פענוח תמונה רפואית הוא התחום שבו הבינה המלאכותית חדרה עמוק יותר מבכל ענף רפואי אחר, מסיבה פשוטה: הדמיה מייצרת מיליוני תמונות דיגיטליות, ורשתות עצביות עמוקות הן הכלי החזק ביותר שקיים היום לניתוח תמונות. המשימות שהמערכות מבצעות בפועל מגוונות יותר משנדמה — תעדוף בדיקות דחופות בתור הפענוח, סימון אזורים חשודים בצילומי ממוגרפיה, שחזור תמונה והפחתת רעש שמאפשרים לצלם במנת קרינה נמוכה יותר, שיפור איכותו של דימות תהודה מגנטית (MRI), ואפילו בדיקה אוטומטית של איכות הצילום עצמו לפני שהוא נשלח לרופא.
אין מדובר בתחום ניסיוני. נכון ל-2025, כ-77 אחוזים ממכשירי הרפואה מבוססי הבינה המלאכותית שאושרו על ידי מנהל המזון והתרופות האמריקאי (FDA) — 967 מתוך 1,247 — שייכים לתחום הרדיולוגיה. האישור הראשון מסוגו ניתן ב-2018, למכשיר המאבחן רטינופתיה סוכרתית, פגיעה ברשתית העין הנגרמת מסוכרת, מתוך צילום של קרקעית העין.
עם זאת, הפער בין ביצועים במחקר לבין ביצועים במרפאה נשאר משמעותי. מודלים רבים הראו דיוק דומה לזה של אנשי מקצוע בזיהוי מחלות מתוך תמונה, אך מעטים מהמחקרים האלה עברו אימות חיצוני — כלומר בדיקה על נתונים ממוסד אחר, ציוד אחר ואוכלוסייה אחרת — וכמעט לא נעשו ניסויים פרוספקטיביים אקראיים רב-מרכזיים, שהם אמת המידה המקובלת ברפואה לפני אימוץ שגרתי.
לכן התפקיד המקובל הוא של שכבת סיוע ולא של תחליף: המערכת מסמנת, מתעדפת ומתריעה, וההחלטה הקלינית נשארת אצל הרופא. גם המניע לאימוץ אינו רק דיוק אלא עומס — תעדוף אוטומטי של תור הפענוח הוא לעיתים התועלת המעשית הגדולה יותר.
ישראל בולטת בענף. Ibex Medical Analytics, למשל, מפתחת מערכות לניתוח תמונות פתולוגיה — רקמה הנבדקת תחת מיקרוסקופ — לאיתור סימני סרטן. הפתולוגיה כפופה לאותו היגיון בדיוק: משימה שכולה פענוח תמונה, שיש בה מחסור עולמי במומחים אנושיים שיבצעו אותה, ושבה המערכת מסמנת לפתולוג אזורים לבדיקה נוספת במקום להכריע במקומו.