End-to-end arbeidsflyt, kvalitetsstyring og egenrevisjon — Kunstig intelligens i radiologi og medisinsk bildediagnostikk

Gevinster:

Evne til å designe en ende-til-ende arbeidsflyt som viser hvor og med hvilken godkjenning kunstig intelligens spiller inn i hele kjeden, fra forhåndsopptak til rapportsignatur.
Evne til å etablere ytelsesovervåking, feedback loop og regelmessig selvrevisjon i kunstig intelligens-støttede prosesser
Evne til å gjøre bruken av kunstig intelligens i en bildebehandlingsenhet bærekraftig med prinsippene om styring, ansvar og kontinuerlig forbedring

I de foregående ti enhetene har vi dekket delene av AI innen radiologi: triage, strukturert rapportering, måleautomatisering, PACS-integrasjon, beregninger, modalitetsspesifikke verktøy, bildekvalitet, sporing og personvern. I denne siste enheten skal vi kombinere brikkene og etablere en ende-til-ende arbeidsflyt: et helhetlig kart som viser hvor og med hvilken godkjenning kunstig intelligens spiller inn i kjeden som en revisjon går fra forespørselsøyeblikket til den signerte rapporten. Deretter vil vi vurdere de to tingene som gjør denne flyten bærekraftig: kvalitetsstyring (overvåking av ytelse, tilbakemeldingssløyfe) og selvregulering (regelmessig gjennomgang, styring).

Kjerneprinsipp: Sikker bruk av AI-drevet bildebehandling er ikke en engangsinstallasjon; Det er en levende prosess som krever konstant overvåking av ytelse, en tilbakemeldingssløyfe, gjennomgang av feilmønstre og regelmessig egenrevisjon. Ved hvert trinn forblir ansvar, signatur og endelig beslutning hos radiologen.

End-to-end flow: Hvor er AI, som bekrefter

La oss følge reisen til en revisjon, inkludert punktene der AI kommer inn i bildet og menneskelig godkjenning på hvert punkt.

Forespørsel og indikasjon: Kliniker ber om undersøkelse. AI kan anbefale indikasjonsegnethet og protokollvalg; Teknikeren/radiologen godkjenner. (Enhet 8)
Fotografering og kvalitet: Modalitet produserer bildet. AI-doseoptimalisering, denoising og artefaktflagging; Teknikeren bestemmer kvaliteten og omskyter om nødvendig. (Enhet 8)
Triage: Bildet faller inn i PACS. AI prioriterer tidskritiske hendelser; Radiologen leser fortsatt hver eksamen. (Enhet 2)
Avlesning og påvisning: Radiologen leser. CAD-merker som andre øye; Radiologen vurderer hva som er merket og ikke. (Enhet 6, 7)
Måling og oppfølging: AI måler og sammenligner med tidligere undersøkelse; Radiologen bekrefter konsistensen. (Enhet 4, 9)
Rapportering: AI produserer strukturert utkast; Radiologen matcher hver setning med bildet og signerer det. (Enhet 3)
Varsling om kritisk funn: AI minner om kritisk funn; Radiologen bekrefter, kommuniserer til klinikeren og fullfører den lukkede sløyfen. (Enhet 2, 6)
Arkiver og spor opptak: AI-utdata lagres som et eget lag; Originalen endres ikke, sporregistreringen beholdes. (Enhet 5)

Scene

AI rolle

menneskelig godkjenning

Tilkoblet enhet

Forespørsel/protokoll

Forslag

Tekniker + radiolog

Skudd/kvalitet

Dose, avlytting, artefakt

tekniker

triage

prioritert flagg

Radiolog (leser fortsatt)

Les/oppdag

CAD andre øye

Radiolog (diagnostisk)

6, 7

Måling/sporing

Beregning, sammenligning

Radiolog (korrigerer)

4, 9

Rapportering

utkast

Radiolog (signatur)

kritisk funn

påminnelse

Radiolog (sender, bekrefter)

2, 6

arkiv

separat lag

System + sporopptak

Denne tabellen er et sammendrag av modulen: etter hvert som risikoen øker, krymper rollen til AI, menneskelig samtykke vokser; På ingen linje overtar AI avlesningen, diagnosen eller signaturen.

