Radiologiyada süni intellektə (AI) əsaslanan rule-out sistemləri, patoloji ehtiva etmə ehtimalı aşağı olan görüntüləmə müayinələrini radioloqun şərh siyahısından çıxararaq iş yükünü azaltmağı hədəfləyir. İlk baxışda bu yanaşma sadə bir səmərəlilik qazancı kimi görünür: AI aşağı riskli halları ələyir, radioloq daha az sayda və klinik baxımdan daha mənalı hallara fokuslanır. Lakin Grayson L. Baird, Micheal H. Bernstein, Maggie Chung və Elizabeth Krupinski-nin bu işi, halların sayının azalmasının eyni zamanda radioloqun qərar verdiyi koqnitiv mühiti dəyişdirdiyini vurğulayır.

Rule-out tətbiq edildikdə radioloqun gördüyü hallar artıq ümumi klinik populyasiyadan təxminən təsadüfi gələn bir axın deyil. Patologiya ehtimalı aşağı olan halların mühüm hissəsi çıxarıldığı üçün radioloqa qalan nümunədə xəstəlik prevalansı artır. Radioloq həmçinin qarşısındakı halın AI tərəfindən saxlanıldığını bilir; bu məlumat avtomatlaşdırma və lövbərləmə qərəzini tətikləyə bilər. AI xəbərdarlığının pasiyent qeydində olması və ya sonradan hüquqi baxımdan əlçatan olması, yanlış-mənfi qərarın qavranılan xərcini yüksəldərək müdafiəçi davranışı gücləndirə bilər. Nəhayət, nisbətən asan həqiqi-mənfi halların seçici şəkildə çıxarılması, ümumi hal sayını azaltsa da qalan iş siyahısının orta koqnitiv çətinliyini artıra bilər.

Müəlliflər bu təsirləri dörd insan-faktoru başlığı altında toplayırlar: prevalans qavrayışı, avtomatlaşdırma və lövbərləmə qərəzi, adaptiv qərəz və koqnitiv yük. İşin əsas mesajı budur ki, AI rule-out sistemləri yalnız alqoritmin xəta dərəcəsi və iş yükünün azalması əsasında qiymətləndirilməməlidir. Alqoritm iş siyahısını dəyişdirdikdə, insan qərarvericinin qarşılaşdığı halların paylanmasını, gözləntilərini, hüquqi risk qavrayışını və yorğunluq profilini də dəyişdirə bilər. Buna görə real klinik performans AI ilə insanın bir-birindən müstəqil performanslarının sadə cəmi olmaya bilər.

AI rule-out sistemi nədir?

Rule-out və ya triaj sistemi, AI-nin görüntüləmə müayinələrini risk səviyyəsinə görə ayıraraq patologiya ehtiva etmə ehtimalının çox aşağı olduğu düşünülən halları radioloqun birbaşa şərh siyahısından çıxarmağı hədəfləyən iş axınıdır. Beləliklə radioloq daha kiçik bir hal qrupunu nəzərdən keçirə bilər.

Bu yanaşma xüsusilə görüntüləmə həcmlərinin artması, radioloq işçi qüvvəsinə təzyiq və klinik səmərəlilik ehtiyacı səbəbilə maraq doğurur. Lakin mənbə vurğulayır ki, rule-out iş siyahısını yalnız kəmiyyət baxımından kiçiltmir; eyni zamanda iş siyahısının statistik və psixoloji quruluşunu dəyişdirir.

AI Rule-Out Radioloqun Gördüyü Hal Paylanmasını Necə Dəyişdirir?

Ənənəvi skrininq iş axınında radioloq, patologiya ehtimalı böyük ölçüdə skrininq olunan populyasiyanın baza prevalansını əks etdirən hallarla qarşılaşır. Rule-out sistemində isə aşağı riskli hallar seçici şəkildə çıxarıldığı üçün qalan iş siyahısı məqsədli şəkildə zənginləşdirilmiş nümunəyə çevrilir. Beləliklə radioloqun hər yeni halla qarşılaşdığı anda daşıdığı ilkin patologiya ehtimalı artıq ümumi populyasiya prevalansı ilə eyni deyil.

