Umělá inteligence v radiologii: co dnes umí a kde jsou její limity

Koncem roku 2025 americký Úřad pro kontrolu potravin a léčiv (FDA) schválil tisící nástroj využívající umělou inteligenci pro radiologii. Švédská randomizovaná studie MASAI prokázala, že umělá inteligence v mamografickém screeningu zvyšuje záchyt karcinomů o 29 % při současném snížení čtenářské zátěže radiologů téměř na polovinu. V Litvě autonomní systém společnosti Oxipit generuje finální popisy normálních rentgenových snímků hrudníku zcela bez účasti lékaře. V České republice testuje startup Carebot svůj systém v nemocnicích sítě AGEL.

Současně řada radiologů popisuje frustraci ze systémů, které generují příliš mnoho falešných alarmů a které „vidí“ patologie tam, kde žádné nejsou. Tato frustrace je často oprávněná — ale problém zpravidla není v umělé inteligenci jako takové, nýbrž v tom, že konkrétní pracoviště používá zastaralý systém odpovídající technologické úrovni roku 2018.

Tento článek vysvětluje, jak umělá inteligence v radiologii funguje, jaké jsou rozdíly mezi jednotlivými přístupy, co dnes systémy reálně umějí a kde zůstávají jejich limity — bez odborného žargonu z informatiky, jazykem klinické praxe.

V radiologické praxi dnes existují dva zásadně odlišné přístupy. Jejich pochopení je klíčové pro to, aby radiolog dokázal posoudit, co od konkrétního systému může očekávat.

Většina dnes klinicky nasazených nástrojů v radiologii patří do této kategorie. Jde o systémy navržené a natrénované na jednu konkrétní úlohu: najít frakturu na rentgenu, detekovat plicní embolii na CT angiografii, změřit objem nádoru na magnetické rezonanci.

Princip fungování si lze představit na analogii s rentgenologickým atlasem. Představte si, že byste rezidentovi ukázali dvě stě tisíc rentgenových snímků hrudníku a u každého řekli: „tady je pneumotorax“ nebo „tady pneumotorax není“. Po čase by rezident začal rozpoznávat vzor — oblast bez plicní kresby oddělená viscerální pleurální linií. Neuronová síť dělá totéž, jen místo vizuálního vnímání používá matematické operace nad obrazovými body.

Síť zpracovává obraz postupně, vrstvu po vrstvě. Nejnižší vrstvy detekují jednoduché vzory — hrany, přechody jasu, textury. Střední vrstvy skládají tyto vzory do složitějších struktur — obrys žebra, kontura srdečního stínu, textura plicního parenchymu. Nejvyšší vrstvy rozpoznávají celé patologické vzory a jejich vztahy. Výstupem je číslo — pravděpodobnost, že je na snímku přítomna daná patologie (například: „pneumotorax: 94 %”), případně segmentační maska (přesný obrys léze) nebo lokalizační rámeček.

Klíčová vlastnost těchto systémů: nedisponují žádným klinickým kontextem. Neznají věk pacienta, anamnézu, laboratorní výsledky. Nevědí, proč bylo vyšetření indikováno. Nedokáží formulovat diferenciální diagnostiku ani doporučení. Jsou to extrémně přesné rozpoznávače vzorů — nic víc, nic méně.

Tento přístup reprezentují systémy jako Med-Gemini (Google), RadFM nebo CheXagent (Stanford). Na rozdíl od specializovaných detektorů jde o modely, které zpracovávají současně obraz i text a generují volné textové výstupy — celé radiologické zprávy, odpovědi na klinické otázky, diferenciální diagnostiku.

Princip fungování je zásadně odlišný. Tyto modely se naučily ze stovek milionů radiologických zpráv, učebnic, vědeckých článků a dvojic obraz–popis. Nebyly trénovány na jednu úlohu, ale na obecné porozumění vztahům mezi medicínskými obrazy a klinickým textem.