Kritisk funnrapportering: lukket sløyfe

Et kritisk funn (større blødninger, massiv emboli, anspent pneumothorax) anses ikke som kommunisert bare ved å skrive det i rapporten. Closed-loop kommunikasjon betyr å bekrefte at informasjon når og mottas direkte av behandlende lege. AI kan huske et kritisk funn eller til og med produsere et utkast til varsling; Det er imidlertid radiologens ansvar å bekrefte funnet, formidle det til riktig lege, dokumentere kommunikasjonen og lukke sløyfen. Automatisert varsling er ikke en erstatning for menneskelig kommunikasjon.

Advarsel: Bare fordi et AI kritisk funnvarsel vises på arbeidslisten, betyr det ikke at varselet er gjort. Melding fullføres først når radiologen bekrefter funnet, når den behandlende legen og mottar informasjonen. Det er menneskets oppgave å lukke den lukkede sløyfen.

Kvalitetsstyring og egenrevisjon

En AI-drevet prosess kan brytes ned over tid: modellen oppdateres, enheten endres, befolkningen skifter, antallet falske positive øker. Derfor må ytelsen overvåkes kontinuerlig.

Ytelsesovervåking: Samle falske positive/negative prøver; Spor triage flagg priser og sann positiv prosentandel.
Tilbakemeldingssløyfe: Samle systematisk inn radiologers «dette flagget var feil/gikk glipp av dette»-tilbakemeldinger og del det med produsenten.
Feilgjennomgang: Gjennomgå tapte funn og falske alarmer på vanlige møter; Skille grunnårsaken (modell, protokoll, menneske).
Distribusjonsskiftsporing: Gjenta lokal verifisering når enhet/protokoll/populasjon endres.
Styring: Hvem bruker hvilken modell, med hvilken versjon, i hvilken sammenheng; Hvem er ansvarlig - disse skal være skriftlige.

tre minisaker

Tilfelle 1 — Tilbakemeldingssløyfen fungerer. En enhet ser fra overvåkingsdata at triagemodellens falske positive pneumothorax-rate har økt til 75 % i løpet av måneder. Radiologer samler inn tilbakemeldingene deres, gjennomgår terskelen med produsenten; raten synker til 45 % og alarmtretthet avtar. Uten overvåking ville modellen stille blitt upålitelig.

Tilfelle 2 — Mistet funn av rotårsaksanalyse. To savnede små knuter noteres ved en måneds gjennomgang. Analysen viser at både forekommer på bærbare grafer og på en enhet som modellen ikke ble trent på (fordelingsdrift). Enheten begrenser omfanget av modellen på bærbare røntgenbilder og varsler radiologer. Feilen ble brukt til å fikse systemet i stedet for å skylde på én person.

Case 3 – Kritisk funn er lukket sløyfe. AI advarer om større blødninger på en hjerne-CT. Radiologen bekrefter på 90 sekunder, ringer nevrokirurgen, verifiserer mottak av informasjon og dokumenterer kommunikasjon (tid, person, innhold). Den lukkede sløyfen er fullført. AI påminnet; Radiologen foretok meldingen og bekreftelsen. Hvis det ble overlatt til automatisk varsling, ville det ikke være noen sikkerhet for at legen mottok informasjonen.

Svak forespørsel / Sterk forespørsel

Svak melding:

Sett opp AI-arbeidsflyt i radiologi, automatiser alt.

"Automatiser alt" er farlig i et sikkerhetskritisk domene; Ignorerer menneskelige sjekkpunkter og safe-default.

Kraftig ledetekst:

Din rolle: ASSOSIERT konsulent til radiologienheten på ende-til-ende AI arbeidsflytdesign. Beslutningstaking; lage oversikt og sjekkliste. Spesifiser hvor AI er lagt til i forespørselen → fangst → triage → lesing → måling → rapportering → kritisk funn → arkivkjeden og angir menneskelig godkjenning ved HVERT trinn. Foreslå også beregninger for ytelsesovervåking, tilbakemeldingssløyfe og egenrevisjon. Prinsipp: ettersom risikoen øker, blir AI-rollen mindre, menneskelig godkjenning vokser; diagnose/signatur/melding hos radiolog. Enhetskontekst: [skriv]

Den sterke viljen sentrerer seg om menneskelige godkjenningspunkter, overvåking og selvkontroll.

