자동화". 보안에 중요한 결정을 내리려면 사람의 승인이 필요합니다. 완전 자동화는 위험합니다.
한번 설치하고 보지는 마세요. 패턴은 시간이 지남에 따라 무너집니다. 지속적인 성능 모니터링은 필수입니다.
그 사람을 비난하기 위해 실수를 이용합니다. 근본 원인 분석은 시스템 수정에 중점을 두어야 합니다.
중요한 결과는 자동 경고에 맡기세요. 폐쇄 루프는 방사선 전문의에 의해 폐쇄됩니다. 전송과 확인은 인간의 일입니다.
거버넌스를 서면으로 작성하지 않음. 누가, 어떤 모델을, 어떤 버전을, 어떤 범위를, 누가 담당하는지를 문서화해야 합니다.

팁: 귀하의 부서에서 정기적으로 다음 질문을 하십시오. "오늘 AI를 끄면 계속해서 안전하게 작동할 수 있습니까?" 대답은 항상 "예"여야 합니다. AI는 읽기 속도를 높여주지만 읽기, 인식, 서명을 대체할 수는 없습니다.

요약하면

프로토콜 추천, 품질, 선별, 감지, 측정, 후속 조치, 보고 및 중요한 발견 알림 등 주문 순간부터 방사선학의 서명된 보고서에 이르기까지 체인의 여러 지점에서 인공 지능이 작동합니다. 전체적인 원칙은 전체 모듈의 요약입니다. 위험이 증가함에 따라 AI의 역할은 줄어들고 인간의 동의는 증가합니다. 어떤 단계에서도 AI는 판독, 진단, 서명 또는 중요한 결과 보고를 대신하지 않습니다. 이 흐름을 지속 가능하게 만드는 것은 성능 모니터링, 피드백 루프, 버그 검토, 배포 드리프트 추적 및 서면 거버넌스 등 안전한 사용이 일회성 설정이 아닌 살아있는 프로세스라는 것을 인식하는 것입니다. 중요한 결과를 보고할 때 방사선 전문의는 폐쇄 루프를 닫습니다. 모든 것의 밑에는 변하지 않는 문장이 있습니다. 결정은 그 사람에게 달려 있습니다.

응용과제

귀하의 단위(또는 샘플 조직)에 대한 엔드투엔드 AI 워크플로 차트를 그립니다. 각 단계에서 AI의 역할, 인간 승인 및 위험 수준을 기록합니다. 그런 다음 "성능 추적" 템플릿을 사용하여 추적할 세 가지 지표(오탐률, 누락된 결과, 참양성 비율)와 작업 임계값을 결정합니다. 중요한 결과 시나리오를 선택하고 "중요한 결과 폐쇄 루프" 템플릿을 사용하여 단계를 작성합니다. 마지막으로 "오늘 AI를 끄면 안전하게 일할 수 있을까?" 귀하의 단위에 대해 질문에 솔직하게 대답하고 부족한 점을 기록하십시오.

체크리스트

[ ] 엔드투엔드 흐름에서 각 AI 포인트에 대한 인간의 검증을 정의했습니다.
[ ] 안전에 중요한 결정(진단/서명/통지)을 AI에 위임하지 않았습니다.
[ ] 성능 모니터링 기준과 조치 기준을 결정했습니다.
[ ] 피드백 루프와 버그 검토 프로세스를 설정했습니다.
[ ] 유통교체를 위해 현지검증을 반복할 계획을 세웠습니다.
[ ] 나는 방사선 전문의가 중요한 소견 통지에 대해 폐쇄 루프를 종료했는지 확인했습니다.
[ ] "AI를 끄면 안전하게 일할 수 있을까?" 나는 그 질문에 그렇다고 대답할 수 있다.

모듈 시험

1. 방사선 분류 AI는 뇌 CT를 '낮은 우선순위'로 표시하고 작업 목록 끝으로 옮겼습니다. 이 검사를 위해 방사선 전문의는 무엇을 해야 합니까?

A) 여전히 감사 내용을 완전히 읽고 보고합니다. 선별은 순서만 변경하는 것이지 읽기를 제거하는 것은 아닙니다 ✔
나) 인공지능은 우선순위가 낮다고 해서 보통 연구를 읽지 않고 닫는다.
다) 시험을 다음 날로 자동 연기
D) 인공지능이 표시한 영역만 보고 보고서를 짧게 잘라냅니다.

