Bu bölümde radyoterapi tedavi planlama sürecinde yapay zekâ (YZ) ve özellikle derin öğrenme (DL) tabanlı otomatik konturlama yaklaşımlarının hali hazırdaki durumu, klinik uygulamadaki potansiyelleri ve sınırlılıkları ele alınmaya çalışılmıştır. Radyasyon onkolojisinin multi disiplinli ve yüksek doğruluk gerektirmesi, hedef hacimlerin ve risk altındaki organların (OAR) doğru ve tutarlı şekilde konturlanmasını önemli hale getirmektedir. Geleneksel manuel konturlama süreçleri oldukça zaman alıcı, gözlemciye göre değişen ve klinik iş yükünü önemli derecede artırıcı süreçlerdir. Bundan dolayı, derin öğrenme tabanlı oto-segmentasyon yöntemleri, doğruluk ve verimlilik açısından önemli kolaylıklar sağlayarak klinik iş akışının iyileştirilmesine katkı sağlamaktadır. Ancak YZ tabanlı sistemlerin performansı; görüntüleme protokollerindeki olası farklılıkları, hastaya has özellikleri, kurumlara özgü klinik uygulamaları ve konturlama kılavuzları arasındaki uyumsuzlukları nedeniyle farklılık gösterebilmektedir. Ayrıca, yaygın olarak kullanılan geometrik değerlendirme metriklerinin klinik sonuçlarla sınırlı ilişki göstermesi, YZ çıktılarının dikkatli biçimde yorumlanmasını gerektirmektedir. Bu nedenle, YZ tabanlı oto-segmentasyon sistemlerinin kliniğe adaptasyonu, kapsamlı doğrulama, düzenli kalite kontrol (QA) süreçleri ve uzman eşliğinde, aşamalı bir bakış açısı gerektirmektedir.