Kopierbare spørsmålsmaler

END-TIL-END FLØTUTKAST MAL Din rolle: ASSISTENT konsulent. For forespørselen→bildebehandling→triage→lesing→måling→rapportering→kritisk funn→arkivkjede, lag en tabell som viser rollen til AI og menneskelig godkjenning på hvert trinn. Merk risikonivået og la ingen sikkerhetskritiske beslutninger "overtas" av AI. Enhetskontekst: [skriv]

YTELSESOVERVÅKNINGSMALI vil gi deg en periode med triage/CAD-data. Beregn falsk positive rate, antall tapte funn og prosent sann positiv; varsle om alarmtretthet og distribusjonsdrift; Anbefal ved hvilken terskel produsenten/modellen bør vurderes. Avgjørelsen ligger i institusjonen. Data: [skriv]

ROT-ÅRSAK GJENNOMGANGSMALJeg vil gi deg et ubesvart funn/falsk alarm-tilfelle. Skill grunnårsak: modell (trening/omfang), protokoll/enhet (distribusjonsdrift), menneskelig (automatiseringsskjevhet/alarmtretthet). Lag forslag fokusert på systemkorreksjon, ikke skyld. Hendelse: [skriv]

KRITISK FINN LUKKET MAL Lag en lukket sjekkliste for en kritisk funnmelding: bekreftelse av funn, identifisering av riktig lege, direkte overføring, bekreftelse på mottak av informasjon, dokumentasjon av kommunikasjon (tidspunkt/person/innhold). Minn oss på at automatiske varsler ikke erstatter varsler. Kontekst: [skriv]

Vanlige feil

"Automatiserer alt". Sikkerhetskritiske beslutninger krever menneskelig godkjenning; Full automatisering er farlig.
Installerer den en gang og ser den ikke. Mønsteret brytes ned over tid; Kontinuerlig ytelsesovervåking er et must.
Bruke feilen til å skylde på personen. Grunnårsaksanalyse bør fokusere på systemkorreksjon.
Overlat det kritiske funnet til automatisk advarsel. Closed-loop lukkes av radiologen; Overføring og bekreftelse er menneskelig arbeid.
Ikke å sette styring på skrift. Hvem, hvilken modell, hvilken versjon, hvilket omfang, hvem som er ansvarlig — skal dokumenteres.

Tips: Still dette spørsmålet regelmessig i enheten din: "Hvis vi slo av AI i dag, ville vi fortsette å operere trygt?" Svaret skal alltid være "ja". AI gir raskere lesing, men den vil aldri erstatte lesing, gjenkjenning og signering.

Oppsummert

Kunstig intelligens spiller inn på mange punkter i kjeden fra bestillingsøyeblikket til signert rapport i radiologi: protokollanbefaling, kvalitet, triage, deteksjon, måling, oppfølging, rapportering og kritisk funnpåminnelse. Det holistiske prinsippet er sammendraget av hele modulen: ettersom risikoen øker, krymper rollen til AI, menneskelig samtykke vokser; På intet trinn tar AI over lesing, diagnose, signatur eller kritisk funnrapportering. Det som gjør denne flyten bærekraftig er å erkjenne at sikker bruk er en levende prosess, ikke et engangsoppsett: ytelsesovervåking, tilbakemeldingssløyfe, feilgjennomgang, sporing av distribusjonsdrift og skriftlig styring. Ved rapportering av et kritisk funn, lukker radiologen den lukkede sløyfen. Under alt står den uforanderlige setningen: avgjørelsen tilhører personen.

Søknadsoppgave

Tegn et ende-til-ende arbeidsflytskjema for AI for enheten din (eller en prøveorganisasjon): skriv ned AIs rolle, menneskelig godkjenning og risikonivå på hvert trinn. Bestem deretter de tre beregningene (falsk positiv rate, tapte funn, prosent sann positive) og handlingsterskler som du vil spore med malen "Performance Tracking". Velg et kritisk funnscenario og skriv trinnene ved å bruke malen "Critical Finding Closed-Loop". Til slutt, "Ville vi jobbet trygt hvis vi slo av AI i dag?" Svar ærlig på spørsmålet for enheten din og legg merke til manglene.

sjekkliste

[ ] Jeg definerte menneskelig validering av hvert AI-punkt i ende-til-ende-flyten.
[ ] Jeg har ikke delegert noen sikkerhetskritiske beslutninger (diagnose/signatur/varsling) til AI.
[ ] Jeg bestemte kriterier for ytelsesovervåking og handlingsterskler.
[ ] Jeg satte opp tilbakemeldingssløyfen og feilvurderingsprosessen.
[ ] Jeg laget en plan for å gjenta lokal verifisering for distribusjonsskifte.
[ ] Jeg sørget for at radiologen lukket den lukkede sløyfen ved varsling om kritisk funn.
[ ] "Vil vi jobbe trygt hvis vi slår av AI?" Jeg kan si ja til spørsmålet.