Když takový model dostane rentgenový snímek hrudníku a otázku „Popiš nálezy a navrhni další postup“, nedává jen číslo. Produkuje souvislý klinický text:

„Na PA snímku hrudníku je patrné homogenní zastření v levém kostofrenickém úhlu s konkávním horním ohraničením, odpovídající levostrannímu pleurálnímu výpotku středního rozsahu. Srdeční stín je v normě. Doporučení: korelace s klinickým stavem, při suspekci na exsudát zvážit diagnostickou hrudní punkci pod ultrazvukovou kontrolou.“

Nejde o pouhé řetězení pravděpodobných slov. Z tréninku na obrovském množství dat se ve vnitřních reprezentacích modelu formují struktury, které kódují vztahy mezi patologiemi, anatomií a klinickým kontextem — nikdo je tam explicitně nevložil, ale model se je musel naučit, aby dokázal generovat správné výstupy. Odborná komunita tento jev označuje jako emergenci — ze zdánlivě jednoduchého trénovacího procesu vznikají schopnosti, které proces přímo nepředepisoval.

Studie publikovaná v Nature Medicine ukázala, že zprávy generované jedním z těchto modelů (Flamingo-CXR) hodnotili certifikovaní radiologové u 77,7 % ambulantních rentgenových snímků hrudníku jako srovnatelné nebo lepší oproti zprávám od lidských kolegů.

Specializovaný detektor (konvoluční neuronová síť) detekuje konkrétní patologii. Výstupem je číslo (pravděpodobnost) a lokalizace. Zvládá jednu až několik úloh. Klinický kontext neintegruje. Na trhu existují stovky schválených produktů (FDA i CE). Typickou chybou je falešný alarm, který je snadno měřitelný. Rychlost zpracování se pohybuje v řádu milisekund.

Velký multimodální model interpretuje obraz v kontextu. Výstupem je volný text — zpráva, doporučení, diferenciální diagnostika. Zvládá desítky až stovky úloh. Integruje anamnézu a laboratorní nálezy. K únoru 2026 nemá téměř žádná regulační schválení. Typickou chybou je halucinace — fakticky nesprávný, ale přesvědčivě znějící text, obtížně rozpoznatelný. Rychlost zpracování se pohybuje v řádu sekund.

V klinické praxi roku 2026 jsou reálně nasaditelné pouze specializované detektory — mají regulační schválení a prokázanou bezpečnost. Multimodální modely jsou budoucností, ale zatím převážně ve fázi výzkumu a pilotních projektů.

Pochopení trénovacího procesu pomáhá vysvětlit, proč některé systémy fungují dobře a jiné ne.

Proces připomíná výuku rezidenta pod přísným dohledem, kde ale mentor nikdy nevysvětluje proč, pouze ukazuje co.

Příprava dat. Radiolog projde tisíce až statisíce snímků a u každého označí diagnózu. U detekčních úloh navíc ohraničí patologii rámečkem, u segmentačních úloh obkreslí přesný obrys léze. Toto je nejdražší a nejčasově náročnější fáze — anotace jednoho CT vyšetření prostaty trvá kolem třiceti minut.

Učení. Síť dostane snímek, provede predikci a porovná ji se správnou odpovědí od radiologa. Na základě rozdílu mezi predikcí a realitou se upraví vnitřní parametry sítě tak, aby příště chybovala méně. Tento proces se opakuje milionkrát přes celý datový soubor.

Validace. Natrénovaný model se testuje na snímcích, které nikdy předtím neviděl, ideálně z jiných nemocnic a přístrojů. Teprve zde se ukáže, zda se model naučil rozpoznávat skutečnou patologii, nebo jen specifické artefakty jednoho pracoviště.

Klíčová poučka: kvalita systému závisí na kvalitě a rozsahu trénovacích dat. Model trénovaný na deseti tisících snímcích z jedné nemocnice bude výrazně horší než model trénovaný na milionu snímků ze stovky center.

Proces je zásadně odlišný. Tyto modely se neučí z ručně anotovaných dat, ale z obrovského množství existujících dvojic obraz–zpráva — milionů radiologických zpráv již napsaných lidskými radiology, učebnic a vědeckých článků.

Model se učí dvěma způsoby současně. Za prvé, ze samotného textu: dostane začátek radiologické zprávy a učí se předpovídat, co bude následovat. Za druhé, z propojení obrazu a textu: učí se, že konkrétní vizuální vzor na snímku odpovídá konkrétnímu popisu ve zprávě. Po tréninku na miliardách takových příkladů model zvnitřní vztahy mezi vizuálními vzory, anatomií, patologií a klinickým kontextem.

