Radiologiyada sun’iy intellektga (AI) asoslangan rule-out tizimlari, patologiya mavjud bo‘lish ehtimoli past bo‘lgan tasvirlash tekshiruvlarini radiologning talqin ro‘yxatidan chiqarib, ish yukini kamaytirishni maqsad qiladi. Bir qarashda bu yondashuv oddiy samaradorlik yutug‘idek ko‘rinadi: AI past xavfli holatlarni saralaydi, radiolog kamroq va klinik jihatdan mazmunliroq holatlarga e’tibor qaratadi. Biroq Grayson L. Baird, Micheal H. Bernstein, Maggie Chung va Elizabeth Krupinski tadqiqoti holatlar sonining kamayishi radiolog qaror qabul qiladigan kognitiv muhitni ham o‘zgartirishini ta’kidlaydi.

Rule-out qo‘llanganda radiolog ko‘radigan holatlar endi umumiy klinik populyatsiyadan taxminan tasodifiy keladigan oqim emas. Patologiya ehtimoli past bo‘lgan holatlarning muhim qismi chiqarib tashlangani uchun radiologga qolgan namuna ichida kasallik prevalensiyasi oshadi. Radiolog, shuningdek, oldidagi holat AI tomonidan qoldirilganini biladi; bu ma’lumot avtomatlashtirish va ankerlash og‘ishini qo‘zg‘atishi mumkin. AI ogohlantirishi bemor yozuvida bo‘lishi yoki keyinchalik huquqiy jihatdan ko‘rinishi, yolg‘on-manfiy qarorning sezilgan xarajatini oshirib, himoyaviy xatti-harakatni kuchaytirishi mumkin. Nihoyat, nisbatan oson haqiqiy-manfiy holatlarning tanlab olib tashlanishi umumiy holatlar sonini kamaytirsa-da, qolgan ish ro‘yxatining o‘rtacha kognitiv qiyinligini oshirishi mumkin.

Mualliflar bu ta’sirlarni to‘rtta inson omili sarlavhasi ostida jamlaydi: prevalensiyani idrok etish, avtomatlashtirish va ankerlash og‘ishi, adaptiv og‘ish va kognitiv yuk. Tadqiqotning asosiy xabari shundan iboratki, AI rule-out tizimlarini faqat algoritm xato darajasi va ish yukini kamaytirish ko‘rsatkichi bo‘yicha baholash yetarli emas. Algoritm ish ro‘yxatini o‘zgartirganda, inson qaror qabul qiluvchisi duch keladigan holatlar taqsimoti, kutilmalar, huquqiy xavf idroki va charchoq profilini ham o‘zgartirishi mumkin. Shu sababli haqiqiy klinik samaradorlik AI va insonning bir-biridan mustaqil samaradorligining oddiy yig‘indisi bo‘lmasligi mumkin.

AI rule-out tizimi nima?

Rule-out yoki triaj tizimi — AI tasvirlash tekshiruvlarini xavf darajasiga ko‘ra ajratib, patologiya mavjud bo‘lish ehtimoli juda past deb baholangan holatlarni radiologning bevosita talqin ro‘yxatidan chiqarishga qaratilgan ish jarayoni. Shu tariqa radiolog kichikroq holatlar guruhini ko‘rib chiqishi mumkin.

Bu yondashuv ayniqsa tasvirlash hajmlarining oshishi, radiolog ishchi kuchiga bosim va klinik samaradorlik ehtiyoji sababli qiziqish uyg‘otadi. Biroq manba rule-out ish ro‘yxatini faqat miqdor jihatidan kichraytirmasligini, balki ish ro‘yxatining statistik va psixologik tuzilishini ham o‘zgartirishini ta’kidlaydi.

AI Rule-Out Radiolog Ko‘radigan Holatlar Taqsimotini Qanday O‘zgartiradi?

An’anaviy skrining ish jarayonida radiolog patologiya ehtimoli asosan tekshirilayotgan populyatsiyaning bazaviy prevalensiyasini aks ettiradigan holatlarga duch keladi. Rule-out tizimida esa past xavfli holatlar tanlab chiqarib tashlangani uchun qolgan ish ro‘yxati ataylab boyitilgan namuna bo‘lib qoladi. Shu sababli radiolog har yangi holatga duch kelganda olib yuradigan boshlang‘ich patologiya ehtimoli endi umumiy populyatsiya prevalensiyasiga teng bo‘lmaydi.

