Inteligencia artificial en el diagnóstico de enfermedades neurodegenerativas: revisión sistemática de la literatura
DOI:
https://doi.org/10.33448/rsd-v10i11.20004Palabras clave:
Inteligencia artificial; Enfermedades neurodegenerativas; Resonancia magnética; Diagnóstico.Resumen
Introducción: La Inteligencia Artificial (IA) es una rama de la informática que tiene como objetivo desarrollar sistemas que simulen la capacidad humana de percibir un problema, identificando sus componentes con el fin de resolver problemas y proponer / tomar decisiones. Objetivo: ampliar el conocimiento y categorizar las aplicaciones del uso de la IA para el diagnóstico, tratamiento y pronóstico de enfermedades neurodegenerativas, ya que, en la actualidad, su uso se vuelve ampliamente aplicable y fundamental para eludir las etapas de la enfermedad. Metodología: Se trata de una investigación descriptiva del tipo revisión integradora de la literatura realizada a través del acceso en línea en las bases de datos de la Biblioteca Nacional de Medicina (PubMed MEDLINE), Biblioteca Electrónica Científica en Línea (Scielo), Google Scholar, Biblioteca Virtual de Salud (BVS), Web de Science and EBSCO Information Services, junio y julio de 2021. Resultados y discusión: En los últimos años, los datos de las redes neuronales, el aprendizaje profundo y otros métodos matemáticos se están desarrollando a un ritmo sin precedentes. Se han utilizado ampliamente en el campo del análisis de imágenes y han demostrado un gran potencial en el análisis de imágenes médicas en el diagnóstico de la enfermedad de Alzheimer, la enfermedad de Parkinson, la esclerosis múltiple y la aplicación de estos métodos puede mejorar aún más la capacidad de análisis de datos. imágenes y mejorar la eficiencia de estos diagnósticos. Conclusión: con inteligencia artificial, los trastornos neurodegenerativos se pueden investigar a un nivel más profundo, proporcionando una visión global de la enfermedad y allanando el camino para la aplicación de la medicina de precisión a estas patologías.
Citas
Ahmed, O. B., Mizotin, M., Pineau, J. B., Allard, G. C. & Amar, C. B. (2015). Alzheimer’s disease diagnosis on structural MR images using circular harmonic functions descriptors on hippocampus and posterior cingulate cortex. Computerized Medical Imaging and Graphics, 44 (1), 13-25.
Ahmed, O. B., Pineau, J. B., Allard, M., Catheline, G. & Amar, C. B. (2016). Recognition of Alzheimer's Disease and Mild Cognitive Impairment with multimodal image-derived biomarkers and Multiple Kernel Learning. Computerized Medical Imaging and Graphics, 16 (1), 1-35.
Bakkar, N., Kovalik, T., Lorenzini, I., Spangler, S., Lacoste, A., Sponaugle, K., Ferrante, P., Argentinis, E., Sattler, R. & Bowser, R. (2018) Artificial intelligence in neurodegenerative disease research: use of IBM Watson to identify additional RNA-binding proteins altered in amyotrophic lateral sclerosis. Acta neuropathologica, 135(2), 227-247.
Belic, M., Bobic, V., Badza, M., Solaja, N. & Juvicic, M. D. (2019). Artificial intelligence for assisting diagnostics and assessment of Parkinson’s disease—A review. Clinical Neurology and neurosurgery. 184 (105442), 1-7.
Braga, A., Lins, A., Soares, L., Fleury, L., Carvalho, J. & Prado, R. (2019) Machine learning: O Uso da Inteligência Artificial na Medicina. Braz. J. of Develop, 5(9), 16407-16413.
Ding, Y., Sohn, J. H., Kawcynski, M. G., Trivedi, H., Harnish, R., Jenkins, N., Lituiev, D., Copeland, T. P. & ABoian, M. S. (2019). A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain. Radioloy, 290 (1), 456-464.
Folego, G., Weiler, M., Casseb, R. F., Pires, R. & Rocha, A. (2020). Alzheimer’s Disease Detection Through Whole-Brain 3D-CNN MRI Frontiers in Bioengineering and Biotechnology, 8 (534592), 1-14.
Fomenko, A. & Lozano, A. (2019) Artificial intelligence in neurosurgery. University of Toronto Medical Journal, 96(1), 19-21.
Kim, D., Wit, H. & Thurston, M. (2018) Artificial intelligence in the diagnosis of Parkinson’s disease from ioflupane-123 single-photon emission computed tomography dopamine transporter scans using transfer learning. Nuclear medicine communications, 39(10), 887-893.
Liu, X., Chen, K., Wu, T., Weidman, D., Lure, F. & Li, J. (2018). Use of multi-modality imaging and artificial intelligence for diagnosis and prognosis of early stages of alzheimer's disease. Translational Research, 1-33.
Lobo, L. (2017) Inteligência Artificial e Medicina. Rev Bras de Educação Médica, 41(1), 185-193.
Matsuoka, T., Imai, A., Fujimoto, H., Kato, Y., Shibata, K., Nakamura, L., Yokota, H., Yamada, K. & Narumoto, J. (2017). Reduced Pineal volume in Alzheimer disease: a retrospective cross-sectional MR imaging study. Radiology, 286 (1), 238-248.
Russel, S. & Norvig, P. (2013) Inteligência Artificial. (3a ed.), Elsevier.
Strafella, C., Caputo, V., Galota, M., Zampatti, S., Marella, G., Mauriello, S., Cascella, R. & Giardina, E. (2018) Application of precision medicine in neurodegenerative diseases. Frontiers in neurology, 9, 701.
Tang, Y., Meng, L., Wan, C. M., Liu, Z. H., Liao, W. H., Yan, X. X., Wang, X. Y., Tang, B. S. & Guo, J. F. (2017) Identificando a presença da doença de Parkinson usando flutuações de baixa frequência em Sinais BOLD. Neurosci. Lett. 645(1), 1-6.
Tecuci, G. (2012) Artificial intelligence. Wiley Periodicals, 4, 168 -180.
Van Assen, M., Lee, S. & De Cecco, C. (2020) Artificial intelligence from A to Z: from neural network to legal framework. European Journal of Radiology, v. 129, 109083.
Vashistha, R., Yadav, D., Chhabra, D. & Shukla, P. (2019) Artificial Intelligence Integration for Neurodegenerative Disorders. Leveraging Biomedical and Healthcare Data, p. 77–89.
Westman, E., Muehlboeck, J. S. & Simmons, A. (2012). Combining MRI and CSF measures for classification of Alzheimer's disease and prediction of mild cognitive impairment conversion. Neuroimage, 62 (1), 229-238.
Xu, J. & Zhang, M. (2019). Use of Magnetic Resonance Imaging and Artificial Intelligence in Studies of Diagnosis of Parkinson’s Disease. ACS Chem. Neurosci. 10 (1), 1658-2667.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Emilayne Nicácio Dias Brito; Bárbara Queiroz de Figueiredo; Diego Nunes Souto; Júlia Fernandes Nogueira; Ana Luísa de Castro Melo; Iorrane Tavares da Silva; Iuri Pimenta Oliveira; Marcelo Gomes de Almeida
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