설명: Triage AI는 읽기 순서만 변경합니다. 읽기에서 어떤 시험도 제외할 수 없습니다. '낮은 우선순위'는 진단이 아니며 위음성일 수 있습니다. 각 검사는 방사선 전문의가 완전히 읽고 보고해야 합니다. 이는 우선순위 신호 판독을 대체하지 않습니다.

2. AI가 실제 병리(예: 작은 기흉)를 놓치고 방사선 전문의가 이에 의존하고 이미지를 적절하게 검사하지 않는 위험의 조합은 무엇입니까?

A) 거짓 긍정 및 경보 피로만 해당
B) 거짓 부정 및 자동화 편향(AI에 대한 과도한 의존) ✔
C) 화질만 좋지 않음
D) DICOM 헤더 오류만 해당

설명: 모델이 결과를 놓치면 거짓 부정입니다. 자동화 편향은 방사선 전문의가 인공 지능을 지나치게 신뢰하고 자신의 검사를 완화하는 경우입니다. 이 두 가지가 결합되면 사람이 모니터링하는 이유가 사라지고 결과를 완전히 놓칠 수 있습니다. 따라서 인공지능이 표시하지 않은 부분도 읽어야 합니다.

3. AI는 이미지에 상응하는 내용이 없는 흉부 CT 보고서 초안에 '오른쪽 부신 선종'이라는 문장을 추가했습니다. 방사선 전문의는 무엇을 해야 합니까?

A) 문장의 신뢰성을 고려하여 직접 서명합니다.
나) 확실하지 않기 때문에 보고서 전체를 인공지능에 다시 작성하고 서명한다.
C) 문장과 이미지를 일치시킵니다. 조항이 없으면 해당 조항을 삭제하고 확인된 대로 초안에 서명합니다. ✔
라) 문장은 남기고 끝에 '인공지능 추가'라고 쓴다.

설명: 언어 모델은 이미지에 없는 결과를 유창하게 맞출 수 있습니다. 이것을 환각이라고 합니다. 방사선 전문의는 보고서의 각 문장을 이미지와 일치시키고, 관련 없는 문구를 제거해야 하며, 확인 없이 초안에 서명해서는 안 됩니다. 보고서 초안은 증거가 아닌 시작입니다.

4. 전문가가 환자의 이름과 프로토콜 번호가 포함된 DICOM 이미지를 익명화하지 않고 공개적으로 사용 가능한 AI 도구에 업로드합니다. 여기서 가장 큰 문제는 무엇입니까?

A) 인공지능으로는 영상해상도가 부족하다
B) 인공지능은 DICOM 형식을 읽을 수 없습니다.
다) 이미지가 흑백이라 코멘트를 할 수 없습니다
D) DICOM 헤더에 있고 이미지에 포함된 신원 데이터는 익명화 없이 공유됩니다. 이것은 KVKK 위반입니다 ✔

설명: DICOM 파일은 헤더에 환자 이름, 신원, 생년월일, 때로는 이미지에 내장된 신원 데이터(번인)와 같은 정보를 모두 포함합니다. 이를 익명화하지 않고 외부 도구에 업로드하는 것은 민감한 건강 데이터를 공개하는 것이며 KVKK를 위반하는 것입니다. 헤더와 포함된 데이터를 먼저 지워야 합니다.

5. AI가 생성한 자동 폐결절 측정(예: 8mm)과 이전 검사의 수동 측정(5mm)을 비교할 때 가장 중요한 확인 단계는 무엇입니까?

A) 동일한 방법, 평면 및 분할 일관성으로 측정값을 비교하고 방사선 전문의가 불일치를 평가하는지 확인합니다. ✔
B) 새로운 측정값이 항상 정확하고 성장을 보고한다고 가정합니다.
C) 두 가지 측정값의 평균을 내고 이를 보고합니다.
D) 측정값을 완전히 무시하고 시각적인 느낌만 기록합니다.

설명: 측정은 추정치이며 분할 경계, 슬라이스 선택, 프로토콜 및 측정 방법에 따라 다릅니다. 자동 측정과 수동 측정을 서로 다른 방법으로 수행할 경우 '성장'이라는 잘못된 인상이 생길 수 있습니다. 확대를 결정하기 전에 동일한 방법, 동일한 평면 및 일관된 경계를 사용하여 비교를 수행해야 하며 불일치가 있으면 방사선 전문의가 평가해야 합니다.