Təsadüfi olmayan yeni iş siyahısı

Mənbə nümunə olaraq bir skrininq mərkəzində süd vəzi xərçəngi ehtimalının təxminən %0,3 olduğunu fərz edir. Ənənəvi iş axınında radioloqun qarşısına çıxan hər hansı yeni skrininq müayinəsinin başlanğıcda bu baza prevalansına yaxın risk daşıdığı qəbul edilə bilər.

AI aşağı riskli halları aradan qaldırdıqda isə radioloqun gördüyü yeni hal hovuzu seçilmiş olur. Bu seçim özü patologiya prevalansını yüksəldir və radioloqun qərar kontekstini dəyişdirir.

%75 rule-out nümunəsi

Məqalə Bernstein və əməkdaşlarının daha əvvəl dərc etdiyi statistik çərçivədən aşağıdakı nümunəni gətirir:

Bu təxminən üçqat prevalans artımı birbaşa mühüm insan-faktoru problemi yarada bilər. Radioloq zamanla “qarşıma gələn halların artıq daha böyük hissəsi anormaldır” gözləntisini öyrənə və qərar meyarını buna uyğun dəyişə bilər.

Prevalans Artımı Yanlış Müsbətləri Niyə Təsirləndirə Bilər?

Radiologiya və vizual axtarış ədəbiyyatı, hədəf prevalansının diaqnostik qərarlara təsir göstərə bildiyini göstərir. Rule-out sistemi aşağı ehtimallı halları çıxardıqda radioloqun gördüyü müsbət hal nisbəti yüksəlir. Mənbənin irəli sürdüyü insan-faktoru hipotezinə görə radioloq bu yeni prevalansı öyrəndikcə daha çox müayinəni şübhəli qəbul etməyə meylli ola və bununla da yanlış-müsbət qiymətləndirmələr arta bilər.

Prevalans qavrayışı qərar həddini dəyişdirə bilər

Diaqnostik qərar yalnız görüntünün özünə əsaslanmır. Qərarverici, olduğu kontekstdən patologiyanın nə qədər ehtimal olunduğuna dair gizli və ya açıq gözlənti də formalaşdırır.

Rule-out-dan əvvəl çoxlu asan normal hal görən radioloq ilə AI tərəfindən əvvəlcədən seçilmiş, şübhəli hallarla zənginləşdirilmiş siyahını oxuyan radioloq eyni görüntüyə fərqli ilkin gözlənti ilə yanaşa bilər.

Məqalə buna görə AI-nin yalnız halları təsnif etmədiyini; dolayı yolla insan oxuyucunun qarşılaşdığı prevalans mühitini də dəyişdirdiyini vurğulayır.

Yanlış-müsbət artımı niyə vacibdir?

Yanlış-müsbət qiymətləndirmə, əslində patologiya olmayan bir pasiyentin əlavə görüntüləmə, biopsiya və ya başqa izləmə prosedurları üçün geri çağırılması anlamına gələ bilər. Bu vəziyyət səhiyyə sistemi resurslarından istifadə edə və pasiyentlərdə lazımsız narahatlıq və ya prosedurlara səbəb ola bilər.

Lakin mənbə tarazlı şəkildə daha bir mühüm nöqtəni qeyd edir: eyni mexanizmlər yalnız yanlış-müsbətləri artırmaq məcburiyyətində deyil; daha yüksək diqqət və ya şübhə səviyyəsi bəzi həqiqi-müsbət halların aşkarlanmasını da artıra bilər. Buna görə insan-faktoru təsiri yalnız “daha çox xəta” kimi birtərəfli şərh edilməməlidir.

AI-nin Halı Seçdiyini Bilmək Radioloqun Qərarına Təsir Edərmi?

Mənbəyə görə edə bilər. Radioloq qarşısındakı görüntünün AI tərəfindən “saxlanılmış” və ya yüksək riskli hesab edilmiş bir hal olduğunu bilirsə, görüntünün özünü qiymətləndirmədən əvvəl əlavə məlumata məruz qalır. Bu məlumat avtomatlaşdırma qərəzi və lövbərləmə qərəzi vasitəsilə radioloqun qərarını AI istiqamətinə çəkə bilər.

