medigraphic.com
ISSN 1684-1859 (Impreso)

2023, Número 1

<< Anterior Siguiente >>

Revista Cubana de Informática Médica 2023; 15 (1)


Impacto de la Inteligencia Artificial en la Radiología

Iglesias LD

Idioma: Español
Referencias bibliográficas: 23
Paginas:
Archivo PDF: 413.52 Kb.


RESUMEN

Introducción: El creciente desarrollo computacional ocurrido en los últimos años, así como el acceso a gran número de datos (Big Data) ha posibilitado la explotación de los recursos informáticos para el desarrollo de algoritmos que aumentan la calidad y alcance de la inteligencia artificial (IA), la cual está tomando un rol central en la radiología.
Objetivo: Analizar el impacto de la Inteligencia Artificial en la Radiología y la necesidad de implementación en los servicios de imagenología.
Método: Se emplearon 23 referencias bibliográficas en inglés y español, la mayoría extraídas de PubMed, SciELO y ScienceDirect usando los descriptores “Inteligencia Artificial”, “Radiología” y “Aprendizaje automático” en idioma español y “Artificial Intelligence”, “Radiology” y “Machine Learning” para el inglés.
Desarrollo: No existe área de la Radiología en la cual no se haya implementado la inteligencia artificial, con el fin de mejorar y desarrollar programas que le faciliten al radiólogo y al técnico, la obtención y diagnóstico de imágenes. Cuba también está inmersa en este proceso; se están dando los primeros pasos por el desarrollo de estas tecnologías.
Conclusiones: La investigación, optimización de flujo de trabajo, radiómica, predicción y clasificación de imágenes son beneficios que nos aporta la IA; lograr un aumento en la calidad de estos procesos solo es posible a través de la alianza entre las ciencias médicas e informáticas.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. IBM Cloud Education. What is artificial intelligence (AI)? [Internet]. New York: IBM, c2022 [citado 10 Jul 2022]; [aprox. 14 p.]. Disponible en: https://www.ibm.com/cloud/learn/what-is-artificial-intelligence1.

  2. Pérez del Barrio A, Menéndez Fernández-Miranda P, Sanz Bellón P, Lloret Iglesias L, Rodríguez González D. Inteligencia artificial en Radiología: introducción a los conceptos más importantes. Radiol [Internet]. 2022 [citado 2 Sep 2022]; 64(3):228-236. Disponible en: https://dx.doi.org/10.1016/j.rx.2022.03.0032.

  3. SAS. Machine Learning: Qué es y por qué es importante [Internet]. North Carolina: SAS Institute Inc; c2022 [citado 4 Ago 2022]; [aprox. 7 p.]. Disponible en: Disponible en: https://www.sas.com/es_co/insights/analytics/machine-learning.html 3.

  4. Kelleher J. Deep learning. Massachusetts: The MIT Press; 2019.

  5. Hardy M, Harvey H. Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol [Internet]. Mar 2020 [citado 15 Ago 2022];93(1108). Disponible en : https://doi.org/10.1259/bjr.201908405.

  6. Takahashi R, Kajikawa Y. Computer-aided diagnosis: A survey with bibliometric analysis. Int J Med Inf [Internet]. May 2017 [citado 23 Jun 2022]; 101:58-67. Disponible en: https://doi.org/10.1016/j.ijmedinf.2017.02.0046.

  7. Shi F, Wang F, Shi J, Wu Z, Wang Q, Tang Z, et al. Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation, and Diagnosis for COVID-19. IEEE Rev Biomed Eng [Internet]. Abr 2021 [citado 24 Ago 2022]; 14:4-15. Disponible en: https://doi.org/10.1109/RBME.2020.29879757.

  8. Hong Y, Fleming L, Hengyuan M, Ziqi Z, Stefan J, Jinxin L, et al. Using artificial intelligence to assist radiologists in distinguishing COVID-19 from other pulmonary infections. J X-Ray Sci Technol [ Internet]. Feb 2021 [citado 7 Sep 2022]; 29(1):1-17. Disponible en: https://doi.org/10.3233/xst-200735

  9. Jin Choi K, Keon Jang J, Soo Lee S, Sub Sung Y, Hyun Shim W, Sung Kim H, et al. Development and Validation of a Deep Learning System for Staging Liver Fibrosis by Using Contrast Agent-enhanced CT Images in the Liver. Radiol [Internet]. Sep 2018 [citado 12 Sep 2022]; 289(3). Disponible en: https://doi.org/10.1148/radiol.20181807639.

  10. Beunza Nuin J, Puertas Sanz E, Condés Moreno E. Manual práctico de inteligencia artificial en entornos sanitarios. Barcelona: Elsevier; 2020.