Zásadní rozdíl oproti specializovaným detektorům: model nepotřebuje ruční anotace od radiologa (ty jsou drahé a pomalé), ale využívá existující zprávy napsané v rámci běžné klinické praxe. Daní za to je enormní výpočetní náročnost — trénink trvá týdny až měsíce na stovkách specializovaných procesorů a stojí miliony dolarů.

Rentgen hrudníku je nejprozkoumanější oblastí. V Evropě existuje přes 170 komerčních produktů s certifikací CE pro tuto modalitu.

Klinicky validované schopnosti zahrnují detekci pneumotoraxu, pleurálního výpotku, konsolidací, plicních uzlů, kardiomegalie, fraktur žeber a dalších patologií. Nejvšestrannější systém Annalise.ai detekuje 124 různých nálezů na jediném rentgenu hrudníku. Studie na dvaceti tisících případech prokázala, že asistence umělé inteligence zvýšila senzitivitu radiologů o 26 procentních bodů u pneumotoraxu, o 14 u konsolidací a o 12 u plicních uzlů. Průměrná doba čtení přitom klesla o třetinu.

Pro detekci fraktur na rentgenech skeletu dosahuje systém Gleamer BoneView přesnosti 97 % se schválením FDA pro dospělé i dětské pacienty starší dvou let.

Plicní embolie. Aidoc dosahuje senzitivity 93 % a specificity 96 % na CT angiografii. Avicenna.AI reportuje plochu pod křivkou (AUC) 0,92 na multicentrické validaci.

Cévní mozková příhoda. Viz.ai (první produkt schválený FDA specificky pro detekci uzávěru velké mozkové cévy) vykazuje senzitivitu 96 % a specificitu 94 % podle dat výrobce. V reálném provozu je senzitivita kolem 91 %, specificita 88 %. RapidAI, nasazený ve více než 1 800 nemocnicích, dosahuje senzitivity 90–96 % pro okluze segmentu M1 a vnitřní karotidy.

Plicní uzly. Senzitivita umělé inteligence je 86–98 % (vyšší než u radiologů: 68–76 %), specificita 77–87 % (nižší než u radiologů: 87–92 %). Největší přidanou hodnotou je tedy záchyt uzlů, které by radiolog přehlédl — za cenu vyššího počtu falešně pozitivních nálezů.

Karcinom prostaty. Studie PI-CAI publikovaná v Lancet Oncology (10 207 vyšetření, 62 radiologů ze 45 center ve 20 zemích) prokázala, že systém umělé inteligence překonává radiology v detekci klinicky významného karcinomu: AUC 0,91 versus 0,86. Systém detekoval o 6,8 % více klinicky významných nádorů při stejné specificitě a současně snížil počet falešně pozitivních nálezů o 50 %.

Nádory mozku. Nejlepší segmentační systémy na soutěži BraTS 2025 dosahují Diceova koeficientu 93 % pro celý nádor — překryv předpovězené a skutečné segmentace je tedy téměř dokonalý.

Srdeční magnetická rezonance. Umělá inteligence automatizuje měření ejekční frakce, analýzu deformace myokardu a segmentaci srdečních struktur.

Studie MASAI představuje nejrobustnější důkaz pro přínos umělé inteligence v radiologii. Jde o randomizovanou kontrolovanou studii zahrnující více než 105 000 žen ve švédském národním screeningovém programu, jejíž výsledky byly postupně publikovány v Lancet Oncology (2023), Lancet Digital Health (2025) a The Lancet (2026).

Klíčové výsledky: asistence umělé inteligence vedla k nárůstu záchytu karcinomů o 29 % bez významného zvýšení falešně pozitivních výsledků. Současně se snížil počet nutných čtení o 44 %. Plné výsledky studie publikované v lednu 2026 navíc prokázaly, že počet intervalových karcinomů (nádorů diagnostikovaných mezi dvěma screeningovými koly) klesl o 12 %, přičemž agresivních intervalových nádorů ubylo o 27 %.

Jednoduše řečeno: umělá inteligence v mamografii umožňuje najít více nádorů s menší prací a bez zbytečného zneklidňování zdravých žen.

Žádný systém nenahrazuje klinický úsudek radiologa. Umělá inteligence nevidí pacienta, nezná jeho příběh, nemůže klást doplňující otázky. Nedokáže vyhodnotit, zda je nález klinicky relevantní v kontextu celkového stavu pacienta. Nemůže převzít zodpovědnost za diagnózu.