Tasodifiy bo‘lmagan yangi ish ro‘yxati

Manba misol tariqasida skrining markazida ko‘krak bezi saratoni ehtimoli taxminan %0,3 deb faraz qiladi. An’anaviy ish jarayonida radiolog oldiga kelgan har bir yangi skrining tekshiruvi boshlanishida shu bazaviy prevalensiyaga yaqin xavfga ega deb qaralishi mumkin.

AI past xavfli holatlarni olib tashlaganda esa radiolog ko‘radigan yangi holatlar havzasi tanlangan bo‘ladi. Bu tanlovning o‘zi patologiya prevalensiyasini oshiradi va radiologning qaror kontekstini o‘zgartiradi.

%75 rule-out misoli

Maqola Bernstein va hammualliflarining ilgari e’lon qilingan statistik ramkasidan quyidagi misolni keltiradi:

Bu taxminan uch karra prevalensiya oshishi bevosita muhim inson omili muammosini keltirib chiqarishi mumkin. Radiolog vaqt o‘tishi bilan “oldimga kelayotgan holatlarning kattaroq qismi endi anormal” degan kutishni o‘zlashtirishi va qaror mezonini shunga mos ravishda o‘zgartirishi mumkin.

Prevalensiyaning Oshishi Yolg‘on-Musbat Natijalarga Nega Ta’sir Qilishi Mumkin?

Radiologiya va vizual qidiruv adabiyoti nishon prevalensiyasi diagnostik qarorlarga ta’sir qilishi mumkinligini ko‘rsatadi. Rule-out tizimi past ehtimolli holatlarni olib tashlaganda, radiolog ko‘radigan musbat holatlar ulushi oshadi. Manbaning inson omili gipotezasiga ko‘ra radiolog ushbu yangi prevalensiyani o‘rgangan sari ko‘proq tekshiruvni shubhali deb baholashga moyil bo‘lishi va buning natijasida yolg‘on-musbat baholashlar ortishi mumkin.

Prevalensiyani idrok etish qaror chegarasini o‘zgartirishi mumkin

Diagnostik qaror faqat tasvirning o‘ziga tayanmaydi. Qaror qabul qiluvchi o‘zi turgan kontekstdan patologiya qanchalik ehtimol ekaniga oid yashirin yoki ochiq kutishni ham shakllantiradi.

Rule-outdan oldin ko‘plab oson normal holatlarni ko‘rgan radiolog bilan AI oldindan tanlagan, shubhali holatlar bilan boyitilgan ro‘yxatni o‘qiyotgan radiolog bir xil tasvirga turli boshlang‘ich kutish bilan yondashishi mumkin.

Shu bois maqola AI faqat holatlarni tasniflamasligini, balki bilvosita inson o‘quvchisi duch keladigan prevalensiya muhitini ham o‘zgartirishini ta’kidlaydi.

Yolg‘on-musbatlar oshishi nega muhim?

Yolg‘on-musbat baholash, aslida patologiyasi yo‘q bemorni qo‘shimcha tasvirlash, biopsiya yoki boshqa kuzatuv tekshiruvlariga qayta chaqirishni anglatishi mumkin. Bu holat sog‘liqni saqlash resurslarini sarflashi va bemorlarda keraksiz xavotir yoki protseduralarga olib kelishi mumkin.

Biroq manba muvozanatli tarzda yana bir muhim jihatni qayd etadi: xuddi shu mexanizmlar faqat yolg‘on-musbatlarni ko‘paytirishi shart emas; yuqori e’tibor yoki shubha darajasi ayrim haqiqiy-musbat holatlarning aniqlanishini ham oshirishi mumkin. Shuning uchun inson omili ta’siri bir tomonlama “ko‘proq xato” tarzida talqin qilinmasligi kerak.

AI Holatni Tanlaganini Bilish Radiolog Qaroriga Ta’sir Qiladimi?

