Biz KimizProjeRAD-ORQ AdıProblemlerYenilikçi YönMimariAI EntegrasyonuGüvenlikYol HaritasıCASE / MBSE ↗
AR-GE VE İNOVASYON PROJESİ

Çok Merkezli Tıbbi Görüntüleme Yapay Zekâ Orkestrasyon Platformu

Tıbbi Görüntülemede Akıllı Veri Anlama, Kalite Doğrulama, Dinamik Triyaj ve Yapay Zekâ Entegrasyon Altyapısı

HEDEF PAYDAŞLAR Sağlık Kuruluşları · Radyoloji Birimleri · Üniversiteler · AI Geliştiricileri Klinik kullanım, araştırma ve teknoloji geliştirme ekosistemi
PROJE NİTELİĞİ Sağlık Teknolojileri ve Yapay Zekâ Odaklı Ar-Ge Çok merkezli, ölçeklenebilir ve klinik entegrasyona yönelik yapı
DESTEK EKOSİSTEMİ TÜBİTAK TEYDEB · TÜSEB Ulusal Ar-Ge ve sağlık teknolojileri destek programları
UYUM VE GÜVENLİK KVKK · DICOM · Sağlık Bilişimi Standartları Veri güvenliği, izlenebilirlik ve standartlara uyum odaklı tasarım

RAD-ORQ: Tıbbi Görüntüleme Yapay Zekâsında Yeni Bir Orkestrasyon Katmanı

Günümüzde radyoloji bölümlerinde MR, BT, mamografi, röntgen ve diğer tıbbi görüntüleme yöntemlerinden çok büyük miktarda veri üretilmektedir. Tek bir tetkik içerisinde çok sayıda görüntü, seri ve kesitin bulunması; radyologların ilgili görüntüleri ayıklamasını, doğru inceleme serilerini belirlemesini ve farklı analiz araçları arasında çalışmasını giderek daha karmaşık hâle getirmektedir. Bu durum tanı sürecinde zaman kaybına ve bilişsel iş yükünün artmasına neden olmaktadır.

Sorun yalnızca görüntü sayısının fazla olması değildir. Farklı cihaz üreticileri ve farklı hastane protokolleri, aynı veya benzer görüntüleme işlemlerini farklı isimler, farklı teknik bilgiler ve farklı veri yapılarıyla kaydedebilmektedir. Özellikle MR görüntülemede aynı çekim türünün farklı üreticilerde farklı adlarla tanımlanabilmesi, bazı DICOM bilgilerinin eksik veya güvenilir olmaması ve kurumlara özgü protokol isimlerinin kullanılması, görüntünün yalnızca adına bakılarak güvenilir biçimde tanınmasını güçleştirmektedir.

RAD-ORQ; bu farklılıkları ortak bir yapı içerisinde ele alan, görüntünün yalnızca dosya veya seri adına bağlı kalmadan içeriğini, anatomik bölgesini, teknik bilgilerini ve kalite durumunu birlikte değerlendiren; hangi yapay zekâ analizleri için uygun olduğunu belirleyen ve doğru görüntüyü doğru yapay zekâ modeline veya kurumda hâlihazırda kullanılan analiz yazılımına yönlendiren Çok Merkezli Tıbbi Görüntüleme Yapay Zekâ Orkestrasyon Platformu olarak tasarlanmaktadır.

Proje; uluslararası alanda faaliyet gösteren benzer yapay zekâ orkestrasyon ve tıbbi görüntüleme platformları (Blackford Analysis, Bayer Calantic, Aidoc, DeepHealth) gibi çalışan, ancak yerli ve milli Ar-Ge kaynaklarıyla geliştirilen; farklı hastane ve cihaz altyapılarıyla uyum sağlayabilen, sağlık verisinin kurumun kontrolünde tutulmasını destekleyen ve mevcut hastane sistemleriyle bütünleşebilen bir platform oluşturmayı hedeflemektedir.

RAD-ORQ’un yaklaşımı yalnızca görüntüyü bir yapay zekâ yazılımına göndermekten ibaret değildir. Sistem; görüntünün ne olduğunun anlaşılması, teknik ve kullanım amacına yönelik kalitesinin değerlendirilmesi, hangi analiz için uygun olduğunun belirlenmesi, gerektiğinde farklı görüntülerin hizalanması, uygun model veya yazılımın seçilmesi, işlem kaynaklarının yönetilmesi ve sonuçların tekrar klinik sisteme aktarılması süreçlerini tek ve izlenebilir bir yapı altında birleştirmeyi amaçlamaktadır.

