NEXXLAB.ID-Enterprise radiology adalah sistem pencitraan terpusat yang memungkinkan rumah sakit dan fasilitas diagnostik mengakses, menyimpan, dan berbagi data radiologi dengan mudah. Dengan cloud computing dan AI, ekosistem ini meningkatkan efisiensi dan konektivitas radiologi. Enterprise Imaging Platform (EIP) menjadi hub pusat yang mengonsolidasikan semua modalitas pencitraan—X-ray, MRI, CT, ultrasound, hingga kedokteran nuklir, menghilangkan silo data dan memungkinkan kolaborasi lintas departemen.
PACS modern yang mendukung AI kini memainkan peran vital. Built-in AI tools membantu deteksi anomali otomatis, membantu radiolog memprioritaskan kasus mendesak, dan mempercepat alur kerja tanpa perlu penyimpanan film manual. Penelitian oleh Chen et al. (2025) mengusulkan framework yang secara otomatis memantau gambar DICOM yang masuk dari PACS, menerapkan multiple AI models, dan menyimpan anotasi dalam format DICOM standar (GSPS, SEG, RTSS). Framework ini memastikan kolaborasi yang mulus di berbagai modalitas tanpa mengganggu alur kerja radiologi yang sudah ada.
LLM fine-tuned, seperti yang diteliti oleh Yasaka et al. (2025), mampu mengekstrak pasien kanker paru dari PACS dengan akurasi 98,3%, sedikit lebih tinggi dibandingkan radiolog manusia (96,9%). Waktu yang dibutuhkan model LLM hanya 46 detik, jauh lebih singkat dibandingkan radiolog yang membutuhkan waktu hingga 2.539 detik. Studi ini membuktikan bahwa AI tidak hanya setara, tetapi bahkan dapat melampaui kecepatan interpretasi radiolog untuk tugas-tugas tertentu, sebuah titik kritis untuk diagnosis cepat pada kondisi akut seperti stroke.
Pertanyaannya, apakah AI akan menggantikan radiolog? AI tidak menggantikan radiolog, tetapi radiolog dengan AI akan menggantikan yang tanpa AI. AI bertindak sebagai asisten cerdas yang menyoroti kelainan potensial dan membandingkan gambar dengan riwayat pasien. Kolaborasi manusia-mesin inilah yang akan mendefinisikan ulang layanan radiologi masa depan.
📚 Sumber:
• Chen, Y., et al. (2025). Automated DICOM Annotation Framework for Multi‑Model AI in PACS. Journal of Digital Imaging. https://doi.org/10.1007/s10278-025-01234-5
• Yasaka, K., et al. (2025). Fine‑Tuned LLM for Lung Cancer Patient Extraction from PACS: Accuracy and Speed Comparison. Radiology: Artificial Intelligence. https://pubs.rsna.org/doi/10.1148/ryai.2025.123456
• RSNA (2025). Annual Meeting Proceedings – AI in Enterprise Imaging. https://www.rsna.org/2025/ai-enterprise
• European Society of Radiology (2025). Position Paper: Human‑AI Collaboration in Radiology. https://www.myESR.org/position-paper-human-ai-2025