Manbaga ko‘ra, ta’sir qilishi mumkin. Radiolog oldidagi tasvir AI tomonidan “qoldirilgan” yoki yuqori xavfli deb baholangan holat ekanini bilsa, tasvirning o‘zini baholashdan oldin qo‘shimcha ma’lumotga duch keladi. Bu ma’lumot avtomatlashtirish og‘ishi va ankerlash og‘ishi orqali radiolog qarorini AI ko‘rsatgan yo‘nalishga surishi mumkin.

Avtomatlashtirish og‘ishi

Avtomatlashtirish og‘ishi, odamlarning avtomatik tizim tavsiyalariga, boshqa ma’lumotlar bilan zid kelganda yoki tavsiya xato bo‘lganda ham, ortiqcha ustunlik berishi mumkin bo‘lgan moyillikdir.

Rule-out kontekstida muammo ayniqsa yaqqol. Radiolog faqat AI chiqarib tashlamagan holatlarni ko‘rayotganini bilsa, har bir holat tasvir ochilishidan oldin bilvosita quyidagi xabarni tashiydi:

“AI bu holatda baholashga arziydigan xavfni ko‘rdi.”

Bu ma’lumot radiologning mustaqil bahosiga ta’sir qilishi mumkin.

Ankerlash og‘ishi

Ankerlash og‘ishi, qaror qabul qiluvchining dastlab olgan ma’lumotiga haddan tashqari og‘irlik berishidir. AI holatni ish ro‘yxatida qoldirganining o‘zi ham dastlabki anker vazifasini bajarishi mumkin.

Keyingi tasvir belgilari AI ning yashirin signali bilan zid kelsa ham, radiologning qarori boshlang‘ich nuqtadan butunlay uzoqlashishi qiyinlashishi mumkin.

AI xato bo‘lganda inson ham qarorini o‘zgartirishi mumkin

Maqola Bernstein va hammualliflarining ko‘krak qafasi rentgenogrammalarida o‘tkazgan oldingi ko‘p-o‘quvchili pilot tadqiqotini misol sifatida keltiradi. Radiologlarga AI tugunni belgilagan deb aytilganda, AI bo‘lmaganida to‘g‘ri ravishda manfiy deb baholagan ayrim manfiy holatlar uchun kuzatuv tasvirlashini tavsiya qilishga ko‘proq moyil bo‘lishgan.

Bu misol AI ning faqat to‘g‘ri tavsiyalari emas, xato ogohlantirishlari ham inson qarorini ergashtirishi mumkinligini ko‘rsatishi jihatidan muhim.

AI chiqishini ko‘rsatish shakli ham muhim bo‘lishi mumkin

Manba Krupinski va hammualliflarining tadqiqotiga tayangan holda AI ma’lumoti radiologga qanday ko‘rsatilishi ham qaror xatti-harakatini o‘zgartirishi mumkinligini qayd etadi. Masalan, issiqlik xaritasi bilan ehtimollik grafigi bir xil klinik ma’lumotni turli kognitiv shakllarda taqdim etishi va ayrim to‘g‘ri qarorlarni noto‘g‘riga, ayrim noto‘g‘ri qarorlarni esa to‘g‘riga aylantirishi mumkin.

Demak, “AI natijasi ko‘rsatilsinmi?” savoliga qo‘shimcha ravishda “qanday shaklda ko‘rsatilsin?” savoli ham inson omillari dizaynining bir qismidir.

Huquqiy Xavfni Idrok Etish AI dan Keyingi Qarorlarni Qanday O‘zgartirishi Mumkin?

Maqola bu mexanizmni adaptiv og‘ish doirasida muhokama qiladi. Odamlar faqat xatolar sonini kamaytirishga harakat qilmaydi; turli xatolarning narxini ham hisobga oladi. Radiologiyada yolg‘on-manfiy saraton bahosining huquqiy va professional narxi ko‘p hollarda yolg‘on-musbat kuzatuv tavsiyasi narxidan yuqori deb qabul qilinishi mumkin. AI holatni oldindan anormal deb belgilaganining yozuvlarda mavjud bo‘lishi bu asimmetriyani yanada kuchaytirishi mumkin.

Yolg‘on-musbat va yolg‘on-manfiy orasidagi nosimmetrik narx

Mualliflar argumentiga ko‘ra radiolog qaror mezoni xatolar sonini teng kamaytirishga emas, qabul qilinadigan umumiy xarajatni kamaytirishga mos ravishda shakllanishi mumkin.