Platform yalnızca proje kapsamında geliştirilen yapay zekâ modelleriyle sınırlı olmayacaktır. Hastanelerde hâlihazırda kullanılan ticari yazılımlar, üniversiteler ve araştırma grupları tarafından geliştirilen akademik modeller ile yeni yerli yapay zekâ çözümleri de tanımlı entegrasyon kuralları üzerinden RAD-ORQ ekosistemine dahil edilebilecektir. Örneğin icobrain, NeuroQuant, RapidAI, Quibim, cvi42 ve benzeri klinik analiz yazılımları uygun entegrasyon profilleri üzerinden RAD-ORQ iş akışına bağlanabilecek; ilgili görüntüler bu sistemlere yönlendirilebilecek ve üretilen analiz sonuçları yeniden RAD-ORQ içerisinde ortak bir sonuç yapısında birleştirilebilecektir. Böylece her yeni yapay zekâ çözümü için baştan ayrı bir hastane entegrasyonu oluşturmak yerine, ortak bir yönlendirme, çalıştırma ve sonuç yönetimi altyapısı sağlanması hedeflenmektedir.

01 / Biz Kimiz

Yapay zekâ, yazılım Ar-Ge’si ve kurumsal bilişim deneyimini aynı proje vizyonunda buluşturuyoruz.

RAD-ORQ; Argeva Bilişim Teknolojileri ile Ege Sistem’in yazılım geliştirme, Ar-Ge, yapay zekâ, sağlık bilişimi, kurumsal entegrasyon ve saha deneyimlerini bir araya getiren ortak çalışma yaklaşımı üzerine kurulmaktadır.

Argeva Bilişim Teknolojileri

Yapay zekâ · İleri Yazılım · Ar-Ge

Argeva; yapay zekâ destekli platformlar, veri analitiği, kurumsal web yazılımları, otomasyon ve dijital dönüşüm uygulamaları geliştiren Ar-Ge odaklı bir teknoloji şirketidir. Akademik bilgi birikimini mühendislik yaklaşımıyla birleştirerek ölçeklenebilir ve ölçülebilir çözümler üretmeyi hedefler.

Yapay zekâVeri analitiğiAr-Ge projeleriTÜBİTAK deneyimi

Ege Sistem

Yazılım · Entegrasyon · Yapay zekâ

Ege Sistem, 1991’den bu yana bilişim alanında faaliyet gösteren; yazılım, sağlık, kamu, üretim, lojistik ve Ar-Ge uygulamalarında deneyim sahibi bir teknoloji şirketidir. İzmir Teknoloji Geliştirme Bölgesi’ndeki Ar-Ge yapılanmasıyla yeni teknolojilerin gerçek iş süreçlerine aktarılmasına odaklanır.

1991’den beri bilişimYapay zekâAr-Ge ProjeleriKamu Projeleri

Gaziantep İslam Bilim ve Teknoloji Üniversitesi

Akademik İş Birliği · Klinik Araştırma · Yapay Zekâ

RAD-ORQ; yalnızca ticari teknoloji geliştirme yetkinlikleriyle değil, güçlü bir akademik ve klinik araştırma zeminiyle büyütülmesi hedeflenen çok paydaşlı bir Ar-Ge platformudur. Bu kapsamda Gaziantep İslam Bilim ve Teknoloji Üniversitesi bünyesinden Doç. Dr. İpek Atik ile tıbbi görüntüleme, klinik gereksinimlerin değerlendirilmesi, bilimsel doğrulama ve akademik araştırma boyutlarında proje kapsamında iş birliği görüşmeleri yürütülmektedir. Üniversitenin ve ilgili akademik ekibin RAD-ORQ’un bilimsel ve klinik doğrulama süreçlerine katkı sağlayabilecek potansiyel akademik iş birliği paydaşlarından biri olarak projede yer alması planlanmaktadır.

Potansiyel Akademik Paydaş Bilimsel Araştırma Akademik İş Birliği
◎

Ortak çalışma modeli

RAD-ORQ; Argeva ve Ege Sistem’in yazılım, yapay zekâ ve sistem entegrasyonu yetkinliklerini; akademik bilgi birikimi, klinik uzmanlık ve teknoloji geliştirme kapasitesiyle aynı çatı altında buluşturan çok paydaşlı bir Ar-Ge ve ürün geliştirme modeli olarak kurgulanmıştır. Yapı; üniversiteler, araştırma grupları, klinik uzmanlar, teknoloji şirketleri ve çözüm ortaklarının katkısıyla derinleşebilen, farklı uzmanlıkları ortak bir hedefte birleştiren ve Türkiye’den doğan güçlü bir sağlık teknolojisi ekosistemi oluşturmayı amaçlayan açık ve genişleyebilir bir iş birliği yaklaşımına sahiptir.

