En sık rastlanan kanser olan meme kanserinin taraması standart olarak mamografi ile yapılmaktadır. Meme MR ı ve tomosentez de meme kanseri taramasında günümüzde kullanılmaktadır. Elde edilen imajların yüksek boyutlu ve karmaşık yapısından dolayı değerlendirilmesi zor ve zaman alıcıdır. Radyologların kanser tarama amaçlı imaj okumadaki verimliliğinin ve doğruluğunun artırılması için bilgisayar destekli birçok yazılım geliştirilmiştir.
Derin öğrenme yöntemleri ve konvolusyonel sinir ağı ile geliştirilen yapay zeka sistemlerinin diğer alanlardaki görüntü analizindeki başarıları nedeniyle, radyolojik görüntü analizinde ve mamografi okuma işlemlerinde de yapay zeka sistemleri kullanılmaya başlanmıştır.
Derin öğrenmenin faydalarından birisi sistemin kendi kendisine öğrenebilmesidir; yani insan tarafından görüntü özelliklerinin tanımlanması ve ilgili hesaplamaların bilgisayarlara öğretilmesi yerine derin öğrenme ile bilgisayarlar görüntü özelliklerini kendileri öğrenebilmektedir. Yani derin öğrenme yöntemleri ile görüntü özelliklerinin bilgisayarlara insanlar tarafından öğretilmesinden, bilgisayarların görüntü özelliklerini kendilerinin öğrenmesi aşamasına geçilmiştir.
İlk bilgisayar destekli tanı (Computer Aided Detection-CAD) yazılımları 1990’ların başlarında mamografide meme kanseri tespiti için geliştirilmiştir.
CAD sistemleri mamografide gözden kaçan veya yanlış yorumlanan lezyonların azaltılması için çok önemlidir. Araştırmalar, yapay zekâ destekli CAD' in karar destek aracı olarak kullanmanın radyologlara geleneksel yaklaşımdan daha fazla yardımcı olduğunu göstermiştir. Ayrıca araştırmalar meme radyologlarının, tek başına okumaya kıyasla, yapay zekâ ile geliştirilmiş karar destek sistemi yardımı ile daha yüksek bir teşhis performansına sahip olduğunu vurgulamaktadır.
Yapay zekâ sistemlerinin sınırlamalarını anlamak da önemlidir. Derin öğrenme sistemleri de dahil makine öğrenme sistemleri ancak izole edilmiş görevleri çözme konusunda uzmanlaşabilirken; insan zekâsı çeşitli kaynaklardan ve katmanlardan gelen bilgileri sentez ederek karar vermektedir.
Yapay zekâ kesinlikle radyolojiyi diğer tıbbi alanlardan daha hızlı bir şekilde etkileyecektir. Sadece son birkaç yılda meme görüntülemesi gibi belirli görüntü tanıma görevlerinde insan performansına erişen ve hatta bunları aşan çeşitli uygulamalar geliştirilmiştir. Sıra bu uygulamaların gerekli onay ve hukuki yapının tamamlanması ile günlük rutinde yerini almasındadır.
Gelecekte derin öğrenme temelli yapay zekâ sistemleri meme radyoloğunun günlük rutin işlerindeki verimliliği ve güven seviyesini artırarak, radyologların hastanın kliniğine daha çok yönelmesine olanak sağlayacak zamanı radyologlara kazandıracaktır. Radyologlar gözlerini imajlardan, hastaya yapay zeka uygulamaları ile geliştirilmiş karar destek sistemleri yardımı ile çevireceklerdir. Transpara By Screenpoint Medical