AI bayrog‘i huquqiy jihatdan ko‘rinadigan bo‘lsa nima o‘zgarishi mumkin?

Manbada keltirilgan oldingi ishda radiologlar AI ogohlantirishi bemor fayliga yoziladi deb o‘ylaganlarida, xuddi shu AI ogohlantirishi yozilmaydi deb o‘ylagan vaziyatga nisbatan manfiy holatlar uchun kuzatuv tasvirlashini tavsiya qilishga ko‘proq moyil bo‘lishgan.

Mualliflar buni quyidagi mexanizm bilan bog‘laydi: Agar holat keyinchalik saraton bo‘lib chiqsa va faylda AI dastlab uni yuqori xavfli deb belgilagani ko‘rinsa, radiolog “AI ham ogohlantirgan edi, nega kuzatmadingiz?” mazmunidagi huquqiy baho og‘irroq bo‘ladi deb o‘ylashi mumkin.

Mock jury va bemor portali tadqiqotlari

Manba yana ikki tadqiqotni ushbu talqin bilan bog‘laydi. Randomizatsiyalangan soxta-hakamlar hay’ati tadqiqotida AI holatni anormal deb belgilagan sharoitda, yolg‘on-manfiy qaror chiqargan radiologga qarshi qaror berish moyilligi AI ishlatilmagan sharoitga qaraganda yuqoriroq bo‘lgan.

Boshqa randomizatsiyalangan gipotetik bemor portali tadqiqotida esa AI holatni to‘g‘ri belgilagan bo‘lsa-da, radiolog yolg‘on-manfiy qaror qilganda, bemorlarning huquqiy yo‘lga murojaat qilish moyilligi xuddi shu xato AI siz sodir bo‘lgan ssenariyga nisbatan ortgani bildirilgan.

Bular haqiqiy malpractice ishlarining natijasini belgilaydigan universal huquqiy qoidalar emas; inson ishtirokchilarining eksperimental ssenariylarga bergan javoblarini ko‘rsatadigan tadqiqot natijalaridir.

Himoyaviy radiologiya xatti-harakati

Bunday sharoitlarda radiolog AI tomonidan qoldirilgan holatlarda kuzatuv chegarasini pasaytirishi mumkin. Bu xatti-harakat potensial yolg‘on-manfiy huquqiy xavfni kamaytirishga urinar ekan, keraksiz kuzatuv va yolg‘on-musbat ko‘rsatkichini oshirishi mumkin.

Shunday qilib, AI bayrog‘ining yozuvlarda ko‘rinishi faqat texnik ma’lumot boshqaruvi masalasi emas, klinitsist xatti-harakatini o‘zgartirishi mumkin bo‘lgan inson omili o‘zgaruvchisidir.

Kamroq Holat O‘qish Kognitiv Yukni Nega Oshirish Mumkin?

Rule-out tizimlarining eng intuitiv foydasi ish yukining kamayishidir. Biroq manba holatlar soni bilan kognitiv ish yuki bir narsa emasligini ta’kidlaydi. Agar AI eng oson normal holatlarning muhim qismini olib tashlasa, radiolog son jihatdan kamroq holat o‘qishi mumkin, ammo qolgan holatlarning o‘rtacha noaniqligi va talqin qilish qiyinligi oshishi mumkin.

Oson haqiqiy-manfiylarning yo‘qolishi

Rule-out algoritmi saraton ehtimoli past bo‘lgan tasvirlarni olib tashlaganda, ularning muhim qismi nisbatan oson haqiqiy-manfiy holatlar bo‘lishi kutiladi.

Buning natijasida qolgan ish ro‘yxatida ko‘proq noaniq, shubhali yoki murakkab holatlar qoladi. Ya’ni:

Kamroq holat ≠ avtomatik tarzda kamroq aqliy kuch.

Holatlar soni bilan holat qiyinligi o‘rtasidagi muvozanat

Charchoq ta’siri

Manba radiologiya adabiyotidagi navbatchilik, smena, holatlar hajmi va murakkab holatlarning diagnostik samaradorlikka charchoq ta’sirini ko‘rsatadigan tadqiqotlarga tayanadi. Ko‘proq noaniq holatlarni o‘qish kognitiv yukni oshirib, charchoqni kuchaytirishi mumkinligi ilgari suriladi.