Posun datové distribuce — nejčastější příčina selhání. Model natrénovaný na datech z jedné nemocnice nebo jednoho typu přístroje může výrazně selhat na jiném pracovišti. Studie prokázaly, že 81 % z 86 testovaných algoritmů vykazuje sníženou přesnost na externích datových souborech, přibližně čtvrtina zažívá pokles o 10 a více procentních bodů.

Populační zkreslení. Modely systematicky podhodnocují diagnózy u černošských pacientů na rentgenech hrudníku a obecně vykazují nižší přesnost u populací, které byly nedostatečně zastoupeny v trénovacích datech. Algoritmy vyvinuté pro dospělé nefungují spolehlivě u dětí.

Vzácné a atypické prezentace. Umělá inteligence exceluje u typických nálezů, ale selhává u vzácných prezentací, které v trénovacích datech viděla málo nebo vůbec. Zkušený radiolog na tomto poli stále jednoznačně vítězí.

Jeden z nejznepokojivějších výzkumných nálezů: nesprávné návrhy umělé inteligence zhoršují výkon všech radiologů, včetně vysoce zkušených.

Studie publikovaná v Radiology (2023) testovala 27 radiologů na 50 mamogramech. Když systém navrhl nesprávné hodnocení BI-RADS, zhoršil se výkon všech radiologů bez výjimky — a to i těch s dvacetiletou praxí. Analýza téměř tří tisíc rozhodnutí 92 radiologů potvrdila, že lékaři mají tendenci následovat návrhy umělé inteligence bez ohledu na jejich správnost.

To je paradox umělé inteligence v radiologii: systém, který má radiologovi pomáhat, může za určitých okolností jeho výkon zhoršit, pokud radiolog ztratí kritický odstup. Z toho plyne praktické doporučení: nejprve si vytvořte vlastní nález, teprve pak se podívejte na výstup systému.

Obecné modely jako GPT-4V vykazují v radiologické diagnostice přesnost pouhých 8–37 % — výrazně pod úrovní průměrného radiologa. Specializované modely (Med-Gemini, CheXagent) jsou podstatně lepší, ale stále nedosahují úrovně potřebné pro autonomní diagnostiku.

Zásadním problémem je halucinace — model může produkovat klinicky věrohodný, ale fakticky nesprávný popis. Na rozdíl od falešného alarmu specializovaného detektoru (který radiolog snadno identifikuje, protože jde o rámeček okolo normální struktury) je halucinace zabalena do přesvědčivě znějícího odborného textu. Právě proto je klíčové, aby každý výstup prošel kritickým posouzením radiologa.

K únoru 2026 nemá žádný multimodální jazykový model regulační schválení pro autonomní radiologickou diagnostiku.

Ne všechny systémy jsou si rovné. Technologický pokrok v tomto oboru je natolik rychlý, že systém starý pět let odpovídá zcela jiné technologické úrovni než současná špička. Pro radiologa, který hodnotí přínos umělé inteligence na základě vlastní zkušenosti, je zásadní vědět, kterou generaci používá.

Tyto systémy vznikaly jako první klinické aplikace hlubokého učení. Typicky šlo o jednoduchý klasifikátor natrénovaný na jednom datovém souboru z jedné nemocnice (obvykle méně než 50 000 snímků) pro detekci jedné až tří patologií. Model se od svého nasazení neaktualizoval.

Typická přesnost: senzitivita 70–85 %, specificita 60–80 %. Při změně přístroje nebo pracoviště výkon dramaticky klesá. Falešných alarmů je tolik, že vedou k „únavě z alarmů“ — radiolog je začne ignorovat, čímž systém ztrácí smysl. Vysvětlitelnost je nulová — systém nedokáže ukázat, proč rozhodl tak, jak rozhodl.

Pokud vaše zkušenost odpovídá tomuto popisu, s vysokou pravděpodobností používáte systém první generace.

Současný standard klinicky nasazených systémů. Představitelé: Aidoc, Viz.ai, Lunit, Annalise.ai, Gleamer, Qure.ai. Trénováno na stovkách tisíc až milionech snímků z mnoha center. Vícepatologická detekce. Certifikace FDA nebo CE MDR na základě klinických studií. Vizuální vysvětlení (teplotní mapy, ohraničující rámečky — radiolog vidí, kam se model „dívá”). Průběžné aktualizace modelu u cloudových řešení.

