Definición De Inteligencia Artificial, Aprendizaje Profundo Y Aprendizaje Automatico

Definición De Inteligencia Artificial, Aprendizaje Profundo Y Aprendizaje Automatico

Español, inteligencia artificial, radiología, Spanish

Reading Time: 7 minutes read

Comprender los significados de los términos de IA y sus roles en las imágenes de diagnóstico.

Si asistió a una conferencia de diagnóstico por imágenes o leyó una publicación de la industria el año pasado, es probable que haya escuchado el término “inteligencia artificial”. Si no está seguro acerca de su significado y sus aplicaciones en diagnóstico por imágenes, no está solo. En este blog, definiremos la inteligencia artificial, el aprendizaje profundo, el aprendizaje automático, y explicaremos sus diferencias.

Comencemos nuestras definiciones con inteligencia artificial (IA), que es tanto la teoría como el desarrollo de sistemas informáticos que pueden realizar tareas que normalmente requieren inteligencia humana. Como campo de investigación, investiga cómo construir algoritmos específicos para que se comporten de una manera que pueda considerarse inteligente. Utilizamos inteligencia artificial casi a diario para numerosas tareas. (1) Amazon sugiere productos relacionados para que los compre y qué películas ver a continuación. Las compañías de tarjetas de crédito lo usan para detectar y alertar sobre cambios inusuales en su comportamiento de compra que pueden indicar fraude.

Saiba mais sobre os aplicativos da Carestream AI na JPR

Comienza con un algoritmo

El bloque de construcción para estas y otras aplicaciones de inteligencia artificial es un algoritmo. Un algoritmo es “un conjunto de instrucciones informáticas diseñadas para realizar una tarea específica”. (2)

Aprendizaje automático: interpretación de conjuntos de datos

El aprendizaje automático y el aprendizaje profundo son subconjuntos y aplicaciones de la inteligencia artificial. Exploran el estudio y la construcción de algoritmos que pueden aprender de los datos y hacer predicciones al respecto. Comencemos definiendo el aprendizaje automático. Según Upwork, esta “rama de la informática” tiene que ver con la construcción de algoritmos guiados por los datos. En lugar de confiar en programadores humanos para proporcionar instrucciones explícitas, los algoritmos de aprendizaje automático utilizan conjuntos de entrenamiento de datos del mundo real para inferir modelos más precisos y sofisticados de lo que los humanos podrían diseñar por sí mismos”. (4) En otras palabras, aplicaciones de aprendizaje automático. Se refinan con la experiencia, no muy diferente del concepto humano de aprendizaje. Por ejemplo, se puede programar un algoritmo simple para reconocer una foto de un Labrador Retriever en su teléfono como un “perro”. Pero no reconocería a un beagle como un “perro”. Hacerlo requeriría que un programador de computadoras defina todas las características de todas las razas de perros por adelantado, proporcionando las instrucciones paso a paso necesarias. Por el contrario, el aprendizaje automático utiliza algoritmos complejos para aprender por sí mismo. En el ejemplo de nuestro Labrador, un programador de computadoras crea un conjunto de datos de características generales sobre perros. Con base en este conjunto de datos, los algoritmos pueden hacer sus propias inferencias sobre otras imágenes basadas en esos datos, y así poder identificar que un Chihuahua es tan perro como un Gran Danés; y que un gato siamés no es un canino.

La tecnología de juegos impulsa el aprendizaje automático

Las primeras aplicaciones del aprendizaje automático se introdujeron en la década de 1980. Sin embargo, los cálculos complejos requerían más potencia de cálculo de la que estaba disponible en ese momento. Esto cambió alrededor de 2000 con la introducción de unidades de procesamiento gráfico (GPU). Esta misma tecnología que puede hacer que los mundos virtuales de fantasía en 3D trIAgan la potencia informática necesaria para el aprendizaje automático. Al mismo tiempo, el acceso económico al almacenamiento y la comoditización del hardware impulsaron el desarrollo de aplicaciones de aprendizaje automático. Hoy en día, la tecnología de aprendizaje automático se está acelerando a un ritmo más allá de la Ley de Moore, con algoritmos y modelos que duplican su capacidad cada seis meses, según Health Data Management. (5)

Aprendizaje profundo: no se requiere entrenamiento

El aprendizaje profundo es el aprendizaje automático con esteroides. Esta forma muy avanzada de aprendizaje automático explora el uso de redes neuronales artificiales, una forma de algoritmo inspirado en la estructura y función del cerebro humano. Evolucionar del aprendizaje automático al aprendizaje profundo, y del análisis a la interpretación, es un gran salto. ¿Por qué? Porque los cerebros tienen más de 85 mil millones de conexiones neuronales. Aunque las redes neuronales artificiales han aumentado de tamaño, por lo general contienen solo entre unos pocos miles y unos pocos millones de neuronas. (6) Sin embargo, se está progresando. Se está diseñando una nueva generación de tecnología de chip de computadora conocida como procesadores neuromórficos para ejecutar de manera más eficiente el código de simulador cerebral. Sistemas como la plataforma de cómputo cognitivo Watson de IBM usan simulaciones de alto nivel de procesos neurológicos humanos para llevar a cabo una gama cada vez mayor de tareas sin que se les enseñe específicamente cómo hacerlo. Las posibilidades llevaron al Director de Ingeniería de Google, Ray Kurzweil, a predecir que las máquinas tendrán la capacidad de ser más inteligentes que los humanos para 2029. (7)