Bu holat kunning keyingi soatlarida yuzaga keladigan samaradorlik pasayishi bilan ham o‘zaro ta’sir qilishi mumkin. Shunday qilib, AI holatlar sonini kamaytirsa ham, ish kunidagi har bir holatning aqliy xarajatini oshirishi mumkin.

Rule-Out Ulushi Oshgani Sari Inson Omillarining Ahamiyati O‘zgaradimi?

Manba xulosasiga ko‘ra, ha. Agar AI ish yukining faqat kichik qismini, masalan taxminan %5 qismini olib tashlasa, holatlar taqsimoti va radiologning ish kontekstidagi o‘zgarish nisbatan cheklangan bo‘lishi mumkin. Aksincha, ish ro‘yxatining %50 yoki %90 kabi katta qismi chiqarib tashlanganda, qolgan namunaning prevalensiyasi, qiyinlik darajasi va AI tanlovi haqidagi kutishlar ancha yaqqol o‘zgarishi mumkin.

Demak, rule-out foizi faqat “nechta holat avtomatlashtirildi?” metrikasi emas. U inson duch keladigan yangi ish muhitining qanchalik o‘zgarishini belgilovchi dizayn o‘zgaruvchisidir.

Tadqiqotning Usuli va Natijalari

Tadqiqot dizayni

Bu maqola yangi tajriba yoki retrospektiv tasvir ma’lumotlari tahlili emas. Mualliflar AI rule-out qo‘llanilishining radiolog xatti-harakatiga ehtimoliy ta’sirlarini mavjud inson omillari, radiologiya, kognitiv psixologiya va medikolegal adabiyotlarni birlashtirgan konseptual doirada ko‘rib chiqadi.

Shu sababli maqolaning to‘rtta asosiy yo‘nalishi mazkur sakkiz sahifalik ishning o‘zida eksperimental ravishda o‘lchangan ta’sir kattaliklari emas. Ayrimlari avvalgi tajribalardan dalil oladi, ularni rule-out kontekstiga qo‘llash esa mualliflarning konseptual xulosasidir.

To‘rtta asosiy inson omili mexanizmi

Manbaning asosiy xulosasi

AI rule-out tizimlarining klinik ta’sirini faqat algoritmning sezgirligi, spesifikligi va ish yukini kamaytirish ulushlaridan chiqarib bo‘lmaydi. Tizim ish ro‘yxatining tuzilishini o‘zgartirganda, radiolog qaror qiladigan psixologik va statistik kontekst ham o‘zgaradi.

Shuning uchun joriy etilgandan keyin inson xatti-harakati o‘zgarmaydi, deb faraz qilish xavflidir.

Yolg‘on-musbatlar bo‘yicha yo‘nalgan gipoteza

Maqola to‘rtta mexanizmning ko‘pchiligi ayniqsa yolg‘on-musbat baholarni ko‘paytirishi mumkinligini bashorat qiladi. Yuqori prevalensiya, AI ning “bu holat e’tibor talab qiladi” signali va yolg‘on-manfiyning huquqiy narxi bir yo‘nalishda qaror mezonini sezgirroq qilishi mumkin.

Biroq mualliflar bu faqat salbiy natija keltirmasligini ochiq aytadi. Yuqoriroq sezgirlik va shubha darajasi ayrim haqiqiy-musbat holatlarning aniqlanishini ham oshirishi mumkin. Shu sababli rule-outdan keyingi samaradorlikning sof ta’siri empirik ravishda o‘lchanishi kerak.

Tadqiqot nimani ko‘rsatmaydi?

Bu tadqiqot muayyan rule-out foizi klinik jihatdan optimal ekanini aniqlamaydi. %5, %25, %50 yoki %90 rule-out uchun real dunyodagi inson xatti-harakati qanchalik o‘zgarishiga doir yangi o‘lchov bermaydi. Muayyan AI mahsulotini baholamaydi va hech bir ishlab chiqaruvchi qurilmasining klinik xavfsizligini tasdiqlamaydi.

Shuningdek, to‘rtta mexanizm har bir shifoxona, har bir tasvirlash turi va har bir radiologda bir xil kattalikda yuz berishini ko‘rsatmaydi. Manba ta’sir rule-out darajasiga va ehtimol radiologlar o‘rtasidagi individual farqlarga bog‘liq bo‘lishi mumkinligini ochiq tan oladi.

