Farklı isimlendirmeler
Aynı veya benzer incelemeler farklı cihazlarda ve kurumlarda farklı adlarla, protokollerle veya seri yapılarıyla kaydedilebilir.
Tıbbi Görüntülemede Akıllı Veri Anlama, Kalite Doğrulama, Dinamik Triyaj ve Yapay Zekâ Entegrasyon Altyapısı
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.
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; 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.
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.
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.
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.
Tıbbi görüntüleme verisini doğru analizle buluşturan, mevcut sağlık altyapılarına uyum sağlayan ve yerli yapay zekâ çözümlerinin klinik kullanıma geçişini kolaylaştıran güvenilir bir platform geliştirmek.
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.
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.
RAD, projenin radyoloji ve tıbbi görüntüleme alanındaki odağını; ORQ ise görüntülerin, işlerin ve yapay zekâ modellerinin akıllı biçimde orkestre edildiği platform yaklaşımını temsil eder.
“Orchestration” kelimesindeki “orch” bölümü “ork” sesine yaklaşır. ORQ biçimi bu sesi kısa, dijital ve marka kimliği güçlü bir yapıda temsil edecek şekilde kurgulanmıştır.
Orkestrasyon sistemleri görüntüleri ve analiz görevlerini sıralar, önceliklendirir ve uygun işlem kaynağına gönderir. Q harfi yazılım dünyasında “queue / kuyruk” kavramına güçlü bir gönderme yapar.
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.
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.
Aynı veya benzer incelemeler farklı cihazlarda ve kurumlarda farklı adlarla, protokollerle veya seri yapılarıyla kaydedilebilir.
Çekimle birlikte gelen bazı alanlar boş, hatalı veya yerel alışkanlıklardan etkilenmiş olabilir.
Hareket, görüntü bozulmaları, çözünürlük ve eksik kapsama AI performansını etkiler.
Beyin, inme, prostat veya kalp çözümleri ayrı entegrasyon ve ayrı işletim yükü doğurabilir.
Klinik kullanım ile araştırma amacıyla veri hazırlama aynı kurallara sahip değildir.
AI sonucu ayrı bir ekranda kalırsa klinik kullanımı zorlaşır.
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.
Dünya ölçeğindeki görüntüleme AI platformlarında olduğu gibi, amaç her algoritma için ayrı entegrasyon kurmak yerine ortak bir bağlantı katmanı oluşturmaktır.
Her görüntü her modele gönderilmez; içerik, anatomi, kalite ve kullanım amacı değerlendirilerek yalnız ilgili analizlerin çalıştırılması hedeflenir.
Radyoloğun farklı ekranlar arasında geçiş yapması yerine sonuçların mümkün olduğunca mevcut görüntüleme ve raporlama ortamına taşınması amaçlanır.
Model sürümü, performansı, çalışma durumu, hata kayıtları ve kullanım metrikleri ortak bir yönetim katmanından izlenebilir.
Hastanede zaten çalışan bir çözüm varsa, uygun görüntü o yazılıma otomatik yönlendirilebilir ve sonuç ortak sisteme alınabilir.
Üniversite, araştırma grubu veya girişim tarafından geliştirilen model standart bir entegrasyon profiliyle sisteme eklenebilir.
Farklı çözümler için ayrı kullanıcı deneyimi ve bağlantı mantığı yerine ortak yönlendirme, kayıt ve sonuç yönetimi hedeflenir.
Seri veya inceleme adı tek başına yeterli kabul edilmez; DICOM bilgileri, görüntüleme yöntemi, anatomi, çekim/protokol özellikleri ve gerektiğinde görüntü içeriği birlikte değerlendirilir.
“Görüntü iyi mi?” yerine “Bu görüntü şu analiz için yeterli mi?” sorusuna yanıt üretilir.
Platform, tanımlı giriş-çıkış koşullarına sahip farklı AI yazılımlarını aynı akışta yönetebilir.
Kurumda çalışan çözümü değiştirmek yerine, doğru görüntünün o yazılıma yönlendirilmesi ve sonucun geri alınması hedeflenir.