Avtomatlaşdırma qərəzi

Avtomatlaşdırma qərəzi, insanların avtomatik sistemlərin tövsiyələrinə, başqa məlumatlarla ziddiyyət təşkil etdikdə və ya tövsiyə səhv olduqda belə, həddindən artıq üstünlük verə bilməsi meylidir.

Rule-out kontekstində problem xüsusilə aydındır. Radioloq yalnız AI-nin ələmədiyi halları gördüyünü bilirsə, hər hal daha görüntü açılmamış dolayı yolla belə bir mesaj daşıyır:

“AI bu halda qiymətləndirməyə dəyər bir risk gördü.”

Bu məlumat radioloqun müstəqil qiymətləndirməsinə təsir göstərə bilər.

Lövbərləmə qərəzi

Lövbərləmə qərəzi, qərarvericinin ilk aldığı məlumata həddindən artıq çəki verməsidir. AI-nin halı iş siyahısında saxlaması belə bir ilkin lövbər yarada bilər.

Sonrakı görüntü tapıntıları AI-nin gizli siqnalı ilə ziddiyyət təşkil etsə belə, radioloqun qərarının başlanğıc nöqtəsindən tamamilə uzaqlaşması çətinləşə bilər.

AI səhv olduqda insan da qərarını dəyişə bilər

Məqalə Bernstein və əməkdaşlarının döş qəfəsi rentgenoqrafiyaları üzərində apardığı əvvəlki çox-oxuculu pilot işi nümunə göstərir. Radioloqlara AI-nin bir düyünü işarələdiyi deyiləndə, AI olmadan düzgün şəkildə mənfi qiymətləndirdikləri bəzi mənfi hallar üçün izləyici görüntüləmə tövsiyə etməyə daha meylli olmuşlar.

Bu nümunə AI-nin yalnız düzgün tövsiyələrinin deyil, səhv xəbərdarlıqlarının da insan qərarını sürükləyə bildiyini göstərməsi baxımından vacibdir.

AI çıxışının təqdimat forması da vacib ola bilər

Mənbə Krupinski və əməkdaşlarının araşdırmasına əsaslanaraq AI məlumatının radioloqa necə təqdim olunmasının da qərar davranışını dəyişə biləcəyini bildirir. Məsələn, istilik xəritəsi ilə ehtimal qrafiki eyni klinik məlumatı fərqli koqnitiv formalarda təqdim edə və bəzi düzgün qərarları səhvə, bəzi səhv qərarları isə düzgününə çevirə bilər.

Beləliklə “AI nəticəsi göstərilsinmi?” sualına əlavə olaraq “hansı formada göstərilsin?” sualı da insan-faktorları dizaynının bir hissəsidir.

Hüquqi Risk Qavrayışı AI-dən Sonrakı Qərarları Necə Dəyişdirə Bilər?

Məqalə bu mexanizmi adaptiv qərəz çərçivəsində müzakirə edir. İnsanlar yalnız xəta sayını azaltmağa çalışmırlar; fərqli xətaların daşıdığı xərcləri də çəkirlər. Radiologiyada yanlış-mənfi xərçəng qiymətləndirməsinin hüquqi və peşəkar xərci, bir çox halda yanlış-müsbət izləmə tövsiyəsinin xərcindən daha yüksək qavranıla bilər. AI-nin halı əvvəlcədən anormal kimi işarələdiyinin qeydlərdə olması bu asimmetriyanı daha da gücləndirə bilər.

Yanlış-müsbət və yanlış-mənfi arasında simmetrik olmayan xərc

Müəlliflərin arqumenti budur ki, radioloqun qərar meyarı xəta sayını bərabər şəkildə azaltmağa deyil, qavranılan ümumi xərci azaltmağa uyğun formalaşa bilər.

AI bayrağı hüquqi baxımdan görünürsə nə dəyişə bilər?