6. AI 결과를 PACS에 추가할 때 원본 DICOM 이미지에 관한 황금률은 무엇입니까?

가) 인공지능 마킹은 원본 이미지 위에 영구적으로 표기되어야 합니다.
B) AI 출력이 별도의 시리즈/레이어로 추가됩니다. 원본 진단 이미지는 변경되지 않고 추적 기록이 보존됩니다. ✔
다) 원본 이미지는 일체 저장하지 말고, 가공된 버전만 보관해야 합니다.
D) AI 출력은 환자 헤더 내에 텍스트로 포함되어야 합니다.

설명: AI 마크업, 지표 및 하이라이트는 별도의 시리즈, 레이어 또는 구조화된 보고서 개체로 저장되어야 합니다. 원본 진단 이미지는 절대로 변경해서는 안 됩니다. 이렇게 하면 방사선 전문의는 항상 원시 데이터를 볼 수 있고, 추적 기록이 보존되며, AI 출력이 원본과 구별 가능한 상태로 유지됩니다.

7. 유방 조영술 AI는 '감도'는 높지만 '특이성'은 낮습니다. 이것이 실제로 무엇을 의미합니까?

A) 모델에서는 결과가 거의 표시되지 않습니다.
B) 모델은 결코 거짓 긍정을 생성하지 않습니다.
C) 모델은 대부분의 실제 결과를 포착하지만 많은 거짓양성을 생성하여 불필요한 회상으로 이어질 수 있습니다. ✔
D) 모델은 최종 진단을 내릴 수 있는 사례만 표시합니다.

설명: 민감도가 높다는 것은 대부분의 참양성(거짓음성이 거의 없음)을 포착한다는 의미입니다. 낮은 특이성은 건강한 사례를 자주 표시한다는 의미이며, 이는 많은 수의 거짓양성을 생성한다는 의미입니다. 이는 유출을 줄이지만 불필요한 회수 및 조사 부담을 증가시킵니다. 역치 선택은 임상적 균형이며 방사선 전문의의 해석에 따라 결정됩니다.

8. AI 모델은 특정 제조업체의 장치와 특정 환자 모집단에 대해 훈련됩니다. 자신의 기관에서 다른 장치와 인구에 사용하기 전에 가장 좋은 접근 방식은 무엇입니까?

A) 모델이 모든 곳에서 동일한 성능을 제공한다고 가정
B) 모델을 테스트하지 않고 모든 검사를 의무화
C) 사용자 인터페이스가 터키어로 되어 있는 경우에만 안전하다고 생각합니다.
D) 현지 검증을 수행하고 자체 장치 및 모집단에 대한 성능을 확인하고 승인/증거 수준을 검토합니다. ✔

설명: 모델이 훈련된 데이터 분포에서 벗어나면 성능이 저하될 수 있습니다. 이를 분포 이동이라고 합니다. 새로운 장치, 프로토콜 또는 모집단에 사용하기 전에 현지 검증(자체 데이터에 대한 성능 확인)을 수행하고 규제 승인 및 증거 수준을 검토해야 합니다.

9. 자유 텍스트 보고에 비해 구조화된 보고의 가장 중요한 보안 이점은 무엇입니까?

A) 표준 제목 및 필수 필드 덕분에 결과 누락 및 모호함의 위험이 줄어들고 일관성이 보장됩니다. ✔
B) 보고서를 더 짧게 표시합니다.
C) 방사선 전문의가 영상을 볼 필요가 없게 됩니다.
D) 인공지능이 방사선 전문의의 승인 없이 보고서를 보낼 수 있도록 허용

설명: 구조화된 보고는 표준 제목, 필수 필드 및 공통 용어집을 사용합니다. 이를 통해 결과 누락, 필드 누락 및 오해의 위험을 줄이고 임상의 간의 일관성을 보장하며 인공 지능이 필드를 채우고 일관성을 확인하는 것이 더 쉬워집니다. 자유 텍스트는 더 유연하지만 누락 및 모호함의 위험이 더 큽니다.

10. 영상 향상(초해상도) 알고리즘은 실제로 존재하지 않는 미세 구조를 추가하면서 저선량 CT를 '정리'할 수 있습니다. 이것이 당신에게 무엇을 생각나게 합니까?

A) 개선된 이미지는 항상 더 안정적입니다.
B) 개선으로 인해 인위적인 세부 정보가 추가되거나 실제 결과가 삭제될 수 있습니다. 의심스러운 경우 원본 이미지를 반환하고 진단 타당성에 대해 의문을 제기해야 합니다. ✔
다) 노이즈 제거 후 자동으로 선량이 감소합니다.
D) 강화는 색상만 변경되며 내용에는 전혀 영향을 주지 않습니다.

