Příspěvek podává přehled o tom, co je vysvětlitelná a interpretovatelná umělá inteligence (AI) a uvádí doporučení, která přispívají k zvýšení důvěry v AI a mohou vývojovým pracovníkům pomoci při vytváření důvěryhodných AI systémů. Stručně se zabýváme modelově agnostickými metodami se zvláštním zaměřením na nejznámější z nich LIME a SHAP.

Recently, the term "language model" has appeared frequently in publications for the general public or in the medicine literature. However, readers usually do not know what this term actually means. We are going to give some background on this term. Often, in this context, it refers to the attractive interactive system ChatGPT for suggesting answers to various questions.

Jakýmsi moderním norimberským trychtýřem usnadňujícím vstřebávání znalostí ve výuce medicíny jsou dnes tzv. vysvětlující počítačové modely (explanatory models). Jejich úlohou je pomocí simulačních her podpořit porozumění příčinám klinických příznaků a pochopení diagnostiky a terapie jednotlivých onemocnění v kontextu fyziologických regulací. Jádrem lékařských simulátorů jsou matematické modely fyziologických systémů. Jejich tvorba vyžaduje multidisciplinární spolupráci vysoce kvalifikovaných odborníků.

Efficient and accurate chest X-ray (CXR) reporting is essential in radiology, especially for quickly identifying low-risk cases to prioritize more complex ones. This study investigates the time efficiency of three CXR reporting methods: manual, template-based, and AI-generated, focusing specifically on low-risk CXR evaluations in a radiology department. Results show that manual reporting, which requires free-text documentation, takes significantly longer than other methods, with average mean times per study of 96.4 seconds (RAD1), 91 seconds (RAD2), and 70.8 seconds (RAD3). In contrast, the structured, template-based approach reduced these times to 32.9 seconds (RAD1), 32 seconds (RAD2), and 48.8 seconds (RAD3), representing an average efficiency improvement of 53.93% compared to manual reporting.

Efektivní a přesné hodnocení skiagramů hrudníku (CXR) je zásadní v radiologii, zejména pro rychlou identifikaci nízkorizikových případů a priorizaci složitějších. Tato studie zkoumá časovou efektivitu tří metod hodnocení skiagramů: manuální, šablonové a AI generované, přičemž se zaměřuje na nízkorizikové případy na radiologickém oddělení. Výsledky ukazují, že manuální hodnocení, které vyžaduje volně psanou dokumentaci, trvá výrazně déle než ostatní metody, s průměrnými časy na vyšetření 96,4 sekundy (RAD1), 91 sekund (RAD2) a 70,8 sekundy (RAD3). Strukturovaný přístup založený na šablonách snížil tyto časy na 32,9 sekundy (RAD1), 32 sekund (RAD2) a 48,8 sekundy (RAD3), což představuje průměrné zlepšení efektivity o 53,93 % oproti manuálnímu hodnocení.

Tato přehledová studie se zaměřuje na aktuální vývoj a současné trendy v aplikaci umělé inteligence při hodnocení histopatologických vzorků karcinomu prostaty. V první části studie jsou shrnuty základní principy a metodiky, které jsou dnes v této oblasti využívány, včetně segmentace tkáně, automatizovaného Gleasonova skórování a predikčních modelů. Následně jsou analyzovány klíčové schválené zdravotnické prostředky, jejich klinické využití a regulační status. Studie poskytuje komplexní přehled nejnovějších technologií a zhodnocuje jejich přínos i limity v rámci klinické praxe, což může být cenným vodítkem pro patology a výzkumníky v oblasti onkologické diagnostiky. ckých obrazů a imunofluorescenční detekce endomysia.