↗

Misyonumuz

Tıbbi görüntüleme verisini doğru analizle buluşturan, mevcut sağlık altyapılarına uyum sağlayan ve yerli yapay zekâ çözümlerinin klinik kullanıma geçişini kolaylaştıran güvenilir bir platform geliştirmek.

✦

Vizyonumuz

Farklı hastaneler, görüntüleme sistemleri ve yapay zekâ çözümleri arasında ortak bir dijital köprü oluşturarak Türkiye’den doğan, çok merkezli ve uluslararası ölçekte kullanılabilir bir sağlık teknolojisi platformu oluşturmak.

02 / Projenin amacı

Tek tek yazılımları değil, bütün görüntüleme-AI iş akışını yönetmek.

RAD-ORQ, farklı tıbbi görüntüleme cihazlarından ve hastane protokollerinden gelen verileri ortak bir akışta ele alır; görüntünün türünü, anatomik bölgesini ve inceleme bağlamını belirler, kalitesini değerlendirir, hangi yapay zekâ analizlerinin uygun olduğunu saptar ve sonucu klinik sisteme geri taşır.

Bir Ortak Platform
Görüntüden sonuca tek yönetim katmanı
Çoklu AI Çözümü
Dahili, kurum içi ve uygun harici modeller
Bağlam Odaklı Karar
Anatomi + çekim türü + kalite + model ihtiyacı
İzlenebilir Karar Zinciri
Veri, kural ve model sürümüne kadar takip
03 / RAD-ORQ adı nereden geliyor?

Kısa, teknik ve akılda kalıcı bir isim: RAD-ORQ.

RAD, projenin radyoloji ve tıbbi görüntüleme alanındaki odağını; ORQ ise görüntülerin, işlerin ve yapay zekâ modellerinin akıllı biçimde orkestre edildiği platform yaklaşımını temsil eder.

RAD-ORQ
Aa

Fonetik ve görsel çağrışım

“Orchestration” kelimesindeki “orch” bölümü “ork” sesine yaklaşır. ORQ biçimi bu sesi kısa, dijital ve marka kimliği güçlü bir yapıda temsil edecek şekilde kurgulanmıştır.

Q

Queue — iş kuyruğu bağlantısı

Orkestrasyon sistemleri görüntüleri ve analiz görevlerini sıralar, önceliklendirir ve uygun işlem kaynağına gönderir. Q harfi yazılım dünyasında “queue / kuyruk” kavramına güçlü bir gönderme yapar.

◇

Marka ve dijital kimlik

ORQ; ORCH veya ORK gibi daha doğrudan kısaltmalara göre kısa, özgün ve dijital ürün ismi olarak ayırt edilebilir bir yapı sunar. Alan adı, ürün ailesi ve marka genişlemesi açısından da esnektir.

RAD-ORQ adı, “radyoloji + orkestrasyon + queue” kavramlarını tek bir marka altında birleştirir: görüntü gelir, bağlamı anlaşılır, doğru analiz sırasına alınır, uygun yapay zekâya yönlendirilir ve sonuç yeniden klinik iş akışına döner.

04 / Problem analizi

Tıbbi görüntüleme iş akışındaki tıkanıklıklar tek bir noktada oluşmuyor.

Farklı cihazlar ve görüntüleme yöntemleri, eksik DICOM bilgileri, değişken görüntü kalitesi, parçalı AI çözümleri ve farklı sonuç biçimleri birlikte değerlendirildiğinde çok katmanlı bir entegrasyon ve karar problemi ortaya çıkıyor.

⌁

Farklı isimlendirmeler

Aynı veya benzer incelemeler farklı cihazlarda ve kurumlarda farklı adlarla, protokollerle veya seri yapılarıyla kaydedilebilir.

Yalnız seri adına dayalı otomatik yönlendirme bu nedenle güvenilir değildir; sistem birden fazla kanıtı birlikte değerlendirmelidir.
Detayı görmek için tıklayın
◫

Eksik / hatalı DICOM bilgisi

Çekimle birlikte gelen bazı alanlar boş, hatalı veya yerel alışkanlıklardan etkilenmiş olabilir.

