De auteurs leggen uit dat een fout door gebrek aan kennis optreedt wanneer “de bevinding wordt waargenomen, maar aan een verkeerde oorzaak wordt toegeschreven vanwege een gebrek aan kennis van de waarnemer of de persoon die de beelden interpreteert”. Dit type fout is volgens hen vooral relevant in de diergeneeskunde, waar de meeste röntgenfoto's niet door een radioloog worden geïnterpreteerd, maar door algemene dierenartsen. Ze betreuren echter dat de huidige op AI gebaseerde systemen de resultaten van de beelden niet kunnen correleren met een specifieke lijst van differentiaaldiagnoses op basis van de klinische geschiedenis en dat “AI tot nu toe dus een beperkte impact heeft gehad op het verminderen van dit soort fouten”.

Een andere soortgelijke fout is “overinterpretatie” en verkeerde interpretatie, waarbij een resultaat als abnormaal wordt gezien en geïnterpreteerd, maar aan een onjuiste oorzaak wordt toegeschreven. Deze categorie omvat misleidende informatie en een beperkte differentiaaldiagnose. Momenteel detecteren de beschikbare AI-systemen alleen specifieke radiografische resultaten en zijn ze niet in staat om differentiaaldiagnoses te stellen op basis van klinische resultaten. Ze geven echter aan dat “er binnenkort grote taalmodellen beschikbaar zullen zijn die beelden kunnen interpreteren en een lijst met differentiaaldiagnoses kunnen genereren op basis van de klinische geschiedenis, waardoor dit soort fouten mogelijk kan worden verminderd”.

Onvoldoende leesvermogen treedt op wanneer “de laesie niet wordt gedetecteerd”. Op zichzelf “vertegenwoordigt dit 42% van alle diagnostische fouten”. Daarom geven ze aan dat het onvoldoende lezen van de beelden zeer waarschijnlijk een van de belangrijkste redenen is waarom AI-systemen in de dagelijkse routine moeten worden geïntegreerd. “Het is namelijk een veelvoorkomend probleem dat kan voortvloeien uit individuele of omgevingsfactoren”.

De rol van AI bij het verminderen van dit soort fouten is potentieel “een gamechanger”, omdat AI-systemen niet onderhevig zijn aan cognitieve vooroordelen of omgevingsfactoren (werkdruk, moeilijke werkomgeving, afleidingen, enz.).

Anderzijds moet de eindgebruiker er rekening mee houden dat de nauwkeurigheid van het AI-systeem ook wordt beïnvloed door verschillende factoren, zoals de beeldkwaliteit of het aantal laesies in de database. Ten slotte “moet worden opgemerkt dat de meeste op AI gebaseerde veterinaire systemen een variabele nauwkeurigheid hebben bij het opsporen van specifieke laesies”. Zo stellen zij bijvoorbeeld dat de nauwkeurigheid bij de detectie van pleurale effusie over het algemeen zeer hoog is, terwijl de nauwkeurigheid bij de detectie van longknobbeltjes of -massa's aanzienlijk lager is.

Een ander type vertekening doet zich voor wanneer “de bevinding over het hoofd wordt gezien door een gebrek aan raadpleging van eerdere onderzoeken of radiologische rapporten” of “door het verkrijgen van een onjuiste of onvolledige klinische geschiedenis”. Dit zijn enkele van de meest voorkomende soorten fouten, en het American College of Radiology beveelt aan dat alle eerdere rapporten van patiënten beschikbaar zijn voor de radioloog bij de beoordeling van het onderzoek. Dit type fout is relevanter in teleradiologiediensten, omdat de meeste van deze diensten geen toegang hebben tot de volledige geschiedenis van de patiënt. AI-gebaseerde producten die radiologen (zowel in de humane als in de diergeneeskunde) door het rapportageproces begeleiden (van het verkrijgen van de beelden tot het eindrapport) “zouden belangrijk kunnen zijn om deze fouten te verminderen”. Het gebruik van gegevensverwerking om de klinische geschiedenis van de patiënt snel samen te vatten “zou de radioloog bijvoorbeeld snelle en nuttige informatie kunnen verschaffen”.

Ondanks alle mogelijke toepassingen betreuren onderzoekers echter dat AI nog een zeer jonge technologie is in de diergeneeskunde en dat het, ondanks het groeiende aantal toepassingen dat op de markt beschikbaar is, “nog lang geen onderdeel is van de klinische routine van de meeste praktijken”. Daarom is veterinaire radiologie “een gebied waar AI-algoritmen zouden kunnen bijdragen aan het verminderen van het aantal interpretatiefouten door radiologen door automatisch de kwaliteit van diagnostische beelden te controleren vóór de interpretatie, vergelijkbaar met wat al gebeurt in de humane geneeskunde”.