Inteligența Artificială în Radiologie: Revoluția Imagisticii Medicale

Artificial Intelligence in Radiology: The Revolution of Medical Imaging

Artificial intelligence (AI) is rapidly transforming radiology, moving from experimental research into daily clinical practice. AI algorithms now support tasks such as lesion detection, volumetric analysis, and workflow optimization, enhancing diagnostic accuracy while reducing radiologists’ workload. Rather than replacing radiologists, AI is expected to complement their expertise, allowing them to focus on higher-level clinical judgment and patient care.

În ultimii ani, inteligența artificială (IA) a evoluat dintr-un concept futurist într-o realitate concretă care transformă radiologia. Dezvoltarea rapidă a algoritmilor de învățare automată și deep learning a adus capabilități noi în imagistica medicală, de la interpretarea automată a imaginilor la optimizarea fluxurilor de lucru. Radiologia, specialitate ce stă la baza diagnosticării moderne, se află acum în pragul unei noi revoluții digitale. Numeroase aplicații bazate pe IA sunt deja folosite pentru segmentarea organelor, detectarea leziunilor și asistarea diagnosticului, promițând îmbunătățirea acurateței și eficienței actului medical [1].
Adopția IA în radiologie a crescut exponențial, mai ales în ultimii 5 ani. În prezent, algoritmii de machine learning pot analiza imagini cu viteză și acuratețe remarcabile [2]. De pildă, modelele de deep learning au atins performanțe comparabile cu ale radiologilor în detectarea nodulilor pulmonari pe CT cu doză redusă [3]. Deja există soluții de diagnostic asistat de computer (CAD) capabile să identifice noduli pulmonari pe radiografii și CT [4], să clasifice leziuni mamare suspecte [5] sau să detecteze semnele de accident vascular cerebral acut pe CT [6]. Astfel de sisteme automatizează sarcinile repetitive și prioritizează descoperirile critice, ceea ce ajută la creșterea eficienței și la reducerea oboselii radiologilor în mediile cu volum mare de muncă [1]. Importanța acestor inovații se reflectă și în dezvoltarea comercială: peste 200 de produse software bazate pe IA dedicate radiologiei au obținut deja aprobări de reglementare până la începutul anului 2023 [7], deși multe necesită în continuare validare clinică riguroasă. Tendința actuală este clară – IA a trecut din stadiul de cercetare în practica clinică, devenind operațională în tot mai multe centre medicale.
În cadrul Centrului de Imagistică al UMF Craiova, folosim deja soluții bazate pe IA în activitatea zilnică, ceea ce demonstrează aplicabilitatea practică a acestor tehnologii. Spre exemplu, în portofoliul experienței noastre se numără programe de IA capabile să analizeze atât achiziții CT, cât și IRM. Astfel, dispunem de un software de IA specializat în analiza CT-ului toracic, care detectează automat nodulii pulmonari și îi evidențiază vizual direct în cadrul investigației. În plus, algoritmul generează un raport detaliat ce include localizarea exactă a fiecărui nodul, dimensiunile liniare (diametrele), volumul, precum și un scor de suspiciune oncologică.

De asemenea, software-ul furnizează recomandări standardizate de follow-up, conform ghidurilor actuale, facilitând astfel o abordare mai rapidă, precisă și uniformă a cazurilor. Prin aceste funcționalități, AI-ul sprijină radiologul în depistarea precoce a leziunilor, reducând riscul de omisiuni și contribuind la o stratificare mai adecvată a riscului pacientului.
Un alt algoritm este dedicat IRM-ului cerebral, unde realizează volumetria structurilor encefalice și evidențiază leziuni demielinizante, aspecte esențiale pentru diagnosticul și monitorizarea bolilor neurodegenerative, precum scleroza multiplă.

Un avantaj major îl constituie posibilitatea de a efectua comparații longitudinale între examene succesive, facilitând evaluarea dinamică a progresiei bolii sau a răspunsului la tratament, prin cuantificarea modificărilor de volum sau a numărului de leziuni. De asemenea, utilizăm instrumente de IA dedicate angio-IRM, capabile să identifice automat anevrismele cerebrale și să ofere informații privind dimensiunea, localizarea acestora și urmărirea în timp a acestor leziuni vasculare, oferind medicului posibilitatea de a aprecia evoluția și de a decide conduita optimă. 

În domeniul imagisticii prostatei, un software IA asistă radiologul în interpretarea IRM de prostată prin realizarea volumetriei prostatice și prin detectarea ariilor suspecte, cuantificarea lor conform scorului PI-RADS, îmbunătățind acuratețea evaluării cancerelor de prostată, precum și cartografierea acestora pentru o mai buna comunicare cu urologii.

Nu în ultimul rând, pentru IRM-ul de genunchi, utilizăm o aplicație bazată pe IA care recunoaște automat leziunile de cartilaj și semnalează zonele de interes, reducând riscul de a trece cu vederea modificări subtile. Algoritmul încadrează aceste leziuni conform scorurilor de gradare a cartilajului.