Mənbədə aktarılan əvvəlki işdə radioloqlar AI xəbərdarlığının pasiyent dosyesinə yazılacağını düşündükdə, eyni AI xəbərdarlığının yazılmayacağını düşündükləri vəziyyətlə müqayisədə mənfi hallarda izləyici görüntüləmə tövsiyə etməyə daha meylli olublar.

Müəlliflər bunu bu mexanizmlə əlaqələndirirlər: Bir hal sonradan xərçəng çıxarsa və dosyedə AI-nin başlanğıcda halı yüksək riskli kimi işarələdiyi görünürsə, radioloq “AI belə xəbərdar etmişdi, niyə izləmə etmədiniz?” tipli hüquqi qiymətləndirmənin daha ağır olacağını düşünə bilər.

Mock jury və pasiyent portalı işləri

Mənbə iki əlavə işi bu şərhlə əlaqələndirir. Randomizə edilmiş saxta-jüri işində AI-nin halı anormal kimi işarələdiyi vəziyyətdə, yanlış-mənfi qərar verən radioloq əleyhinə qərar vermə meyli AI istifadə olunmayan vəziyyətlə müqayisədə daha yüksək olub.

Başqa bir randomizə edilmiş hipotetik pasiyent portalı işində isə AI halı düzgün şəkildə işarələdiyi halda radioloq yanlış-mənfi qərar verəndə pasiyentlərin hüquqi yola başvurma meylinin, eyni xətanın AI olmadan baş verdiyi ssenari ilə müqayisədə artdığı bildirilib.

Bunlar real malpractice iddialarının nəticəsini müəyyən edən universal hüquq qaydaları deyil; insan iştirakçıların eksperimental ssenarilərə reaksiyasını göstərən tədqiqat nəticələridir.

Müdafiəçi radiologiya davranışı

Bu şəraitdə radioloq AI tərəfindən saxlanılmış hallarda daha aşağı izləmə həddi qəbul edə bilər. Bu davranış potensial yanlış-mənfi hüquqi riskini azaltmağa çalışarkən lazımsız izləmə və yanlış-müsbət nisbətini artıra bilər.

Beləliklə AI-nin qeydlərdə görünməsi yalnız texniki məlumat idarəçiliyi məsələsi deyil, klinisist davranışını dəyişdirə bilən insan-faktoru dəyişənidir.

Daha Az Hal Oxumaq Koqnitiv Yükü Niyə Artıra Bilər?

Rule-out sistemlərinin ən intuitiv faydası iş yükünün azalmasıdır. Lakin mənbə vurğulayır ki, hal sayı ilə koqnitiv iş yükü eyni şey deyil. AI ən asan normal halların mühüm hissəsini çıxararsa, radioloq say baxımından daha az hal oxuya bilər, lakin qalan halların orta qeyri-müəyyənliyi və şərh çətinliyi arta bilər.

Asan həqiqi-mənfilərin yox olması

Rule-out alqoritmi xərçəng ehtimalı aşağı olan görüntüləri çıxardıqda bunların mühüm hissəsinin nisbətən asan həqiqi-mənfi hallar olması gözlənilə bilər.

Nəticədə qalan iş siyahısında daha çox qeyri-müəyyən, şübhəli və ya mürəkkəb hallar olur. Yəni:

Daha az hal ≠ avtomatik olaraq daha az zehni səy.

Hal sayı ilə hal çətinliyi arasındakı tarazlıq

Yorğunluq təsiri

Mənbə radiologiya ədəbiyyatında növbə, iş növbəsi, hal həcmi və mürəkkəb halların diaqnostik performans üzərində yorğunluq təsirlərini göstərən tədqiqatlara əsaslanır. Daha çox qeyri-müəyyən hal oxumağın koqnitiv yükü yüksəldərək yorğunluğu artıra biləcəyi irəli sürülür.

Bu vəziyyət günün irəliləyən saatlarında yaranan performans azalması ilə də qarşılıqlı təsir göstərə bilər. Beləliklə AI hal sayını azaldarkən iş günündə hər bir halın zehni xərcini artıra bilər.