Typická přesnost: senzitivita 88–97 %, specificita 85–96 % podle typu patologie. Robustní výkon napříč různými přístroji a populacemi.

Základní (fundační) modely a multimodální systémy. Jeden model zvládá desítky úloh. Integruje obraz, text i klinický kontext. Generuje zprávy a odpovídá na otázky. V lednu 2026 získal systém Aidoc CARE jako první základní model schválení FDA pro 14 abdominálních indikací na CT s průměrnou senzitivitou 97 % a specificitou 98 %.

Položte si (nebo oddělení informačních technologií) tyto otázky.

Kolik patologií systém detekuje? Pokud jednu až tři, jde pravděpodobně o první generaci. Pokud deset a více, jde o druhou. Pokud generuje textový popis nálezů, jde o třetí.

Ukazuje systém, proč rozhodl? Pokud ne (pouze ano/ne výstup bez vizualizace), jde o první generaci. Teplotní mapy a ohraničující rámečky odpovídají druhé. Textové vysvětlení třetí.

Aktualizuje se model? Pokud byl nasazen před lety a od té doby nebyl aktualizován, výkon pravděpodobně neodpovídá současným možnostem.

Má platnou certifikaci? Schválení FDA 510(k) nebo certifikace CE MDR odpovídá druhé a třetí generaci. Starší certifikace CE podle původní směrnice MDD naznačuje starší produkt.

Jak reaguje systém na snímky z jiného přístroje? Pokud po výměně rentgenu nebo CT zaznamenáte výrazné zhoršení výkonu, jde o příznak nedostatečně robustního modelu.

Aidoc (Izrael) je v současnosti nejkomplexnější platforma. Přes 30 schválení FDA, nasazení ve více než 1 600 nemocnicích. Pokrývá CT hlavy (nitrolební krvácení, cévní mozková příhoda), CT hrudníku (plicní embolie), CT břicha (14 akutních abdominálních indikací) a rentgen (krční páteř). V lednu 2026 získal jako první výrobce schválení FDA pro klinický základní model (CARE).

Viz.ai (USA) se specializuje na emergentní cévní patologie. Přes 13 schválení FDA, nasazení ve více než 1 400 nemocnicích. Hlavní síla: detekce uzávěru velké mozkové cévy na CT angiografii s automatickým upozorněním intervenčního neuroradiologa — prokazatelně zkracuje dobu od příjezdu k léčbě u iktů.

Lunit (Jižní Korea) dominuje v analýze rentgenu hrudníku a mamografie. INSIGHT CXR dosáhl v přímém srovnání nejvyššího AUC 0,93 pro detekci plicních uzlů, překonávaje všechny ostatní systémy i lidské čtenáře. Více než 3 000 nemocnic ve 40 zemích. Dokumentace: přes 100 recenzovaných vědeckých publikací.

Annalise.ai (Austrálie) vyniká šíří pokrytí: Enterprise CXR detekuje 124 nálezů na rentgenu hrudníku v rámci jedné certifikace CE. Přes 1 000 zařízení celosvětově.

Gleamer (Francie) je specialistou na detekci fraktur. BoneView dosahuje přesnosti 97 % se schválením FDA pro dospělé i dětské pacienty. Přes 2 000 institucí ve 40 zemích. ChestView pokrývá rentgen hrudníku.

RapidAI (USA) je standardem pro emergentní neurozobrazování. CT perfuze a CTA analýza pro ikty. Nasazení ve více než 1 800 nemocnicích. Široce používaný jako triážový nástroj v iktových centrech.

Oxipit (Litva) provozuje celosvětově jediný plně autonomní systém pro radiologii — ChestLink generuje finální zprávy pro normální rentgenové snímky hrudníku bez jakéhokoliv zásahu radiologa. Senzitivita 99,9 %, schopen automatizovat až 40 % případů (až 80 % v primární péči). Certifikace CE třídy IIb. Pilotní nasazení v Norsku, Brazílii a dalších zemích.

Nuance AI Marketplace (nyní součást Microsoftu) integruje aplikace umělé inteligence přímo do reportovacího systému PowerScribe, používaného přibližně v 80 % amerických nemocnic.

GE HealthCare Edison má 115 schválení FDA (nejvíce ze všech výrobců). Zahrnuje AIR Recon DL pro rekonstrukci obrazu magnetické rezonance, Critical Care Suite pro detekci pneumotoraxu a Caption AI pro kardiální ultrazvuk.