Tek bir DICOM alanına bağlı kalmak yerine teknik bilgiler, çekim/protokol özellikleri ve gerektiğinde görüntünün kendisi birlikte kullanılmalıdır.
Detayı görmek için tıklayın
≋

Değişken görüntü kalitesi

Hareket, görüntü bozulmaları, çözünürlük ve eksik kapsama AI performansını etkiler.

Aynı görüntü bir analiz için yeterli, başka bir analiz için yetersiz olabilir; bu nedenle kalite kullanım amacına göre değerlendirilmelidir.
Detayı görmek için tıklayın
⌘

Parçalı AI ekosistemi

Beyin, inme, prostat veya kalp çözümleri ayrı entegrasyon ve ayrı işletim yükü doğurabilir.

RAD-ORQ, bu çözümlerin ortak bir entegrasyon, yönlendirme ve izleme katmanı üzerinden yönetilmesini hedefler.
Detayı görmek için tıklayın
⚿

Veri güvenliği

Klinik kullanım ile araştırma amacıyla veri hazırlama aynı kurallara sahip değildir.

Kimliksizleştirme, yetkilendirme, denetim kaydı ve kontrollü dışa aktarım sistematik biçimde ele alınmalıdır.
Detayı görmek için tıklayın
↺

Sonucun kliniğe dönüşü

AI sonucu ayrı bir ekranda kalırsa klinik kullanımı zorlaşır.

Ölçüm, işaretleme ve bölütleme sonuçlarının mümkün olduğunca mevcut PACS/RIS iş akışına geri taşınması gerekir.
Detayı görmek için tıklayın
05 / Konumlandırma

Mevcut çözümleri dışlamayan, onları ortak bir akışta yönetebilen yaklaşım.

RAD-ORQ, her klinik yapay zekâ modelini yeniden geliştirmek zorunda olan kapalı bir sistem olarak değil; kurumda hâlihazırda çalışan ticari yazılımları, proje içinde geliştirilen modelleri, akademik çözümleri ve yeni yerli girişimleri ortak bir iş akışına bağlayabilen genişleyebilir bir platform olarak tasarlanır.

Tek entegrasyon yaklaşımı

Dünya ölçeğindeki görüntüleme AI platformlarında olduğu gibi, amaç her algoritma için ayrı entegrasyon kurmak yerine ortak bir bağlantı katmanı oluşturmaktır.

İlgili analizi tetikleme

Her görüntü her modele gönderilmez; içerik, anatomi, kalite ve kullanım amacı değerlendirilerek yalnız ilgili analizlerin çalıştırılması hedeflenir.

Mevcut iş akışına uyum

Radyoloğun farklı ekranlar arasında geçiş yapması yerine sonuçların mümkün olduğunca mevcut görüntüleme ve raporlama ortamına taşınması amaçlanır.

Merkezi izleme ve yönetişim

Model sürümü, performansı, çalışma durumu, hata kayıtları ve kullanım metrikleri ortak bir yönetim katmanından izlenebilir.

Mevcut yazılım

Hastanede zaten çalışan bir çözüm varsa, uygun görüntü o yazılıma otomatik yönlendirilebilir ve sonuç ortak sisteme alınabilir.

Yeni / yerli model

Üniversite, araştırma grubu veya girişim tarafından geliştirilen model standart bir entegrasyon profiliyle sisteme eklenebilir.

Tek ortak akış

Farklı çözümler için ayrı kullanıcı deneyimi ve bağlantı mantığı yerine ortak yönlendirme, kayıt ve sonuç yönetimi hedeflenir.

06 / Yenilikçi yön

Fark, tek bir modelde değil; kararların birlikte ve bağlama göre verilmesinde.

01

Çoklu kanıtla görüntüyü anlama

Seri veya inceleme adı tek başına yeterli kabul edilmez; DICOM bilgileri, görüntüleme yöntemi, anatomi, çekim/protokol özellikleri ve gerektiğinde görüntü içeriği birlikte değerlendirilir.

02

Kullanım amacına göre kalite

“Görüntü iyi mi?” yerine “Bu görüntü şu analiz için yeterli mi?” sorusuna yanıt üretilir.

03

Modelden bağımsız yönlendirme

Platform, tanımlı giriş-çıkış koşullarına sahip farklı AI yazılımlarını aynı akışta yönetebilir.

04

Mevcut yazılımı sisteme dahil etme

Kurumda çalışan çözümü değiştirmek yerine, doğru görüntünün o yazılıma yönlendirilmesi ve sonucun geri alınması hedeflenir.