Moduleksamen

1. En radiologisk triage AI markerte en hjerne-CT som 'lav prioritet' og flyttet den til slutten av arbeidslisten. Hva skal radiologen gjøre for denne undersøkelsen?

A) Fortsatt leser og rapporterer revisjonen fullstendig; triage endrer bare rekkefølgen, ikke eliminerer lesing ✔
B) Kunstig intelligens lukker normalt studiet uten å lese det fordi det står at det er lavt prioritert.
C) Utsetter automatisk eksamen til neste dag
D) Den ser kun på området preget av kunstig intelligens og avkorter rapporten

Beskrivelse: Triage AI endrer bare leserekkefølgen; Den kan ikke utelukke noen eksamen fra lesing. 'Lav prioritet' er ikke en diagnose og kan være falsk negativ. Hver undersøkelse må fortsatt være fullstendig lest og rapportert av radiologen; Den erstatter ikke lesing av prioritetssignalet.

2. Hvilken kombinasjon av risikoer mangler AI en reell patologi (f.eks. en liten pneumothorax) og at radiologen stoler på den og ikke undersøker bildet tilstrekkelig?

A) Kun falsk positiv og alarmtretthet
B) Falsk negativ og automatiseringsskjevhet (overavhengighet av AI) ✔
C) Kun dårlig bildekvalitet
D) Kun DICOM-headerfeil

Forklaring: Det er en falsk negativ hvis modellen savner funnet; Automatiseringsbias er når radiologen stoler for mye på kunstig intelligens og slapper av på sin egen undersøkelse. Når de to kombineres, forsvinner eksistensen av menneskelig overvåking, og funnet kan gå glipp av helt. Derfor bør også områder som ikke er preget av kunstig intelligens leses.

3. AI la til en setning 'høyre adrenal adenom' i et utkast til en thorax CT-rapport som ikke hadde noe tilsvarende i bildet. Hva skal radiologen gjøre?

A) Betrakter setningen som pålitelig og signerer den direkte.
B) Siden han ikke er sikker, skriver han om hele rapporten til den kunstige intelligensen og signerer den.
C) Matcher setningen med bildet; Hvis det ikke er noen bestemmelse, fjerner han den og signerer utkastet som bekreftet ✔
D) Forlater setningen, men skriver 'kunstig intelligens lagt til' på slutten

Forklaring: Språkmodeller kan flytende passe til et funn som ikke er til stede i bildet; dette kalles hallusinasjoner. Radiologen må matche hver setning i rapporten til bildet, fjerne eventuelle irrelevante fraser, og aldri signere utkastet uten å bekrefte det. Rapportutkastet er en start, ikke et bevis.

4. En spesialist laster opp et DICOM-bilde med pasientens navn og protokollnummer uten anonymisering til et offentlig tilgjengelig AI-verktøy. Hva er hovedproblemet her?

A) Bildeoppløsningen er utilstrekkelig for kunstig intelligens
B) Kunstig intelligens kan ikke lese DICOM-format
C) Ingen kommentarer kan gis fordi bildet er svart/hvitt
D) Identitetsdata i DICOM-headeren og innebygd i bildet deles uten anonymisering; Dette er et KVKK-brudd ✔

Beskrivelse: DICOM-filer inneholder både informasjon som pasientnavn, identitet, fødselsdato i overskriften, og noen ganger identitetsdata innebygd i bildet (innbrent). Å laste opp disse til et eksternt verktøy uten å anonymisere dem er en utlevering av sensitive helsedata og et brudd på KVKK. Toppteksten og innebygde data må fjernes først.

5. Hva er det viktigste verifikasjonstrinnet når man sammenligner en automatisert lungeknutemåling (f.eks. 8 mm) produsert av AI med en manuell måling (5 mm) fra en tidligere undersøkelse?

