O termo inteligência artificial (IA) refere-se a um ramo da ciência da computação que se dedica a criar sistemas capazes de realizar tarefas que normalmente requerem inteligência humana. Nos últimos anos, a IA ganhou relevância em imagens médicas. Por exemplo, em radiologia, o uso da IA tem sido promissor em uma ampla gama de aplicações, desde processamento e aquisição de imagens, armazenamento de dados, diagnóstico auxiliado por computador, e muitas outras. O aprendizado de máquinas (ML) é um subcampo de inteligência artificial que se concentra no desenvolvimento de algoritmos que podem aprender e se adaptar sem seguir instruções explícitas. As redes neurais, mais especificamente as redes neurais artificiais (ANN) são uma abordagem amplamente utilizada nas abordagens AI. Sua estrutura e nome foram inspirados pelo cérebro humano porque ele tenta imitar a maneira como os neurônios biológicos enviam sinais uns para os outros. As ANN consistem de camadas de entrada, oculta e de saída com grupos interligados de nós ou neurônios para simular o cérebro humano. As redes neurais constituem a espinha dorsal dos algoritmos de aprendizagem profunda (DL). Aprendizagem profunda é uma rede neural com três ou mais camadas. Na verdade, a profundidade, ou o número de camadas de nós de ANNs que distingue uma única rede neural de um algoritmo de aprendizado profundo.

O sucesso do aprendizado profundo em muitas aplicações de reconhecimento de padrões tem sido revolucionário porque trouxe excitação e altas expectativas no campo da saúde, especificamente em imagens médicas. O potencial de aplicar a análise de imagens médicas baseada no aprendizado profundo ao diagnóstico assistido por computador (CAD) fornece suporte à decisão dos clínicos. Além disso, ela pode melhorar a eficiência e a precisão no diagnóstico e nos processos de tratamento subseqüentes. Nos últimos dois anos, novos esforços de pesquisa e desenvolvimento em CAD têm sido focados em imagens médicas, tais como tomografia (CT) e ressonância magnética (MRI), radiografia, mamografia e ultra-som também são de interesse médico para explorar a tarefa de segmentação e classificação em AI.

Com o advento da IA em imagens médicas, os radiologistas não precisam conhecer os detalhes mais profundos destes algoritmos. Entretanto, é necessário conhecer o vocabulário técnico utilizado pelos engenheiros de aprendizado de máquinas e cientistas de dados para se comunicar eficientemente com eles e trabalhar juntos para ir um passo além em radiologia.

Fontes:

European Society of Radiology (ESR) communications@ myesr. org Neri Emanuele de Souza Nandita Brady Adrian Bayarri Angel Alberich Becker Christoph D. Coppola Francesca Visser Jacob. (2019). O que o radiologista deve saber sobre inteligência artificial – um livro branco da ESR. Insights into imaging, 10(1), 44.

Shen, D., Wu, G., & Suk, H. I. (2017). Aprendizagem profunda na análise de imagens médicas. Annual review of biomedical engineering, 19, 221.

Alvaro Andres Sandino

Data Scientist, IMEXHS

Sra. C Engenheira biomédica

Universidad Nacional de Colombia

Cientista de dados