Inson-AI tizimi samaradorligining asosiy muammosi

Maqolaning eng muhim xulosalaridan birini quyidagicha ifodalash mumkin:

AI ning mustaqil samaradorligi + radiologning AI dan oldingi samaradorligi = AI dan keyingi haqiqiy klinik tizim samaradorligi emas.

Chunki AI faqat qaror bermaydi; radiolog oldiga qaysi holatlar kelishini va radiolog bu holatlar haqida nimani bilishini ham belgilaydi.

Joriy etish dizayni uchun xulosa

Manbaning muhokamasi rule-out tizimlarini baholashda algoritmik metrikalarga qo‘shimcha ravishda qolgan holatlar prevalensiyasi, yolg‘on-musbat va yolg‘on-manfiy taqsimoti, radiolog AI tanlovini biladimi-yo‘qmi, AI chiqishi qanday ko‘rsatilishi, yozuvlarning medikolegal ko‘rinuvchanligi, qolgan holatlarning qiyinligi va smena davomida kognitiv charchoq ham baholanishi kerakligini ko‘rsatadi.

Bular ushbu preprintda yakunlangan klinik joriy etish protokoli sifatida sinovdan o‘tkazilmagan; mualliflar kelajakdagi joriy etish va tadqiqotlar uchun ta’kidlagan inson omili yo‘nalishlaridir.

Manba va Usul Haqida Izoh

Asl sarlavha: Human Factors Considerations when using Rule-out Devices

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

Mas’ul muallif: Grayson L. Baird.

Muassasalar: 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.

Manba turi: Konseptual sharh / inson omillarini baholash.

Platforma: SSRN.

SSRN Abstract ID: 6926646.

DOI: 10.2139/ssrn.6926646.

Date Written: 10 Iyun 2026.

SSRNda joylangan: 15 Iyun 2026.

Sahifalar soni: 8.

Taqriz: Manba ochiq ravishda taqrizdan o‘tmaganini bildiradi.

Etik holat: SSRN yozuvi “Not Human Subjects Research” deb ko‘rsatadi.

Tadqiqot moliyalashtirilishi: Ushbu tadqiqot moliyalashtirilmagan.

Maggie Chung uchun ko‘rsatilgan qo‘llab-quvvatlash: National Institutes of Health, Radiological Society of North America Research Scholar Grant va Breast Cancer Research Foundation.

Manfaatlar to‘qnashuvi: Maggie Chung, Voio Inc. aksiyadoridir; bu munosabat taqdim etilgan ish bilan bog‘liq emasligi bildirilgan. Boshqa mualliflar manfaatlar to‘qnashuvini bildirmaydi.

Muallif hissalari

Maggie Chung maqola yozilishiga hissa qo‘shgan. Micheal H. Bernstein va Elizabeth Krupinski konseptuallashtirish va yozishga hissa qo‘shgan. Grayson L. Baird konseptuallashtirish va yozishga hissa qo‘shgan. Manbaga ko‘ra barcha mualliflar yakuniy matnni o‘qib, ma’qullagan.

Dalil darajasi haqida izoh

Maqolaning o‘zi yangi klinik ta’sir kattaliklarini yaratmaydi. Masalan, prevalensiyaning %0,76 darajasidan %2,21 darajasiga oshishi Bernstein va hammualliflarining avvalgi ishidan, AI ogohlantirishining radiolog qarorini o‘zgartirishi esa yana avvalgi inson tajribalaridan olingan. Maqolaning asl hissasi shu va boshqa dalillarni rule-out ish jarayoni uchun to‘rt komponentli inson omillari doirasida birlashtirishdir.

Klinik talqin chegarasi

Ushbu tadqiqot klinik qo‘llanma emas va muayyan bemorlarda tasvirlash, biopsiya yoki kuzatuv qarorlarini qabul qilish uchun ishlatilmasligi kerak. Ko‘rib chiqilgan masala sog‘liqni saqlash tizimlari va radiologiya bo‘limlari AI ish jarayonlarini loyihalashda hisobga olishi kerak bo‘lgan inson omili mexanizmlaridir.