Rostoucí poptávka po rentgenových vyšetřeních hrudníku ve zdravotnictví, spolu s nedostatkem radiologů a zvyšující se pracovní zátěží, podtrhuje potřebu inovativních nástrojů pro podporu diagnostiky. Tato crossover studie hodnotí vliv komerčně dostupného softwaru pro automatickou detekci založeného na hlubokém učení (DLAD, Carebot AI CXR; Carebot s.r.o.) na diagnostický výkon radiologů při interpretaci rentgenových snímků hrudníku (CXR). Pět radiologů nezávisle hodnotilo soubor 540 anonymizovaných snímků CXR, a to jak bez podpory systému, tak s využitím DLAD, ve dvou fázích oddělených 30denní washout periodou. Podpora pomocí DLAD vedla k významnému zlepšení diagnostického výkonu – celková citlivost vzrostla z 0,762 (95% CI: 0,705–0,811) na 0,911 (95% CI: 0,870–0,941; p < 0,001), zatímco specificita zůstala nezměněna na hodnotě 0,850 (95% CI: 0,805–0,887; p = 1,000). Pozitivní prediktivní hodnota (PPV) se mírně zvýšila z 0,810 (95% CI: 0,755–0,856) na 0,836 (95% CI: 0,788–0,876; p = 0,331), zatímco negativní prediktivní hodnota (NPV) vzrostla z 0,810 (95% CI: 0,763–0,850) na 0,941 (95% CI: 0,882–0,947; p < 0,001). Tato zlepšení byla konzistentní napříč všemi radiology a byla spojena s výrazným snížením počtu falešně negativních nálezů. Výsledky zdůrazňují potenciál systému DLAD ke standardizaci diagnostické přesnosti, zvýšení citlivosti a efektivní podpoře radiologů při hodnocení rentgenových snímků hrudníku. Zároveň potvrzují klinickou hodnotu AI-asistovaných workflow, která zlepšují míru detekce při zachování specificity.