05

Gerektiğinde görüntü hizalama

Birden fazla seri veya zaman fazı birlikte analiz edilecekse hizalama yalnız ihtiyaç varsa devreye girer.

06

Belirsizlikte insan kontrolü

Yeterli kanıt yoksa zorla karar verilmek yerine manuel inceleme yolu desteklenir.

07

Ortak sonuç katmanı

Farklı AI çözümlerinden gelen ölçüm, işaretleme ve bölütleme sonuçları hastane iş akışına geri taşınabilir.

08

İzlenebilir karar zinciri

Kararın hangi veri, kural veya model sürümüne dayandığı sonradan takip edilebilir.

07 / Hedef kullanıcılar ve paydaşlar

Teknik bir platform; fakat değeri farklı kullanıcıların aynı akışta buluşmasından geliyor.

✚

Radyologlar

Doğru serilere daha hızlı erişim, uygun AI analizlerinin otomatik devreye alınması ve sonuçların mevcut görüntüleme ortamında görünmesi.

⌁

Radyoloji teknisyenleri

Çekim veya seri sorunlarının daha erken fark edilmesi ve tekrar eden manuel kontrollerin azaltılması.

◫

Hastane bilgi işlem

Birden fazla AI ürününü ayrı ayrı yönetmek yerine ortak entegrasyon, güvenlik, kayıt ve izleme noktası.

⌂

Hastane yönetimi

Yeni yapay zekâ çözümlerinin daha kontrollü devreye alınması, kaynak kullanımının izlenmesi ve ölçeklenebilirlik.

⌬

Üniversiteler ve araştırma merkezleri

Geliştirilen modelleri gerçek hastane akışına daha kolay uyarlama, veri hazırlama ve doğrulama altyapısı.

↗

AI firmaları ve girişimler

Her hastane için entegrasyonu sıfırdan kurmak yerine tanımlı bir model/yazılım bağlantı profili üzerinden sisteme dahil olabilme.

08 / Çözüm yaklaşımı ve sistem mimarisi

Uçtan uca akış; her aşama bir sonraki aşamaya güvenilir bağlam sağlar.

Aşağıdaki adımlara tıklayarak her bileşenin sistem içindeki görevini görebilirsiniz.

CASE Aracı Üzerinde MBSE Modellerini Aç ↗
↓
↓
↓
↓
↓
↓
↓
↓
09 / AI model ve yazılım entegrasyonu

Tek platform, farklı model kaynakları.

Sisteme dahil edilen her yapay zekâ çözümü için hangi görüntüyü istediği, hangi kalite koşullarını kabul ettiği, nerede çalıştığı ve sonucunu nasıl döndürdüğü tanımlanır.

Bir çatı altında farklı klinik yapay zekâ çözümleri

RAD-ORQ’un temel yaklaşımı, her klinik alan için ayrı bir yapay zekâ sistemi geliştirmek değil; farklı uzmanlık alanlarında çalışan mevcut yapay zekâ yazılımlarını ve yeni geliştirilecek modelleri ortak bir orkestrasyon katmanı altında yönetmektir.

Örneğin nörolojide icobrain, NeuroQuant veya BrainReader, akut inme analizinde RapidAI veya Viz.ai, prostat görüntülemede Quantib Prostate veya Lucida Medical, kardiyak görüntülemede ise Circle cvi42 gibi alanına özgü çözümler RAD-ORQ’un entegrasyon yaklaşımı kapsamında değerlendirilebilir.

RAD-ORQ; gelen görüntünün anatomisini, görüntüleme türünü, kalite durumunu ve ilgili yazılımın giriş gereksinimlerini değerlendirerek veriyi uygun çözüme yönlendirir. Analiz tamamlandığında sonuç tekrar ortak sisteme alınır ve mümkün olduğunda hastanenin mevcut PACS/RIS iş akışına geri aktarılır. Böylece farklı üreticilere ait klinik yapay zekâ çözümleri, hastane açısından tek bir yönetim ve entegrasyon katmanı üzerinden çalıştırılabilir.

RAD-ORQ altyapısında çalışan model

Model platformun kendi çalışma ortamında yürütülür. GPU ve işlem kaynakları merkezi olarak planlanır; model sürümü, giriş gereksinimi ve sonuç yapısı kayıt altındadır.

Hastanede zaten kurulu olan AI yazılımı

RAD-ORQ uygun görüntüyü mevcut yazılıma yönlendirir, işlemin durumunu izler ve sonucu ortak iş akışına geri alır. Böylece çalışan çözümü değiştirmeden merkezi yönlendirme yapılabilir.