Rule-Out Nisbəti Artıqca İnsan Faktorlarının Əhəmiyyəti Dəyişirmi?

Mənbənin nəticəsinə görə bəli. AI iş yükünün yalnız kiçik hissəsini, məsələn təxminən %5-ni çıxarırsa, hal paylanmasında və radioloqun iş kontekstində dəyişiklik nisbətən məhdud ola bilər. Buna qarşılıq iş siyahısının %50 və ya %90 kimi böyük hissəsi ələndikdə qalan nümunənin prevalansı, çətinlik səviyyəsi və AI seçimi ilə bağlı gözləntilər çox daha aydın şəkildə dəyişə bilər.

Beləliklə rule-out faizi yalnız “neçə hal avtomatlaşdırıldı?” metriyi deyil. Eyni zamanda insanın qarşılaşacağı yeni iş mühitinin nə qədər fərqlənəcəyini müəyyən edən dizayn dəyişənidir.

İşin Metodu və Nəticələri

Tədqiqat dizaynı

Bu məqalə yeni eksperiment və ya retrospektiv görüntü-data analizi deyil. Müəlliflər AI rule-out tətbiqinin radioloq davranışına mümkün təsirlərini mövcud insan-faktorları, radiologiya, koqnitiv psixologiya və medikoleqal ədəbiyyatı bir araya gətirərək konseptual çərçivədə araşdırırlar.

Beləliklə məqalənin dörd əsas başlığı birbaşa bu səkkiz səhifəlik işdə eksperimental olaraq ölçülmüş təsir böyüklükləri deyil. Bəziləri əvvəlki eksperimentlərdən dəstək alır, rule-out kontekstinə tətbiqləri isə müəlliflərin konseptual nəticəsidir.

Dörd əsas insan-faktoru mexanizmi

Mənbənin əsas nəticəsi

AI rule-out sistemlərinin klinik təsiri yalnız alqoritmin həssaslıq, spesifiklik və iş yükünü azaltma nisbətlərindən çıxarıla bilməz. Sistem iş siyahısının quruluşunu dəyişdirdikdə, radioloqun qərar verdiyi psixoloji və statistik konteksti də dəyişdirir.

Buna görə tətbiqdən sonra insan davranışının sabit qalacağını fərz etmək risklidir.

Yanlış-müsbətlər haqqında istiqamətli hipotez

Məqalə dörd mexanizmin bir çoxunun xüsusilə yanlış-müsbət qiymətləndirmələri artıra biləcəyini proqnozlaşdırır. Yüksək prevalans, AI-nin “bu hal diqqət tələb edir” siqnalı və yanlış-mənfinin hüquqi xərci eyni istiqamətdə qərar meyarını daha həssas edə bilər.

Lakin müəlliflər bunun yalnız mənfi nəticə yaratmaya biləcəyini açıq bildirirlər. Daha yüksək həssaslıq və şübhə səviyyəsi bəzi həqiqi-müsbət halların aşkarlanmasını da artıra bilər. Buna görə rule-out-dan sonrakı performansın xalis təsiri empirik olaraq ölçülməlidir.

İşin göstərmədiyi şey

Bu iş müəyyən rule-out faizinin klinik olaraq optimal olduğunu müəyyən etmir. %5, %25, %50 və ya %90 rule-out üçün real dünyada insan davranışının nə qədər dəyişəcəyinə dair yeni ölçmə aparmır. Müəyyən AI məhsulunu qiymətləndirmir və hər hansı istehsalçının cihazının klinik təhlükəsizliyini təsdiqləmir.

Həmçinin dörd mexanizmin hər xəstəxana, hər görüntüləmə növü və hər radioloqda eyni böyüklükdə baş verəcəyini göstərmir. Mənbə açıq şəkildə təsirin rule-out səviyyəsindən və ehtimal ki radioloqlar arasındakı fərdi fərqlərdən asılı ola biləcəyini qəbul edir.

İnsan-AI sistem performansının əsas problemi

Məqalənin ən mühüm nəticələrindən biri belə ümumiləşdirilə bilər:

AI-nin müstəqil performansı + radioloqun AI-dən əvvəlki performansı = AI-dən sonrakı real klinik sistem performansı deyil.