Aplicaciones actuales de IA en diagnóstico por imágenes

Ahora que entendemos los significados de la inteligencia artificial, el aprendizaje profundo y el aprendizaje automático, exploremos sus aplicaciones en diagnóstico por imágenes. Hay dos áreas principales que se están desarrollando. Uno es la cuantificación; el otro es interpretación. Aquí hay un ejemplo de cuantificación actualmente respaldado por Carestream. Nuestro socio, Zebra Medical Vision, creó un algoritmo que puede calcular la densidad de un hueso capturado con CT. El algoritmo se ejecuta cada vez que detecta una imagen de un hueso, a pesar de que la densidad ósea no es la preocupación que llevó a un paciente a ver a un médico. Algoritmos adicionales analizan el píxel y los bytes de datos contenidos dentro de la imagen para detectar los distintos patrones asociados con la densidad ósea. El resultado del análisis algorítmico es una medida. Este es un ejemplo del uso de la IA para la cuantificación. El número resultante se puede comparar con una métrica de umbral para determinar si el paciente está en riesgo de fractura. Si el número está por debajo del umbral, un médico puede recetarle una ingesta regular de calcio u otra medida preventiva. Otras aplicaciones de aprendizaje automático actualmente apoyadas por Carestream incluyen la detección de altos niveles de calcio coronario, tejido de hígado graso, enfisema y hemorragias cerebrales, y la lista está creciendo.

Las imágenes de diagnóstico son un tesoro para el aprendizaje de IA

Desarrollar este nivel de cuidado preventivo requiere no solo experiencia en análisis de imágenes para desarrollar los algoritmos, sino también acceso a enormes bibliotecas de imágenes. Los algoritmos necesitan analizar muchos casos para estar más informados y ser más precisos. Carestream puede jugar un papel clave en esta evolución. Gestionamos cientos de miles de millones de imágenes en nuestros repositorios de imágenes médicas en la nube y en centros de datos sanitarios nacionales y regionales; y el volumen crece a diario. Estas imágenes pueden ser materia prima para que los líderes clínicos desarrollen, prueben y validen nuevos algoritmos. Los equipos de investigación y las empresas de nueva creación en todo el mundo están produciendo nuevos algoritmos para cubrir más partes del cuerpo y patologías. No pasará mucho tiempo antes de que los radiólogos estén equipados con miles de algoritmos predictivos para detectar automáticamente los patrones de las enfermedades más comunes. Esta aplicación de análisis de datos avanzados mantiene la emocionante perspectiva de predecir qué pacientes corren mayor riesgo de eventos clínicos que requieren una intervención temprana. Es un avance importante para brindar atención preventiva.

Carestream está preparada para respaldar estas nuevas inversiones con nuestra Plataforma de Colaboración Clínica modular y basada en estándares que está abierta a diferentes integraciones. ¿La inteligencia artificial reemplazará a los radiólogos en el futuro cercano? ¿El aprendizaje profundo pondrá fin a la profesión en 2029? No toma un algoritmo para darse cuenta de que la respuesta es no. El Dr. Eliot Siegel, Profesor y Vicepresidente de Informática de Investigación en la Facultad de Medicina de la Universidad de Maryland, Departamento de Radiología Diagnóstica, afirma que “si bien las redes neuronales han tenido éxito con imágenes muy pequeñas (por ejemplo, 220 x 240 píxeles), no han sido aplicado a las imágenes mucho más complejas en una radiografía, y mucho menos a un estudio volumétrico de CT o MRI “. En su blog sobre 5 razones por las cuales el futuro de los radiólogos es seguro, él escribe que “nadie está cerca de tener éxito general aplicando las técnicas actuales a las imágenes médicas”. Con el fin de crear un sistema para hacer observaciones de radiología, uno necesitaría combinar miles de algoritmos desarrollados en los últimos 25 años. Incluso estos solo cubrirían una pequeña fracción de las enfermedades y diagnósticos hechos por los radiólogos”.

El papel de la IA en radiología crecerá

Predecir el futuro es un negocio arriesgado. Sin embargo, podemos afirmar inequívocamente que las aplicaciones de la asistencia sanitaria de IA seguirán evolucionando. La investigación publicada por MarketsandMarkets proyecta que el mercado de la inteligencia artificial sanitaria crecerá a más de 7.900 millones de dólares en 2022. Se podrían ver nuevas pruebas en RSNA17, que presentaba una Comunidad de aprendizaje automático y una Muestra de aprendizaje automático por primera vez en 2017. Ya sea que lo llame inteligencia artificial, datos grandes, aprendizaje inteligente o algún otro término, puede estar seguro de que los algoritmos desempeñarán un papel cada vez más importante en la cuantificación de las imágenes de diagnóstico. Espero que este blog te haya dado una mejor comprensión de los términos inteligencia artificial, aprendizaje profundo y aprendizaje automático. #IA #bigdata

¿Desea aprender más sobre los significados de la inteligencia artificial, el aprendizaje profundo y el aprendizaje automático?

Mire la presentación en video de Machine Learning Showcase de RSNA sobre “Creación de valor en plataformas Enterprise Imaging con Analytics y IA”.

Y lee nuestros blogs en:

Big Data en radiología: ¿el futuro de la imagen es un número?

¿Los radiólogos serán reemplazados por las computadoras?

Dario Arfelli es Gerente de Marketing de TI Global Health en Carestream Health.