Üniversite, araştırma grubu veya yerli girişim modeli

Standart bir çalışma paketi ve giriş-çıkış tanımıyla sisteme eklenebilir. Bu yapı, akademik modellerin hastane ortamına geçişini ve çok merkezli doğrulamayı kolaylaştırmayı hedefler.

Kontrollü harici bağlantı

Kurumun veri güvenliği ve hukuki şartları uygun olduğunda harici analiz servisiyle izlenebilir, sınırları tanımlı ve denetlenebilir bir bağlantı kurulabilir.

Gerekli anatomi

Modelin hangi anatomik bölgeyle çalıştığı.

Gerekli görüntü / inceleme türleri

Modelin hangi görüntüleme yöntemi, seri veya görüntü grubuna ihtiyaç duyduğu.

Kalite koşulları

Hareket, kapsama ve çözünürlük gibi kabul sınırları.

Hizalama ihtiyacı

Birden fazla görüntü varsa aynı anatomik uzaya getirilmesinin gerekip gerekmediği.

10 / Ortak platform hizmetleri

Aynı teknik işleri tekrar etmek yerine ortak servisler.

Bu yaklaşım, sistemin farklı bölümlerinde tekrar eden kod ve kural oluşmasını azaltır; yeni bir model veya hastane entegrasyonu eklendiğinde değişikliklerin daha kontrollü yapılmasını sağlar.

DICOM bilgi okuma servisi

DICOM alanlarını ve farklı görüntüleme türlerindeki gerekli teknik bilgileri tek noktadan okur; klinik yorum yapmaz.

Görüntü verisine erişim servisi

Piksel verisine ve görüntü dilimlerine kontrollü ve ortak erişim sağlar.

Kimliksizleştirme ve gizlilik servisi

Araştırma ve dışa aktarım senaryolarında kişisel alanların nasıl işleneceğini yönetir.

Ortak sözlükler

Farklı üretici ve kurum terimlerini ortak anatomi, görüntüleme yöntemi ve inceleme adlarıyla eşleştirir.

Kural ve profil yönetimi

Kalite, yönlendirme ve model kabul koşullarını sürümlü biçimde tutar.

Karar kanıtı ve izlenebilirlik

Bir sonucun hangi veri, kural veya model sürümüne dayandığını kaydeder.

İşlem ve denetim kayıtları

Kim, ne zaman, hangi veriye erişti; hangi model çalıştı; hangi hata oluştu gibi olayları tutar.

Kullanıcı ve yetki yönetimi

Radyolog, teknisyen, yönetici, araştırmacı ve servis hesaplarının yetkilerini ayırır.

Manuel inceleme alanı

Belirsiz veya başarısız durumların uzman tarafından incelenmesini ve gerekirse düzeltilmesini sağlar.

11 / Uçtan uca veri akışı

Tıbbi görüntüden klinik sonuca giden yaşam döngüsü.

1. Kabul

Tıbbi görüntü hastane sisteminden alınır ve teknik olarak kontrol edilir.

2. Anlama

Görüntüleme türü, anatomik bölge ve inceleme bağlamı belirlenir.

3. Kalite

Hareket, kapsama, çözünürlük ve diğer kalite koşulları değerlendirilir.

4. Yönlendirme

Uygun AI modeli veya mevcut yazılım seçilir; gerekirse görüntüler hizalanır.

5. Geri besleme

AI sonucu ortaklaştırılır ve hastane sistemine geri gönderilir.

Örnek: Beyin görüntüleme tetkiki

Sistem aynı tetkik içinde bulunan farklı görüntü ve serileri; örneğin kanama, inme, lezyon, hacim veya damar analizi gibi amaçlara göre ayırabilir. Her analiz farklı bir dahili model veya hastanede mevcut farklı bir yazılım tarafından gerçekleştirilebilir.

12 / Veri güvenliği, KVKK ve yetkilendirme

Güvenlik sonradan eklenen bir özellik değil, başlangıç koşulu.

Klinik / araştırma ayrımı

Klinik kullanım, araştırma ve dışa aktarım için farklı veri işleme politikaları tanımlanır.

Kimliksizleştirme ve takma kimlik

Gerektiğinde kimlik alanları kaldırılır veya kontrollü bir kodla değiştirilir; eşleştirme ayrı korumalı alanda tutulabilir.

Göreve göre yetki

Kullanıcıların yalnız ihtiyaç duydukları verilere ve işlevlere erişmesi hedeflenir.