Odată cu entuziasmul generat de IA au apărut și temeri în rândul profesioniștilor și al viitorilor radiologi. Una dintre îngrijorările majore este teama că radiologul va fi înlocuit de IA [8]. Deși această idee a fost intens mediatizată, specialiștii subliniază că este o viziune simplistă și nerealistă. Radiologia nu se rezumă la recunoașterea tiparelor pe imagini, ci implică judecată clinică, comunicare și integrarea datelor complexe ale pacientului, aspecte pe care o mașină nu le poate substitui pe deplin [1, 9]. Un studiu din 2022 a arătat că jumătate dintre studenții la Medicină care luau în considerare radiologia ca opțiune de specializare se declarau îngrijorați de impactul IA asupra viitorului specialității [10], temându-se că rolul radiologului ar putea deveni automatizat și în cele din urmă depășit [10].
Cu toate acestea, experții și liderii din domeniu contracarează aceste temeri, evidențiind că IA nu va elimina radiologul, ci îi va transforma rolul. „AI cannot replace radiologists” concluzionează un review sistematic recent, subliniind că serviciile de radiologie vor necesita în viitor colaborarea dintre radiologi, sisteme IA și personal tehnic pentru a oferi evaluări imagistice sigure și de calitate [11]. Practic, IA și radiologul sunt complementare, iar sarcinile radiologului se vor reorienta: algoritmii pot prelua activitățile repetitive și de volum mare, în timp ce medicii se vor concentra pe aspectele care necesită gândire critică, context clinic și decizie integrată [1, 11, 12]. Faptul că IA poate interpreta anumite imagini mai rapid și uneori mai eficient decât oamenii [11] trebuie văzut ca un avantaj în contextul deficitului global de radiologi și al creșterii volumului de investigații imagistice, nu ca o amenințare pentru viitorul specialității [1, 11, 12].
Pe lângă teama de înlocuire, există și alte provocări și limite ale implementării IA. Un obstacol tehnic important îl reprezintă biasul algoritmic – erorile sau deviațiile introduse de seturile de date neechilibrate folosite la antrenarea rețelelor neuronale [13]. Dacă un model este antrenat pe populații nereprezentative, performanța sa poate scădea atunci când este aplicat în alt context demografic. De asemenea, natura de „cutie neagră” a multor algoritmi de deep learning generează lipsă de transparență în procesul decizional al IA, ceea ce ridică probleme de încredere și de acceptare din partea clinicienilor [14, 15]. Responsabilitatea legală în caz de erori diagnostice comise de un algoritm este o dilemă etică încă nerezolvată [16]. Mai mult, se pune problema supra-încrederii în asistenții AI. Tinerii clinicieni, în special, ar putea ajunge să se bazeze excesiv pe sugestiile automate, riscând să își erodeze abilitățile de gândire critică și de interpretare independentă [17]. Toate aceste provocări subliniază că integrarea IA în radiologie trebuie făcută cu precauție, cu validări clinice solide și cu implicarea activă a radiologilor în dezvoltarea și monitorizarea acestor sisteme.
În pofida provocărilor, perspectivele pe care IA le deschide în radiologie sunt profund pozitive [18]. Mai degrabă decât să diminueze rolul radiologului, IA are potențialul să îmbogățească practica radiologică și să crească impactul acesteia asupra îngrijirii pacienților. Numeroși lideri de opinie susțin că temerile privind „dispariția” radiologilor sunt nefondate [10], ba chiar că datorită IA radiologia va deveni și mai atractivă pentru noile generații de medici [10]. Integrarea algoritmilor inteligenți în fluxul de lucru va elibera radiologii de sarcinile monotone (precum măsurători, conturări manuale, descrierea modificărilor evidente) și le va permite să se concentreze pe activități de nivel înalt: corelarea imaginii cu contextul clinic, interpretarea multiplanară complexă, consultul interdisciplinar și comunicarea rezultatelor către pacienți și colegi clinicieni [18, 19]. Radiologul viitorului, asistat de IA, ar putea deveni mai implicat direct în managementul pacientului, consolidându-și rolul de medic clinic și consultant esențial în echipa medicală, nu doar de interpret al imaginilor [18-20].
De altfel, s-a sugerat că IA va oferi radiologilor oportunitatea de a fi „mai vizibili” și mai orientați spre pacient, sporind contactul direct cu acesta și participarea la decizii clinice [10, 20]. Algoritmii pot prelua analiza inițială a datelor imagistice și generarea unor rapoarte preliminare, însă validarea finală, integrarea concluziilor și comunicarea lor vor rămâne în sarcina medicului radiolog. Astfel, în loc să fie înlocuit, radiologul va fi potențat de IA (augmented radiologist) [1]. Combinația dintre expertiza umană și puterea IA poate crește acuratețea diagnostică și siguranța pacientului, reducând rata erorilor de interpretare și asigurând o a doua opinie automată la fiecare examen imagistic [1].
Un alt beneficiu strategic al IA este atenuarea impactului crizei de personal în radiologie. Deficitul de radiologi, resimțit în multe țări, alături de creșterea cererii de investigații imagistice, pune presiune pe sistemele medicale. IA poate prelua o parte din volumul de lucru, ceea ce în final se traduce prin rapoarte mai prompt emise și pacienți tratați mai rapid [10]. Studii recente arată că utilizarea IA pentru triajul listei de lucru a radiologilor scurtează semnificativ timpii de interpretare și eliberare a rezultatelor [10, 21, 22]. În ansamblu, perspectiva este că radiologia asistată de IA va fi mai eficientă, mai precisă și mai axată pe pacient.
Inteligența artificială în radiologie reprezintă o revoluție în plină desfășurare, ce redefiniește modul în care sunt analizate imaginile medicale și rolul radiologului în echipa clinică [18]. Tendințele actuale indică o adopție tot mai largă a algoritmilor inteligenți, care deja își demonstrează utilitatea în multiple aplicații [7]. Radiologia viitorului se conturează ca un domeniu al colaborării om-mașină, în care judecata și empatia medicului se îmbină cu viteza și precizia algoritmilor. Esențial este ca radiologii să rămână implicați în dezvoltarea și implementarea soluțiilor de IA, asigurând că acestea respectă standardele de siguranță și etică și că completează judecata clinică, fără a o diminua. Viitorul radiologiei nu stă în a rezista tehnologiei, ci în a o modela, astfel încât transformarea digitală să se traducă în beneficii reale pentru pacienți, fără a compromite conexiunea umană care se află în centrul actului medical.

