La Inteligencia Artificial para el diagnóstico en la Radiología.
La Inteligencia Artificial y el Machine Learning son conceptos que, dados a su novedad generan curiosidad en la población. Pudiendo deberse al gran potencial de algunos lenguajes de programación como Python o R, para el diseño de los algoritmos que se desean implementar.
Si bien estos conceptos puedan parecer similares a simple vista, la gran diferencia entre ambos es que el Machine Learning se concentra en entrenar a la maquina para que esta pueda aprender. Por otro lado, la Inteligencia Artificial, corresponde a las decisiones que esta pueda llegar a tomar, después de haber sido entrenada.
Los campos en los cuales puede ser aplicados tanto el Machine Learning como Inteligencia Artificial son bastantes. Ya sea desde vehículos automatizados, publicidad e incluso en la radiología como herramienta de diagnóstico, tal como lo exponen K. Mun et al (2017).
Entre algunas de las aplicaciones en radiología, en las que se puede implementar el Machine Learning/Inteligencia Artificial en el mundo de la radiología, para proporcionar un diagnóstico más integral son:
Mejoramiento de la ayuda asistida por computadora para el diagnóstico para la detección:
Para este último la Inteligencia Artificial ha permitido ser un estándar en los Estados Unidos para la detección temprana del cáncer de mama. De igual modo se ha observado su utilidad para evitar la ceguera por parte de la retinopatía diabética.
Mejoramiento de productividad y reducción de costes:
Como todo proceso lo que se busca es permitir un diagnóstico más certero, pero, sin olvidarnos de los costes de hardware que esto podría conllevar. Al respecto H. Wong et al (2017), mencionan que a los programas de código abierto como Python se pueden llegar a implementar con sus frameworks de código abierto tales como Keras, Pytorch, Tenserflow, entre otros. Con el propósito de reducir costes de software. Sin embargo, dado que algunos de sus frameworks son de propósito general, es necesario evaluar cual, de ellos, se adecuará en el estudio a realizar.
Mejoramiento del propio algoritmo:
Lo que se buscará siempre es la automatización, por lo que se espera que el algoritmo sea capaz de procesar la imagen (normalizarla y segmentarla), para posteriormente clasificar sus características de interés mediante el algoritmo de Redes Neuronales Convolucionales (CNN, por sus siglas en inglés), permitiendo obtener características que para el ser humano sería dificil de visualizar.
Entre algunas de las limitaciones que se pueden obtener en los puntos anteriormente dichos, es que, en el caso de los frameworks se debe velar por la utilidad que estos puedan tener para la investigación de interés, debido que, al ser de propósito general, se puede requerir un mayor calculo computacional para ejecutar una misma tarea.
De igual modo, en el caso de las bases de datos a utilizar para el diseño de la inteligencia artificial, puede resultar en una tarea complicada ya sea por las políticas de privacidad, confidencialidad, o su restricción de uso, si es que se desean utilizar en un país ajeno al de origen.
Seong K. Mun, Kenneth H. Wong, Shih-Chung B. Lo, Yanni Li, & Shijir Bayarsaikhan. (2021). Artificial Intelligence for the Future Radiology Diagnostic Service. Frontiers in Molecular Biosciences, 7. https://doi-org.udlap.idm.oclc.org/10.3389/fmolb.2020.614258