Birden fazla seri veya zaman fazı birlikte analiz edilecekse hizalama yalnız ihtiyaç varsa devreye girer.
Yeterli kanıt yoksa zorla karar verilmek yerine manuel inceleme yolu desteklenir.
Farklı AI çözümlerinden gelen ölçüm, işaretleme ve bölütleme sonuçları hastane iş akışına geri taşınabilir.
Kararın hangi veri, kural veya model sürümüne dayandığı sonradan takip edilebilir.
Doğru serilere daha hızlı erişim, uygun AI analizlerinin otomatik devreye alınması ve sonuçların mevcut görüntüleme ortamında görünmesi.
Çekim veya seri sorunlarının daha erken fark edilmesi ve tekrar eden manuel kontrollerin azaltılması.
Birden fazla AI ürününü ayrı ayrı yönetmek yerine ortak entegrasyon, güvenlik, kayıt ve izleme noktası.
Yeni yapay zekâ çözümlerinin daha kontrollü devreye alınması, kaynak kullanımının izlenmesi ve ölçeklenebilirlik.
Geliştirilen modelleri gerçek hastane akışına daha kolay uyarlama, veri hazırlama ve doğrulama altyapısı.
Her hastane için entegrasyonu sıfırdan kurmak yerine tanımlı bir model/yazılım bağlantı profili üzerinden sisteme dahil olabilme.
Aşağıdaki adımlara tıklayarak her bileşenin sistem içindeki görevini görebilirsiniz.
Sisteme dahil edilen her yapay zekâ çözümü için hangi görüntüyü istediği, hangi kalite koşullarını kabul ettiği, nerede çalıştığı ve sonucunu nasıl döndürdüğü tanımlanır.
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.
Model platformun kendi çalışma ortamında yürütülür. GPU ve işlem kaynakları merkezi olarak planlanır; model sürümü, giriş gereksinimi ve sonuç yapısı kayıt altındadır.
RAD-ORQ uygun görüntüyü mevcut yazılıma yönlendirir, işlemin durumunu izler ve sonucu ortak iş akışına geri alır. Böylece çalışan çözümü değiştirmeden merkezi yönlendirme yapılabilir.
Standart bir çalışma paketi ve giriş-çıkış tanımıyla sisteme eklenebilir. Bu yapı, akademik modellerin hastane ortamına geçişini ve çok merkezli doğrulamayı kolaylaştırmayı hedefler.
Kurumun veri güvenliği ve hukuki şartları uygun olduğunda harici analiz servisiyle izlenebilir, sınırları tanımlı ve denetlenebilir bir bağlantı kurulabilir.
Modelin hangi anatomik bölgeyle çalıştığı.
Modelin hangi görüntüleme yöntemi, seri veya görüntü grubuna ihtiyaç duyduğu.
Hareket, kapsama ve çözünürlük gibi kabul sınırları.
Birden fazla görüntü varsa aynı anatomik uzaya getirilmesinin gerekip gerekmediği.
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 alanlarını ve farklı görüntüleme türlerindeki gerekli teknik bilgileri tek noktadan okur; klinik yorum yapmaz.
Piksel verisine ve görüntü dilimlerine kontrollü ve ortak erişim sağlar.
Araştırma ve dışa aktarım senaryolarında kişisel alanların nasıl işleneceğini yönetir.
Farklı üretici ve kurum terimlerini ortak anatomi, görüntüleme yöntemi ve inceleme adlarıyla eşleştirir.
Kalite, yönlendirme ve model kabul koşullarını sürümlü biçimde tutar.
Bir sonucun hangi veri, kural veya model sürümüne dayandığını kaydeder.
Kim, ne zaman, hangi veriye erişti; hangi model çalıştı; hangi hata oluştu gibi olayları tutar.
Radyolog, teknisyen, yönetici, araştırmacı ve servis hesaplarının yetkilerini ayırır.
Belirsiz veya başarısız durumların uzman tarafından incelenmesini ve gerekirse düzeltilmesini sağlar.