Siemens AI-Rad Companion je cloudový asistent integrovaný do platformy syngo.via. Pokrývá plicní uzly, koronární kalcium, vertebrální fraktury, objemovou analýzu mozku a segmentaci prostaty. 86 schválení FDA. Analyzuje snímky od libovolného výrobce CT.

Carebot je český startup se sídlem v Praze a první českou firmou, která získala certifikaci CE MDR třídy IIa pro radiologický nástroj využívající umělou inteligenci. Hlavní produkt Carebot AI CXR analyzuje rentgenové snímky hrudníku. V portfoliu dále nabízí AI Bones (fraktury) a pilotně AI MMG (mamografie). Systém je testován v nemocnicích sítě AGEL (Šumperk, Havířov, Nový Jičín) a v dalších centrech včetně Příbrami.

K září 2025 FDA schválila 1 356 zdravotnických prostředků využívajících umělou inteligenci, z toho 1 039 pro radiologii. Jen v roce 2025 přibylo rekordních 295 nových schválení. Přesto velká část schválených produktů nebyla klinicky testována s lidským operátorem — systematický přehled publikovaný v JAMA Network Open (2025) ukázal, že klinické testování zůstává u radiologických prostředků s umělou inteligencí neobvyklé.

Nařízení o zdravotnických prostředcích (MDR) výrazně zpřísnilo požadavky na systémy s umělou inteligencí. Většina radiologických produktů spadá do třídy IIa nebo IIb. V důsledku regulační zátěže poklesl počet nově certifikovaných produktů na evropský trh — zatímco v roce 2020 bylo nově certifikováno 50 produktů, v roce 2024 to byly pouhé 3.

Od srpna 2027 budou muset zdravotnické prostředky s umělou inteligencí navíc splňovat zákon EU o umělé inteligenci (AI Act), který klasifikuje radiologické systémy jako vysoce rizikové s požadavky na transparentnost, lidský dohled a průběžné sledování.

Státní ústav pro kontrolu léčiv (SÚKL) vykonává dohled nad trhem se zdravotnickými prostředky, ale přímo neschvaluje produkty s umělou inteligencí — to zajišťují notifikované osoby v rámci procesu certifikace CE. Systémy s umělou inteligencí jsou nasazeny ve 23 českých iktových centrech. Dedikovaná úhradová cesta pro umělou inteligenci v radiologii v České republice dosud neexistuje — náklady nesou nemocniční rozpočty nebo inovační granty.

Největší změnou blízké budoucnosti bude přechod od desítek jednoúčelových algoritmů k jednomu univerzálnímu modelu, který zvládne řadu úloh napříč modalitami. Microsoft BiomedParse dokáže segmentovat 64 typů objektů v 9 zobrazovacích modalitách na základě textového pokynu — radiolog napíše „plicní uzel“ a model vrátí segmentační masku. NVIDIA MONAI VISTA-3D segmentuje přes 126 anatomických tříd z CT.

Očekávaný horizont prvních regulačních schválení základních modelů pro širší klinické nasazení je 2026–2028.

Nemocniční síť Northwestern Medicine v USA realizovala první celosvětové klinické nasazení generativní umělé inteligence pro radiologické zprávy. Přes 12 nemocnic, přibližně 24 000 zpráv za pět měsíců (studie publikovaná v JAMA Network Open, 2025): průměrné zlepšení efektivity o 15,5 % (u některých radiologů přes 40 %) bez změny klinické přesnosti. Systém navíc v reálném čase upozorňoval na kritické nálezy jako pneumotorax ještě před revizí radiologem.

Experimentální systémy dokáží autonomně rozložit klinický úkol na dílčí kroky. Například při zadání „vyhodnoť akutní cévní mozkovou příhodu“ může takový systém přistoupit k nativnímu CT, vypočítat skóre ASPECTS, otevřít CT angiografii pro identifikaci okluze, spustit perfuzní analýzu a syntetizovat nálezy do předběžné zprávy. Zatím jde o prototypy, ale směr je jasný.

Technologicky nejzralejší aplikací umělé inteligence v radiologii je rekonstrukce obrazu pomocí hlubokého učení. Komerční řešení od GE, Canonu a Siemensu dosahují 40% snížení šumu na CT oproti tradiční rekonstrukci. Pro magnetickou rezonanci umožňuje GE AIR Recon DL až 86% zkrácení doby snímání. Toto přímo ovlivňuje denní praxi — kratší vyšetření, nižší dávky, vyšší propustnost.

