Una comparación entre la inteligência artificial y los médcios radiólogos en el campo de la interpretación de exámenes de imagen
DOI:
https://doi.org/10.33448/rsd-v13i11.47411Palabras clave:
Radiología; Inteligencia Artificial; Diagnóstico.Resumen
En el campo de la interpretación de exámenes de imágenes, los radiólogos combinan conocimientos clínicos y técnicos para lograr un diagnóstico preciso. Por otro lado, la inteligencia artificial (IA) tiene la capacidad de procesar y combinar grandes volúmenes de datos. Ante esto, surge la pregunta cuál sería el papel de la IA en el ámbito de la radiología en comparación con los radiólogos. El presente estudio busca hacer una comparación entre inteligencia artificial y radiólogos en el campo de la interpretación de exámenes de imágenes a través de revista literaria, que utilizó como medio de investigación las bases de datos PubMed, SciELO y Fiocruz. hay estudios que prueban que actualmente algunas bases de datos de inteligencia artificial basadas en “profundos aprendizaje” aún no son suficientes para lograr resultados de diagnóstico por imagen superiores al 80% sensibilidad, tomando como comparación la sensibilidad de los exámenes estándar sin interpretación de inteligencia artificial. La conclusión fue que existe evidencia de que la IA puede alcanzar niveles de precisión similares o superiores a los de los radiólogos en determinadas condiciones. Sin embargo, la participación conjunta entre el hombre y La inteligencia artificial aumenta la sensibilidad de los exámenes de imágenes, así como la precisión.
Citas
Araújo-Filho, J., et al. (2019). Inteligência artificial e diagnóstico por imagem: o futuro chegou? Revista da Sociedade de Cardiologia do Estado de São Paulo, 346-349.
Auffermann, W. F., Gozansky, E. K., & Tridandapani, S. (2019). Artificial Intelligence in Cardiothoracic Radiology. AJR American Journal of Roentgenology, 212(5), 997-1001. https://doi.org/10.2214/AJR.18.20771
Azevedo-Marques, P. M. (2001). Diagnóstico auxiliado por computador na radiologia. Radiologia Brasileira, 34, 285-293.
Baghdadi, L. R., et al. (2024). Patients’ attitudes toward the use of artificial intelligence as a diagnostic tool in radiology in Saudi Arabia: Cross-sectional study. JMIR Human Factors, 11(1), e53108.
Brejnebøl, M. W., et al. (2024). Interobserver agreement and performance of concurrent AI assistance for radiographic evaluation of knee osteoarthritis. Radiology, 312(1), e233341.
Bretas, E. A. S., et al. (2020). Estimating the productivity of radiologists in Brazil: The search for a benchmark. Radiologia Brasileira, 53(2), 73-80. https://doi.org/10.1590/0100-3984.2019.0081
Char, D. S., Shah, N. H., & Magnus, D. (2018). Implementing machine learning in health care: Addressing ethical challenges. New England Journal of Medicine, 378(11), 981-983.
Dembrower, K., et al. (2023). Artificial intelligence for breast cancer detection in screening mammography in Sweden: A prospective, population-based, paired-reader, non-inferiority study. The Lancet Digital Health, 5(10), e703-e711.
Dias, A., et al. (2024). The new era of artificial intelligence in neuroradiology: Current research and promising tools. Arquivos de Neuro-Psiquiatria, 82(6), 1-12.
Esteva, A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
Ghaffar Nia, N., Kaplanoglu, E., & Nasab, A. (2023). Evaluation of artificial intelligence techniques in disease diagnosis and prediction. Discover Artificial Intelligence, 3(1), 5.
Geras, K. J., et al. (2019). Artificial intelligence for mammography and digital breast tomosynthesis: Current concepts and future perspectives. Radiology, 293(2), 246-259.
Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the knowledge in a neural network. Stat, 1050, 9.
Johansson, J. V., & Engström, E. (2024). ‘Humans think outside the pixels’–Radiologists’ perceptions of using artificial intelligence for breast cancer detection in mammography screening in a clinical setting. Health Informatics Journal, 30(3), 14604582241275020.
Kelly, B. S., et al. (2022). Radiology artificial intelligence: A systematic review and evaluation of methods (RAISE). European Radiology, 32(11), 7998-8007.
Krittanawong, C., Kaplin, S., & Sharma, S. K. (2024). Artificial intelligence on interventional cardiology. In Artificial Intelligence in Clinical Practice (pp. 51-63). Academic Press.
Liew, C. (2018). The future of radiology augmented with artificial intelligence: A strategy for success. European Journal of Radiology, 102, 152-156.
Leitão, C. A., Salvador, G. L. O., Rabelo, L. M., & Escuissato, D. L. (2024). Performance of ChatGPT on questions from the Brazilian College of Radiology annual resident evaluation test. Radiologia Brasileira, 57, e20230083. https://doi.org/10.1590/0100-3984.2023.0083-en
Li, M. D., & Little, B. P. (2023). Appropriate reliance on artificial intelligence in radiology education. Journal of the American College of Radiology, 20(11), 1126-1130.
Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.
Lobo, L. C. (2017). Inteligência artificial e medicina. Revista Brasileira de Educação Médica, 41, 185-193.
McKinney, S. M., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89-94.
Nana, M., et al. (2024). Accuracy of an artificial intelligence system for interval breast cancer detection at screening mammography. Radiology, 312(2), e232303.
Offiah, A. C. (2022). Current and emerging artificial intelligence applications for pediatric musculoskeletal radiology. Pediatric Radiology, 52(11), 2149-2158.
Park, S. H., et al. (2023). Methods for clinical evaluation of artificial intelligence algorithms for medical diagnosis. Radiology, 306(1), 20-31.
Rajpurkar, P., et al. (2017). Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning. arXiv preprint arXiv:1711.05225.
Reyes, M., et al. (2020). On the interpretability of artificial intelligence in radiology: Challenges and opportunities. Radiology: Artificial Intelligence, 2(3), e190043.
Santos, M. K., et al. (2019). Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: Advances in imaging towards precision medicine. Radiologia Brasileira, 52(6), 387-396.
Pereira, A. S., et al. (2018). Metodologia da pesquisa científica. Santa Maria, RS: Ed. UAB/NTE/UFSM.
Pereira, R. F. B., et al. (2024). Accuracy of an artificial intelligence algorithm for detecting moderate-to-severe vertebral compression fractures on abdominal and thoracic computed tomography scans. Radiologia Brasileira, 57, e20230102.
Sogani, J., et al. (2020). Artificial intelligence in radiology: The ecosystem essential to improving patient care. Clinical Imaging, 59(1), A3-A6.
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.
Veronezi, C. C. D., et al. (2011). Análise computacional para auxílio ao diagnóstico de osteoartrite de coluna lombar baseado em redes neurais artificiais. Revista Brasileira de Ortopedia, 46, 195-199.
Wang, D., et al. (2016). Deep learning for identifying metastatic breast cancer. arXiv preprint arXiv:1606.05718.
Yacoub, B., et al. (2022). Performance of an artificial intelligence-based platform against clinical radiology reports for the evaluation of noncontrast chest CT. Academic Radiology, 29, S108-S117.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Giovanna Bastos Prado de Melo; Igor de Bernardi Borges Araujo; Guilherme Pinheiro Guedes; Rodrigo Nascimento Alves; Márcio José Rosa Requeijo
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.