  11. Elton D, Yang A, Kleiner D, Lubner M, Pickhardt P, Veranos R, et al. Fully Automated and Explainable Liver Segmental Volume Ratio and Spleen Segmentation at CT for Diagnosing Cirrhosis. Radiol Artif Intell [Internet]. Ago 2022 [citado 22 Sep 2022]; 4(5). Disponible en: https://doi.org/10.1148/ryai.21026811.

  12. Nguyen T, Pérez A, Graffy P, Jang S, Veranos R, Garrett J, et al. Improved CT-based Osteoporosis Assessment with a Fully Automated Deep Learning Tool. Radiol Artif Intell [Internet]. Ago 2022 [citado 3 Sep 2022]; 4(5). Disponible en: https://doi.org/10.1148/ryai.22004212.

  13. Khosravi B, Rouzrokh P, Maradit Kremers H, Larson D, Johnson Q, Faghani S, et al. Patient-specific Hip Arthroplasty Dislocation Risk Calculator: An Explainable Multimodal Machine Learning-based Approach. Radiol Artif Intell [Internet]. Oct 2022 [citado 10 Oct 2022]; 4(6). Disponible en: https://doi.org/10.1148/ryai.22006713.

  14. Raschio E, Contreras C, Allende F, Maturana P. Inteligencia artificial: Desarrollo de algoritmos de clasificación y segmentación en radiografía de tórax. Rev Chil Radiol [Internet]. Abr 2021 [citado 20 Jul 2022]; 27(1). Disponible en: http://dx.doi.org/10.4067/S0717-9308202100010000814.

  15. Francois Paul J, Rohnean A. Eight clinical cases demonstrating the diagnostic value of ViosWorks 4D powered by Arterys [Internet]. Paris: General Electric Company; 2018 [citado 6 Sep 2022]. Disponible en: Disponible en: https://www.gehealthcare.com/products/magnetic-resonance-imaging/signa-works/-/media/Files/M/MR_GBL_SW_ViosWorks_Clinical_Cases_Brochure_1218_lores.pdf 15.

  16. Seetharam K, Lerakis S. Cardiac magnetic resonance imaging: the future is bright [version 1; peer review: 2 approved]. F1000Res [Internet]. Sep 2019 [citado 15 Sep 2022]; 8:1636. Disponible en: https://doi.org/10.12688%2Ff1000research.19721.116.

  17. Cirio J, Ciardi C, Buezasa M, Dilucab P, Caballeroa M, Lopeza M, et al. Implementación de la inteligencia artificial en el tratamiento hiperagudo de reperfusión arterial en un centro integral de ataque cerebrovascular. Neurol Arg [Internet]. 2021 [citado 3 Nov 2022]; 13(4):212-220. Disponible en: https://doi.org/10.1016/j.neuarg.2021.07.00317.

  18. Zhuo Z, Zhang J, Duan Y, Qu L, Ye C, Liu Y, et al. Automated Classification of Intramedullary Spinal Cord Tumors and Inflammatory Demyelinating Lesions Using Deep Learning. Radiol Artif Intell [Internet]. Sep 2022 [citado 12 Oct 2022]; 4(6). Disponible en: https://doi.org/10.1148/ryai.21029218.

  19. Zaharchuk G, Gong E, Wintermark M, Rubin D, Langlotz C. Deep Learning in Neuroradiology. Am J Neuroradiol [Internet]. 2018 [citado 17 Jul 2022]; 39(10):1776-1784. Disponible en: https://doi.org/10.3174/ajnr.A554319.

  20. Shur J, Doran S, Kumar S, Downey K, O'Connor J, Papanikolaou N, et al. Radiomics in Oncology: A Practical Guide. Radiophys [Internet]. Oct 2021 [citado 18 Oct 2022]; 41(6). Disponible en: https://doi.org/10.1148/rg.202121003720.

  21. Malik N, Geraghty B, Dasgupta A, Jabehdar Maralani P, Sandhu M, Lin Tseng C, et al. MRI radiomics to differentiate between low grade glioma and glioblastoma peritumoral region. J Neuro Oncol [Internet]. Oct 2021 [citado 13 Sep 2022]; 155:181-191. Disponible en: https://doi.org/10.1007/s11060-021-03866-921.

  22. Mulet De los Reyes A, C Suárez, Noriega Alemán M. Herramienta para la detección automática de nódulos pulmonares solitarios en series de imágenes de tomografía computarizada multicorte. Rev Cub Investig Biomed [Internet]. Jun 2020 [citado 15 Jun 2022]; 39(2). Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-0300202000020001922.

  23. Larrondo Pons E. Imagis 2.0, un sistema de información PACS basado en DICOM[Internet]. Santiago de Cuba: Centro de Biofísica Médica; c2021 [citado 20 Dic 2022]; [aprox. 4 p.]. Disponible en:: https://www.cent.uo.edu.cu/cbm/productos/23.




2020     |     www.medigraphic.com