Aktarım ve saklama güvenliği

Verinin ağ üzerinden taşınırken ve depolanırken korunması tasarımın parçasıdır.

Denetim kayıtları

Kritik erişimler ve işlemler kayıt altına alınır; geriye dönük izlenebilirlik sağlanır.

Veri yaşam döngüsü

Saklama süresi, arşivleme ve güvenli silme politikaları kurum gereksinimlerine göre tanımlanır.

13 / Hastane sistemleriyle entegrasyon

Algoritmanın değeri, klinik iş akışına bağlandığında ortaya çıkar.

PACS

Tıbbi görüntülerin saklandığı, görüntülendiği ve hekimlerin eriştiği görüntü arşivleme ve iletişim sistemidir. RAD-ORQ görüntüleri buradan alabilir ve sonuçları buraya geri gönderebilir.

RIS

Radyoloji iş akışı, randevu ve raporlama bilgilerinin yönetildiği sistemdir. Gerekli senaryolarda tetkik bağlamı ve süreç entegrasyonu için kullanılabilir.

DICOM / DICOMweb

Tıbbi görüntülerin ve ilişkili bilgilerin standart biçimde saklanmasını ve aktarılmasını sağlar. Uygun altyapılarda web tabanlı DICOM servisleri de kullanılabilir.

HL7 / FHIR

Hasta, tetkik, rapor ve klinik süreç bilgilerinin sistemler arasında taşınmasında kullanılan sağlık bilişimi standartlarıdır.

14 / Performans ve işletim

Doğruluk kadar, yoğun hastane trafiğinde güvenilir çalışma da önemli.

Kuyruk ve öncelik

Aynı anda çok sayıda tetkik geldiğinde kontrollü kuyruk yönetimi; acil veya zaman kritik analizlerde kurum tanımlı öncelik.

GPU kaynak yönetimi

İşlem gücü ve bellek modeller arasında paylaşılır; kullanılmayan modeller gereksiz kaynak tüketmez.

Hata yalıtımı

Bir model veya entegrasyon başarısız olduğunda diğer işlemlerin mümkün olduğunca etkilenmemesi hedeflenir.

Güvenli tekrar deneme

Geçici ağ veya servis hatalarında kontrollü tekrar deneme ve işin kaldığı yerden devam edebilmesi.

Ölçeklenebilirlik

Hastane, kurum veya veri merkezi sayısı arttığında mimarinin büyüyebilmesi.

Gözlemlenebilirlik

İşlem süresi, kuyruk uzunluğu, hata oranı ve kaynak kullanımının sürekli izlenmesi.

15 / Doğrulama ve başarı ölçütleri

Başarı, tek bir doğruluk oranından ibaret olmayacak.

Uçtan uca sistem; görüntüyü doğru anlama, kaliteyi doğru değerlendirme, doğru modele yönlendirme, görüntü hizalama, işlem süresi ve entegrasyon güvenilirliği açısından ayrı ayrı ölçülmelidir.

01 Anatomi belirleme Doğru sınıflandırma + güvenli belirsizlik
02 Görüntüleme / protokol türü Farklı görüntüleme yöntemleri ve kapsam içi protokoller
03 Kalite değerlendirmesi Uzman değerlendirmesiyle uyum
04 AI yönlendirme Uygun olmayan seriyi modele göndermeme
05 Görüntü hizalama Anatomik uyum ve başarısız sonucu ayırma
06 İşlem performansı Kabulden sonuca toplam süre ve kaynak kullanımı
07 Çok merkezli genellenebilirlik Farklı kurum, cihaz ve protokollerde performans
08 Entegrasyon güvenilirliği PACS, model çağrısı ve sonuç dönüşü
16 / Ar-Ge niteliği ve özgün değer

Özgün değer; tıbbi görüntüleme verisini yalnız sınıflandırmak değil, güvenilir bir karar zincirine dönüştürmek.

  • DICOM bilgileri, görüntüleme yöntemi ve çekim/protokol özellikleri ile görüntü içeriğinin birlikte yorumlanması.
  • Belirsizlikte zorla sınıflandırma yerine manuel inceleme yolunun desteklenmesi.
  • Kalitenin tek bir puan yerine kullanım amacına göre değerlendirilmesi.
  • Model gereksinimleriyle karşılaştırılarak AI uygunluğu üretilmesi.
  • Görüntü hizalamanın her vakada değil, seçilen analiz gerektiriyorsa çalışması.
  • Farklı AI üreticileri, yerli modeller ve akademik çözümler için ortak entegrasyon profili.
  • Kararların veri, kural ve model sürümü düzeyinde izlenebilirliği.
  • Hastane iş akışı, güvenlik, kaynak yönetimi ve AI çalıştırmanın aynı mimaride ele alınması.
17 / Riskler ve risk azaltma

Riskin görünür olması, güvenilir tasarımın parçasıdır.

