El término inteligencia artificial (IA) hace referencia a una rama de la informática que se dedica a crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana. En los últimos años, la IA ha cobrado relevancia en el ámbito de la imagen médica. Por ejemplo, en radiología el uso de la IA ha dado resultados prometedores en una amplia gama de aplicaciones, desde el procesamiento y la adquisición de imágenes, el almacenamiento de datos, el diagnóstico asistido por ordenador y muchas otras. El aprendizaje automático (ML) es un subcampo de la inteligencia artificial que se centra en desarrollar algoritmos que puedan aprender y adaptarse sin seguir instrucciones explícitas. Las redes neuronales, y más concretamente las redes neuronales artificiales (RNA), son un enfoque muy utilizado en los planteamientos de la IA. Su estructura y nombre se inspiran en el cerebro humano porque intentan imitar la forma en que las neuronas biológicas se envían señales entre sí. Las RNA constan de capas de entrada, ocultas y de salida con un grupo interconectado de nodos o neuronas para simular el cerebro humano. Las redes neuronales constituyen la columna vertebral de los algoritmos de aprendizaje profundo (DL). El aprendizaje profundo es una red neuronal con tres o más capas. De hecho, la profundidad, o el número de capas de nodos de las RNA, es lo que distingue a una red neuronal simple de un algoritmo de aprendizaje profundo.

El éxito del aprendizaje profundo en muchas aplicaciones de reconocimiento de patrones ha sido revolucionario, ya que ha generado entusiasmo y grandes expectativas en el campo de la salud, concretamente en el de las imágenes médicas. El potencial de la aplicación del análisis de imágenes médicas basado en el aprendizaje profundo al diagnóstico asistido por ordenador (CAD) proporciona apoyo a la toma de decisiones de los médicos. Además, puede mejorar la eficiencia y la precisión en los procesos de diagnóstico y tratamiento posterior. En los últimos dos años, los nuevos esfuerzos de investigación y desarrollo en CAD se han centrado en las imágenes médicas como la tomografía (CT) y la resonancia magnética (MRI), la radiografía, la mamografía y la ecografía también son de interés médico para explorar la tarea de segmentación y clasificación en la IA.

Con la llegada de la IA a la imagen médica, los radiólogos no necesitan conocer los detalles más profundos de estos algoritmos. Sin embargo, es necesario conocer el vocabulario técnico que utilizan los ingenieros de aprendizaje automático y los científicos de datos para comunicarse eficazmente con ellos y trabajar juntos para ir un paso más allá en radiología.

Fuentes:

Sociedad Europea de Radiología (ESR) communications@ myesr. org Neri Emanuele de Souza Nandita Brady Adrian Bayarri Angel Alberich Becker Christoph D. Coppola Francesca Visser Jacob. (2019). Lo que el radiólogo debe saber sobre la inteligencia artificial-un libro blanco de la ESR. Insights into imaging, 10(1), 44. Shen, D., Wu, G., & Suk, H. I. (2017). Aprendizaje profundo en el análisis de imágenes médicas. Annual review of biomedical engineering, 19, 221.

Álvaro Andrés Sandino
Data Scientist, IMEXHS
Ms.C Ingeniero Biomédico
Universidad Nacional de Colombia
Científico de datos