A) Kontroller at målingene er sammenlignet med samme metode, plan og segmenteringskonsistens og evaluer avviket av radiologen ✔
B) Forutsatt at den nye målingen alltid er nøyaktig og rapporterer vekst
C) Ta gjennomsnittet av to målinger og rapportere dem
D) Ignorer målingen fullstendig og skriv kun visuelle inntrykk

Forklaring: Målingen er et estimat og avhenger av segmenteringsgrense, skivevalg, protokoll og målemetode. Når automatisk og manuell måling utføres ved hjelp av ulike metoder, kan det oppstå et feilaktig inntrykk av "vekst". Før en forstørrelsesbeslutning tas, bør en sammenligning gjøres med samme metode, på samme plan og med konsistente grenser, og enhver inkonsistens bør vurderes av radiologen.

6. Hva er den gylne regelen angående det originale DICOM-bildet når du legger til AI-resultater til PACS?

A) Kunstig intelligens-markering må skrives permanent over originalbildet
B) AI-utgang legges til som en egen serie/lag; det originale diagnosebildet endres ikke, og sporregistreringen er bevart ✔
C) Originalbildet skal ikke lagres i det hele tatt, kun den behandlede versjonen skal beholdes
D) AI-utdata skal være innebygd som tekst i pasientoverskriften

Beskrivelse: AI-markeringer, beregninger og høydepunkter bør lagres som et separat serie-, lag- eller strukturert rapportobjekt; Det originale diagnosebildet skal aldri endres. På denne måten kan radiologen alltid se rådataene, sporregistreringen er bevart, og AI-utgangen forblir forskjellig fra originalen.

7. En mammografi AI fungerer med høy 'sensitivitet' men lav 'spesifisitet'. Hva betyr dette i praksis?

A) Modellen markerer nesten ingen funn
B) Modellen produserer aldri falske positiver
C) Modellen fanger opp de fleste sanne funn, men kan produsere mange falske positiver, noe som fører til unødvendig tilbakekalling ✔
D) Modellen markerer kun tilfeller der den kan stille en definitiv diagnose.

Forklaring: Høy sensitivitet betyr å fange opp de fleste sanne positive (få falske negative). Lav spesifisitet betyr å markere friske tilfeller ofte, noe som betyr å produsere et stort antall falske positive. Dette reduserer lekkasje, men øker byrden med unødvendig tilbakekalling og etterforskning; Valg av terskel er en klinisk balanse og styres av radiologens tolkning.

8. En AI-modell er trent på en spesifikk produsents enhet og en spesifikk pasientpopulasjon. Hva er den beste tilnærmingen før du bruker den på en annen enhet og populasjon i din egen institusjon?

A) Forutsatt at modellen vil gi samme ytelse overalt
B) Obligatorisk alle inspeksjoner uten noen gang å teste modellen
C) Vurderer det trygt bare hvis brukergrensesnittet er på tyrkisk.
D) Utfør lokal validering og sjekk ytelsen på din egen enhet og populasjon og gjennomgå nivået på godkjenning/bevis ✔

Forklaring: Ytelsen kan reduseres når man beveger seg bort fra datadistribusjonen som modellen ble trent på; Dette kalles distribusjonsskifte. Før bruk i en ny enhet, protokoll eller populasjon, bør lokal validering (ytelsessjekk på dine egne data) utføres og myndighetsgodkjenning og bevisnivå bør gjennomgås.

9. Hva er den viktigste sikkerhetsfordelen med strukturert rapportering fremfor fritekstrapportering?

A) Takket være standardoverskrifter og obligatoriske felt, reduserer det risikoen for manglende funn og tvetydighet og sikrer konsistens ✔
B) Får rapportene til å virke kortere
C) Det gjør det unødvendig for radiologen å se på bildet.
D) Lar kunstig intelligens sende rapporten uten radiologens godkjenning

Beskrivelse: Strukturert rapportering bruker standardoverskrifter, obligatoriske felt og en felles ordliste; Dette reduserer risikoen for manglende funn, tapte felt og misforståelser, sikrer konsistens blant klinikere, og gjør det lettere for kunstig intelligens å fylle ut felt og sjekke konsistens. Fritekst er mer fleksibel, men medfører større risiko for utelatelse og tvetydighet.

10. En bildeforbedringsalgoritme (superoppløsning) kan "rydde opp" i en lavdose-CT samtidig som den tilfører fin struktur som faktisk ikke er tilstede. Hva minner dette deg om?