Çünki AI yalnız qərar vermir; radioloqun qarşısına hansı halların gələcəyini və radioloqun bu hallar haqqında nə bildiyini də müəyyən edir.

Tətbiq dizaynı baxımından nəticə

Mənbənin müzakirəsi göstərir ki, rule-out sistemləri qiymətləndirilərkən alqoritmik metriklərə əlavə olaraq qalan halların prevalansı, yanlış-müsbət və yanlış-mənfi paylanması, radioloqun AI seçimini bilib-bilməməsi, AI çıxışının necə təqdim olunması, qeydlərin medikoleqal görünürlüğü, qalan halların çətinliyi və növbə boyunca koqnitiv yorğunluq da qiymətləndirilməlidir.

Bunlar bu preprintdə tamamlanmış klinik tətbiq protokolu şəklində sınaqdan keçirilməyib; müəlliflərin gələcək tətbiq və araşdırmalar üçün vurğuladığı insan-faktoru sahələridir.

Mənbə və Metod Qeydi

Özgün başlıq: Human Factors Considerations when using Rule-out Devices

Müəlliflər: Grayson L. Baird, PhD; Micheal H. Bernstein, PhD; Maggie Chung, MD; Elizabeth Krupinski, PhD.

Məsul müəllif: Grayson L. Baird.

Qurumlar: Radiology Human Factors Lab, Department of Radiology, The Warren Alpert Medical School, Brown University and Brown University Health; Department of Radiology and Biomedical Imaging, University of California San Francisco; Department of Radiology and Imaging Sciences, Emory University School of Medicine.

Mənbə növü: Konseptual icmal / insan faktorları qiymətləndirməsi.

Platforma: SSRN.

SSRN Abstract ID: 6926646.

DOI: 10.2139/ssrn.6926646.

Date Written: 10 İyun 2026.

SSRN-də yayımlanma: 15 İyun 2026.

Səhifə sayı: 8.

Hakemlik: Mənbə açıq şəkildə rəyçi qiymətləndirməsindən keçmədiyini bildirir.

Etik status: SSRN qeydi “Not Human Subjects Research” kimi göstərir.

İşin maliyyələşdirilməsi: Bu iş maliyyələşdirilməyib.

Maggie Chung üçün bildirilən dəstəklər: National Institutes of Health, Radiological Society of North America Research Scholar Grant və Breast Cancer Research Foundation.

Maraqlar toqquşması: Maggie Chung, Voio Inc.-in səhmdarıdır; əlaqənin təqdim edilən işlə əlaqəsiz olduğu bəyan edilib. Digər müəlliflər maraqlar toqquşması bildirmirlər.

Müəllif töhfələri

Maggie Chung məqalənin yazılmasına töhfə verib. Micheal H. Bernstein və Elizabeth Krupinski konseptuallaşdırma və yazılmaya töhfə verib. Grayson L. Baird konseptuallaşdırma və yazılmaya töhfə verib. Mənbəyə görə bütün müəlliflər son mətni oxuyub və təsdiqləyiblər.

Sübut səviyyəsi haqqında qeyd

Məqalənin özü yeni klinik təsir böyüklükləri yaratmır. Məsələn, %0,76-dan %2,21-ə prevalans artımı əvvəlki Bernstein və əməkdaşları işindən, AI xəbərdarlığının radioloq qərarını dəyişdirməsi isə yenə əvvəlki insan-eksperimentlərindən götürülüb. Məqalənin özgün töhfəsi bu və digər sübutları rule-out iş axını üçün dörd komponentli insan-faktorları çərçivəsində birləşdirməsidir.

Klinik şərh sərhədi

Bu iş klinik təlimat deyil və müəyyən pasiyentlərdə görüntüləmə, biopsiya və ya izləmə qərarı vermək üçün istifadə edilməməlidir. Araşdırılan mövzu səhiyyə sistemlərinin və radiologiya şöbələrinin AI iş axınlarını dizayn edərkən nəzərə almalı olduqları insan-faktoru mexanizmləridir.