تدخل نماذج التعلم العميق حاليًا دوراً محورياً في تعزيز دقة وفعالية تشخيص الأمراض عبر الأشعة، وتقدم العديد من المؤسسات أكاديمية وطبية أبحاثاً متقدمة في هذا المجال. لقد قمنا بإجراء مراجعة منهجية مستندة لأساليب PRISMA لتسليط الضوء على ممارسات النماذج الأساسية (Foundation Models) التي تم تدريبها بشكل حصري على بيانات التصوير الشعاعي.

شملت دراستنا 67 بحثًا نُشر بين يناير 2017 ومارس 2026، حيث قمنا بتصنيفها عبر ثلاث ركائز رئيسية:
1. **حجم البيانات وتنوعها**: ركزت معظم الدراسات على بيانات تصوير الدماغ بواسطة الرنين المغناطيسي (MRI)، وأشعة الصدر، والأشعة المقطعية (CT)، حيث تراوحت مجموعات البيانات بين أقل من 100,000 عينة إلى مجموعات تحتوي على ملايين الصور.
2. **قابلية التوسع المعماري والتدريب المسبق**: هيمنت العمارة القائمة على المحولات (Transformers) وكذلك التدريب الذاتي على هذه النماذج، مع التركيز بشكل خاص على نمذجة الصور المحجوبة وتقنيات التعلم التبايني.
3. **قابلية النقل والتعميم**: على الرغم من أن هذه النماذج أظهرت وعودًا كبيرة في نقل النتائج، إلا أن التحديات المتعلقة بالتنوع محدودة من النماذج جعلت من الصعب تنفيذها سريريًا.

تجدر الإشارة إلى أن تقييمات النماذج كانت تركز غالبًا على التجزئة والتصنيف، بينما كانت تقارير الانتقال بين مراكز مختلفة والأجهزة والأنماط غير متسقة. يشير التقرير أيضًا إلى أن هناك انحراف في التوافق مع مبادئ FUTURE-AI.

بشكل عام، على الرغم من أن نماذج التعلم العميق في الأشعة تقدم وعودًا مثيرة، فإن عملية التحويل إلى التطبيقات السريرية لا تزال تواجه مجموعة من القيود.