A) Forbedret bilde er alltid mer pålitelig
B) Forbedring kan legge til kunstige detaljer eller slette faktiske funn; I tvilstilfeller bør råbildet returneres og diagnostisk gyldighet stilles spørsmålstegn ved ✔
C) Etter nedtoning reduseres dosen automatisk
D) Forbedring endrer kun farge, påvirker ikke innholdet i det hele tatt

Forklaring: Mens bildeforbedringsalgoritmer reduserer støy, kan de legge til kunstige detaljer eller slette virkelige små funn. Dette er en påminnelse om at den diagnostiske gyldigheten til det forbedrede bildet kan være begrenset, og i tvilstilfeller, gå tilbake til det rå/originale bildet, og om nødvendig er re-evaluering med riktig protokoll nødvendig. Å se bra ut estetisk betyr ikke diagnostisk nøyaktighet.

11. Hva er riktig oppførsel når man anonymiserer en pasienthistorie som skal sendes til et offentlig AI-verktøy?

A) Det er tilstrekkelig å slette kun etternavnet og legge igjen navn og protokollnummer
B) Sletting av all klinisk informasjon også slik at AI ikke ser noen sammenheng
C) Fjern identitet, protokoll, kontakt- og institusjonsinformasjon og la kun være klinisk nødvendig anonym informasjon ✔
D) Anonymisering er unødvendig; kjøretøyet er allerede trygt

Forklaring: Navn, TR ID-nummer, protokoll-/filnummer, kontakt- og institusjonsinformasjon bør fjernes; Kun klinisk nødvendig informasjon (aldersgruppe, kjønn, relevant anamnese) skal stå igjen. Den riktige tilnærmingen er å skrive '62 år gammel kvinne, kjent historie med brystkreft' i stedet for 'Ayşe Yılmaz, protokoll 2024-114523'.

12. AI flagget ingen funn på et lungeemboli (PE) CT-angiogram (negativ AI). Hva er riktig tolkning av dette for radiologen?

A) Det er definitivt ingen emboli, rapporten kan raskt lukkes som negativ
B) Undersøkelsen bør gjentas
C) Det er ikke nødvendig å konsultere en kliniker fordi den kunstige intelligensen sier negativt
D) Negativ AI er ingen garanti; Radiologen leser hele bildet med sin egen vurdering, modellen kan ha gått glipp av funnet ✔

Forklaring: En negativ AI-utgang betyr ikke at emboli er utelukket; modellen kan ha gått glipp av funnet (falsk negativ). Radiologen må lese hele bildet med sin egen kliniske vurdering, inkludert områder som ikke er merket av AI. Negativ AI er ikke en garanti for diagnose, men på det meste et hjelpesignal.

13. AI genererte et varsel for et kritisk funn (f.eks. massiv intrakraniell blødning). Hvem er ansvarlig for rapportering av kritiske funn i lukket krets?

A) Det er radiologens ansvar å bekrefte funnet, kommunisere det til klinikeren, dokumentere kommunikasjonen og fullføre lukket sløyfe ✔
B) Varsling er helt automatisk, radiologen har ingen rolle
C) Ansvaret går over til produsenten av kunstig intelligens
D) Siden advarselen er i arbeidslisten, er det ikke nødvendig med ytterligere kommunikasjon

Beskrivelse: AI-advarselen er en påminnelse; Det er radiologens ansvar å bekrefte det kritiske funnet, kommunisere det direkte til behandlende lege, dokumentere kommunikasjonen og fullføre lukket sløyfe (bekreftelse på mottak av informasjon). Automatisert varsling er ikke en erstatning for menneskelig kommunikasjon og bekreftelse.

14. Hva er den beste styringsmetoden for å sikre at bruken av kunstig intelligens i en bildebehandlingsenhet er bærekraftig og trygg?

A) Installer én gang og aldri gjennomgå igjen
B) Overvåk ytelsen regelmessig, etablere en tilbakemeldings- og egenrevisjonssyklus, gjennomgå eksempler på feil, og hold den endelige avgjørelsen hos radiologen ✔
C) Delegere alle beslutninger til modellen og redusere antall radiologer
D) Ta aldri opp kunstig intelligens-utganger og etterlater ingen spor

Beskrivelse: Sikker bruk er ikke en engangsinstallasjon; Det krever regelmessig overvåking av ytelse, innsamling av tilbakemeldinger fra radiolog, gjennomgang av falske negative/positive prøver, overvåking av modelloppdateringer og distribusjonsdrift og regelmessig egenrevisjon. Ansvar, underskrift og endelig beslutning ligger alltid hos radiologen.