Zjistěte, co používáte. Pokud vás systém frustruje vysokou chybovostí, první krok je zjistit přesný název produktu, verzi a datum poslední aktualizace. Systém z roku 2018 odpovídá technologicky zcela jiné realitě než současný produkt.

Zvažte modernizaci. Rozdíl mezi první a druhou generací je propastný. Pokud váš systém detekuje jednu až tři patologie, nemá vizuální vysvětlení a nebyl aktualizován roky, investice do moderního řešení se typicky vrátí na úspoře času a zlepšené detekci.

Zachovejte kritický odstup. I nejlepší systém chybuje. Nejprve si vytvořte vlastní nález, teprve pak se podívejte na výstup umělé inteligence. Výzkum jednoznačně prokázal, že nesprávné návrhy zhoršují výkon i zkušených radiologů.

Využijte doplňkovost. Umělá inteligence chybuje jinak než radiolog — a právě tato odlišnost je hodnotná. Systém zachytí plicní uzel, který radiolog přehlédne při únavě na noční službě. Radiolog rozpozná atypickou prezentaci, kterou algoritmus nikdy neviděl. Společně jsou prokazatelně lepší než každý zvlášť.

Kalibrujte citlivostní prahy. Pokud systém generuje příliš mnoho falešných alarmů, problém může být v nastavení citlivostního prahu, nikoliv v modelu jako takovém. Většina moderních systémů umožňuje tuto kalibraci — vyšší práh znamená méně alarmů za cenu vyššího rizika přehlédnutí.

Sledujte regulační vývoj. Zákon EU o umělé inteligenci (plně v platnosti od srpna 2027) přinese nové požadavky na transparentnost a lidský dohled. Evropský prostor pro zdravotní data (EHDS) otevře od roku 2031 přeshraniční sdílení medicínských obrazů pro výzkum.

Umělá inteligence v radiologii dosáhla bodu, kdy její ignorování je stejně neracionální jako nekritické přijetí. Důkazy jsou silné: mamografie (o 29 % více zachycených karcinomů ve studii MASAI), prostata (umělá inteligence překonává radiology v AUC ve studii PI-CAI), hrudník (senzitivita radiologů stoupá o 12–26 procentních bodů). Současně zůstávají reálné limity: halucinace multimodálních modelů, automatizační zkreslení, populační zkreslení a dramatické rozdíly v kvalitě mezi generacemi systémů.

Radiolog, který odmítá umělou inteligenci, přichází o prokazatelně účinný nástroj. Radiolog, který jí důvěřuje nekriticky, riskuje zhoršení vlastního výkonu. Optimální pozice je uprostřed: poučené, kritické využívání moderních, regulatorně schválených systémů jako rozšíření vlastního úsudku.

Jak shrnul Curtis Langlotz, prezident RSNA 2024: „Radiologové, kteří využívají umělou inteligenci, nahradí ty, kteří ji nevyužívají.“

Tento článek vychází z veřejně dostupných zdrojů: recenzovaných studií (The Lancet, Lancet Oncology, Lancet Digital Health, Nature Medicine, Radiology, JAMA Network Open), databáze FDA, údajů výrobců a přehledových článků publikovaných v letech 2024–2026. Konkrétní číselné údaje o přesnosti komerčních systémů vycházejí z publikovaných validačních studií; reálná přesnost na konkrétním pracovišti se může lišit v závislosti na populaci, přístroji a nastavení.

Transparentnost tvorby:

Koncepce, struktura a redakční linie článku jsou dílem autora, který vypracoval obsahovou skicu, stanovil klíčové teze a řídil celý proces tvorby. Generativní AI (Claude, Anthropic) byla využita jako technický nástroj pro rešerši, ověřování faktů a rozepsání autorovy předlohy.

Autor výstupy průběžně redigoval, ověřil klíčová zjištění a schválil finální znění. Žádná část textu nebyla publikována bez lidské kontroly. Všechny faktické údaje byly ověřeny proti veřejně dostupným zdrojům uvedeným v textu.

Postup je v souladu s požadavky Čl. 50 Nařízení EU 2024/1689 (AI Act) na transparentnost AI-generovaného obsahu. #poweredByAI