Tıbbi görüntü hastane sisteminden alınır ve teknik olarak kontrol edilir.
Görüntüleme türü, anatomik bölge ve inceleme bağlamı belirlenir.
Hareket, kapsama, çözünürlük ve diğer kalite koşulları değerlendirilir.
Uygun AI modeli veya mevcut yazılım seçilir; gerekirse görüntüler hizalanır.
AI sonucu ortaklaştırılır ve hastane sistemine geri gönderilir.
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.
Klinik kullanım, araştırma ve dışa aktarım için farklı veri işleme politikaları tanımlanır.
Gerektiğinde kimlik alanları kaldırılır veya kontrollü bir kodla değiştirilir; eşleştirme ayrı korumalı alanda tutulabilir.
Kullanıcıların yalnız ihtiyaç duydukları verilere ve işlevlere erişmesi hedeflenir.
Verinin ağ üzerinden taşınırken ve depolanırken korunması tasarımın parçasıdır.
Kritik erişimler ve işlemler kayıt altına alınır; geriye dönük izlenebilirlik sağlanır.
Saklama süresi, arşivleme ve güvenli silme politikaları kurum gereksinimlerine göre tanımlanır.
Tıbbi görüntülerin saklandığı, görüntülendiği ve hekimlerin eriştiği görüntü arşivleme ve iletişim sistemidir. RAD-ORQ görüntüleri buradan alabilir ve sonuçları buraya geri gönderebilir.
Radyoloji iş akışı, randevu ve raporlama bilgilerinin yönetildiği sistemdir. Gerekli senaryolarda tetkik bağlamı ve süreç entegrasyonu için kullanılabilir.
Tıbbi görüntülerin ve ilişkili bilgilerin standart biçimde saklanmasını ve aktarılmasını sağlar. Uygun altyapılarda web tabanlı DICOM servisleri de kullanılabilir.
Hasta, tetkik, rapor ve klinik süreç bilgilerinin sistemler arasında taşınmasında kullanılan sağlık bilişimi standartlarıdır.
Aynı anda çok sayıda tetkik geldiğinde kontrollü kuyruk yönetimi; acil veya zaman kritik analizlerde kurum tanımlı öncelik.
İşlem gücü ve bellek modeller arasında paylaşılır; kullanılmayan modeller gereksiz kaynak tüketmez.
Bir model veya entegrasyon başarısız olduğunda diğer işlemlerin mümkün olduğunca etkilenmemesi hedeflenir.
Geçici ağ veya servis hatalarında kontrollü tekrar deneme ve işin kaldığı yerden devam edebilmesi.
Hastane, kurum veya veri merkezi sayısı arttığında mimarinin büyüyebilmesi.
İşlem süresi, kuyruk uzunluğu, hata oranı ve kaynak kullanımının sürekli izlenmesi.
Uçtan uca sistem; görüntüyü doğru anlama, kaliteyi doğru değerlendirme, doğru modele yönlendirme, görüntü hizalama, işlem süresi ve entegrasyon güvenilirliği açısından ayrı ayrı ölçülmelidir.
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.
DICOM kabulü, veri bütünlüğü, ortak DICOM bilgi okuma servisi, güvenlik temeli, veri modeli ve ilk entegrasyon altyapısı.
Görüntüleme türü ve anatomi belirleme, farklı üretici/protokol adlarının ortaklaştırılması, kalite güvence ve manuel inceleme akışları.
AI model kataloğu, uygunluk profili, dahili/harici adaptörler, kuyruk, öncelik ve GPU kaynak yönetimi.
Rigid, affine ve gerektiğinde deformasyonlu hizalama; dinamik zaman fazları ve çoklu seri senaryoları; kalite kontrolü.
DICOM sonuç dönüştürme, PACS/RIS geri besleme, kullanıcı arayüzleri, çok merkezli pilot ve teknik/klinik doğrulama.
Dokümantasyon, kalite yönetimi, siber güvenlik doğrulamaları, tıbbi cihaz mevzuatı değerlendirmesi, ölçekleme ve ticarileştirme hazırlıkları.