Referințe:

1. Nk, R., A. S, and S. K, Artificial Intelligence in Radiology: Augmentation, Not Replacement. Cureus, 2025. 17: p. e86247.
2. Li, M., et al., Medical image analysis using deep learning algorithms. Frontiers in Public Health, 2023. Volume 11 – 2023.
3. Ardila, D., et al., End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nature Medicine, 2019. 25(6): p. 954-961.
4. Quanyang, W., et al., Artificial intelligence in lung cancer screening: Detection, classification, prediction, and prognosis. Cancer Med, 2024. 13(7): p. e7140.
5. Rodriguez-Ruiz, A., et al., Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. JNCI: Journal of the National Cancer Institute, 2019. 111(9): p. 916-922.
6. Chilamkurthy, S., et al., Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet, 2018. 392(10162): p. 2388-2396.
7. Mello-Thoms, C. and C.A.B. Mello, Clinical applications of artificial intelligence in radiology. Br J Radiol, 2023. 96(1150): p. 20221031.
8. Huisman, M., et al., An international survey on AI in radiology in 1,041 radiologists and radiology residents part 1: fear of replacement, knowledge, and attitude. Eur Radiol, 2021. 31(9): p. 7058-7066.
9. Nakamura, Y., et al., It is Not Time to Kick Out Radiologists. Asian Bioeth Rev, 2025. 17(1): p. 9-15.
10. Liu, D., et al., Changes in radiology due to artificial intelligence that can attract medical students to the specialty (Preprint). JMIR Medical Education, 2022. 9.
11. Achour, N., et al., The role of AI in mitigating the impact of radiologist shortages: a systematised review. Health and Technology, 2025. 15(3): p. 489-501.
12. Jeong, J., et al., Reducing the workload of medical diagnosis through artificial intelligence: A narrative review. Medicine (Baltimore), 2025. 104(6): p. e41470.
13. Vrudhula, A., et al., Machine Learning and Bias in Medical Imaging: Opportunities and Challenges. Circ Cardiovasc Imaging, 2024. 17(2): p. e015495.
14. Nouis, S.C., V. Uren, and S. Jariwala, Evaluating accountability, transparency, and bias in AI-assisted healthcare decision- making: a qualitative study of healthcare professionals’ perspectives in the UK. BMC Med Ethics, 2025. 26(1): p. 89.
15. Muhammad, D. and M. Bendechache, Unveiling the black box: A systematic review of Explainable Artificial Intelligence in medical image analysis. Comput Struct Biotechnol J, 2024. 24: p. 542-560.
16. Martín-Noguerol, T., P. López-Úbeda, and A. Luna, AI in radiology: Legal responsibilities and the car paradox. Eur J Radiol, 2024. 175: p. 111462.
17. Khan, F.A., AI in clinical diagnostics: Is overreliance eroding clinical expertise? PLOS Digit Health, 2025. 4(8): p. e0000959.
18. Bhandari, A., Revolutionizing Radiology With Artificial Intelligence. Cureus, 2024. 16(10): p. e72646.
19. Nair, A., et al., Enhancing Radiologist Productivity with Artificial Intelligence in Magnetic Resonance Imaging (MRI): A Narrative Review. Diagnostics (Basel), 2025. 15(9).
20. Park, J., et al., Patient-centered radiology reports with generative artificial intelligence: adding value to radiology reporting. Sci Rep, 2024. 14(1): p. 13218.
21. Sim, J.Z.T., et al., Harnessing artificial intelligence in radiology to augment population health. Front Med Technol, 2023. 5: p. 1281500.
22. Martini, K., et al., Impact of Vessel Suppressed-CT on Diagnostic Accuracy in Detection of Pulmonary Metastasis and Reading Time. Academic Radiology, 2021. 28(7): p. 988-994.