설명: 이미지 향상 알고리즘은 노이즈를 줄이는 동시에 인공적인 세부 사항을 추가하거나 실제 작은 결과를 지울 수도 있습니다. 이는 향상된 이미지의 진단 유효성이 제한될 수 있으며 의심스러운 경우 원본/원본 이미지로 돌아가고 필요한 경우 적절한 프로토콜을 사용한 재평가가 필요하다는 점을 상기시켜줍니다. 미학적으로 좋아 보인다고 해서 진단의 정확성을 의미하는 것은 아닙니다.

11. 환자 이야기를 익명화하여 공공 AI 도구로 보낼 때 올바른 행동은 무엇입니까?

가) 성만 삭제하고 이름과 프로토콜 번호만 남겨두면 충분합니다.
B) AI가 맥락을 볼 수 없도록 모든 임상 정보도 삭제합니다.
다) 신원, 프로토콜, 연락처, 기관 정보는 삭제하고 임상적으로 필요한 익명 정보만 남겨둡니다 ✔
D) 익명처리는 불필요합니다. 차량은 이미 안전합니다

설명: 이름, TR ID 번호, 프로토콜/파일 번호, 연락처 및 기관 정보를 제거해야 합니다. 임상적으로 필요한 정보(연령대, 성별, 해당 병력)만 남겨야 합니다. 올바른 접근 방식은 'Ayşe Yılmaz, 프로토콜 2024-114523' 대신 '62세 여성, 알려진 유방암 병력'이라고 쓰는 것입니다.

12. AI는 폐색전증(PE) CT 혈관 조영술(음성 AI)에 대한 결과가 없음을 표시했습니다. 방사선 전문의의 올바른 해석은 무엇입니까?

A) 색전증은 확실히 없고, 음성으로 보고가 빨리 종결될 수 있습니다.
나) 검사는 반복되어야 한다
다) 인공지능이 음성이라고 해서 임상의와 상담할 필요가 없다.
D) 부정적인 AI는 보장되지 않습니다. 방사선 전문의가 자신의 평가를 통해 전체 이미지를 판독하므로 모델이 결과를 놓쳤을 수 있습니다. ✔

설명: 음성 AI 출력이 색전증이 제외된다는 의미는 아닙니다. 모델이 결과를 놓쳤을 수 있습니다(거부성). 영상의학 전문의는 AI가 표시하지 않은 영역을 포함하여 전체 영상을 자신의 임상적 판단으로 읽어야 합니다. 음성 AI는 진단을 보장하는 것이 아니라 기껏해야 보조 신호일 뿐입니다.

13. AI는 중요한 발견(예: 대규모 두개내 출혈)에 대한 경고를 생성했습니다. 폐쇄 루프 중요 결과 보고는 누가 담당합니까?

A) 결과를 확인하고, 이를 임상의에게 전달하고, 전달 내용을 문서화하고, 폐쇄 루프를 완료하는 것은 방사선 전문의의 책임입니다. ✔
B) 알림은 완전 자동으로 수행되며 방사선 전문의는 아무런 역할도 하지 않습니다.
다) 책임은 인공지능 제작자에게 넘어간다
D) 경고는 워크리스트에 있으므로 별도의 통신은 필요하지 않습니다.

설명: AI 경고는 알림입니다. 중요한 결과를 확인하고 이를 주치의에게 직접 전달하고, 전달 내용을 문서화하고, 폐쇄 루프(정보 수신 확인)를 완료하는 것은 방사선 전문의의 책임입니다. 자동 경고는 인간의 의사소통 및 확인을 대체할 수 없습니다.

14. 이미징 장치에서 인공 지능을 지속 가능하고 안전하게 사용하기 위한 최선의 거버넌스 접근 방식은 무엇입니까?

A) 한 번 설치하고 다시는 검토하지 마세요.
B) 정기적으로 성과를 모니터링하고, 피드백 및 자체 감사 주기를 설정하고, 오류 사례를 검토하고, 방사선 전문의와 최종 결정을 유지합니다. ✔
다) 모든 결정을 모델에 위임하고 방사선 전문의 수를 줄인다
D) 인공지능 출력을 절대 녹음하지 않고 흔적도 남기지 않습니다.

설명: 안전한 사용은 일회성 설치가 아닙니다. 정기적인 성능 모니터링, 방사선 전문의의 피드백 수집, 거짓 음성/양성 샘플 검토, 모델 업데이트 및 분포 드리프트 모니터링, 정기적인 자체 감사가 필요합니다. 책임, 서명 및 최종 결정은 항상 방사선 전문의에게 있습니다.