Tek bir alana bağımlı karar verilmez; birden fazla bilgi kaynağı ve gerektiğinde görüntü doğrulaması kullanılır.

Bilinmeyen veri zorla mevcut sınıfa atanmaz; manuel inceleme ve sözlük/model güncelleme süreci devreye alınır.

Analiz öncesi kalite ve kapsama kontrolü yapılır; uygun olmayan veri ilgili modele gönderilmez.

Her model için sürümlü giriş gereksinimi profili kullanılır ve yönlendirme kararı kayıt altına alınır.

Rigid, affine ve gerektiğinde deformasyonlu hizalama kontrollü kullanılır; nihai kalite kontrolü başarısızsa manuel inceleme yolu açılır.

Bağlantı sağlık kontrolü, zaman aşımı, tekrar deneme ve model bazlı hata yalıtımı uygulanır.

Kuyruk, önceliklendirme, model yükleme/boşaltma ve kapasite izleme mekanizmaları kullanılır.

Yetki ayrımı, güvenli veri aktarımı, denetim kaydı, kimliksizleştirme ve kurum güvenlik politikalarıyla uyum esas alınır.

18 / Proje aşamaları ve yol haritası

Temel altyapıdan çok merkezli pilot ve ürünleştirmeye.

Faz 1 — Temel altyapı ve veri kabulü

DICOM kabulü, veri bütünlüğü, ortak DICOM bilgi okuma servisi, güvenlik temeli, veri modeli ve ilk entegrasyon altyapısı.

Faz 2 — Tıbbi görüntüyü anlama ve kalite

Görüntüleme türü ve anatomi belirleme, farklı üretici/protokol adlarının ortaklaştırılması, kalite güvence ve manuel inceleme akışları.

Faz 3 — AI yönlendirme, model entegrasyonu ve orkestrasyon

AI model kataloğu, uygunluk profili, dahili/harici adaptörler, kuyruk, öncelik ve GPU kaynak yönetimi.

Faz 4 — Görüntü hizalama ve çoklu seri analizi

Rigid, affine ve gerektiğinde deformasyonlu hizalama; dinamik zaman fazları ve çoklu seri senaryoları; kalite kontrolü.

Faz 5 — Hastane geri besleme ve pilot

DICOM sonuç dönüştürme, PACS/RIS geri besleme, kullanıcı arayüzleri, çok merkezli pilot ve teknik/klinik doğrulama.

Faz 6 — Ürünleştirme, regülasyon ve yaygınlaştırma

Dokümantasyon, kalite yönetimi, siber güvenlik doğrulamaları, tıbbi cihaz mevzuatı değerlendirmesi, ölçekleme ve ticarileştirme hazırlıkları.

İLK KLİNİK ÜRÜN

RAD-NEURO

NeuroMetric
RAD-ORQ ÜRÜN EKOSİSTEMİ

RAD-ORQ Ekosisteminin İlk Klinik Ürünü: RAD-NEURO

RAD-ORQ Ekosisteminin İlk Yerli ve Milli Klinik Analiz Modülü

RAD-ORQ altyapısının kurulmasının ardından, ekosistemin ilk klinik uygulaması olarak RAD-NEURO (NeuroMetric) modülünün devreye alınması hedeflenmektedir. Bu modül; icobrain gibi yabancı nörogörüntüleme analiz yazılımlarına olan dışa bağımlılığın ve döviz maliyetinin azaltılmasına yönelik, yerli ve milli bir klinik görüntü analiz çözümü olarak konumlandırılacaktır.

RAD-NEURO; 3D T1 ve FLAIR gibi beyin MR serilerinden ventrikül hacmi, Evans İndeksi, hipokampal atrofi, beyin volümetrisi ve lezyon yükü gibi kantitatif ölçümler üreten; radyolog ve nörologların değerlendirme süreçlerini destekleyen yerli ve milli klinik analiz yazılımı olarak geliştirilecektir.

Proje dokümanı

RAD-ORQ kapsamını PDF olarak da inceleyin.

Projenin kapsamı, problem analizi, mimari çerçevesi, riskleri, yol haritası ve terimler sözlüğü tek dokümanda.

PDF'yi AçPDF İndir