Publicação
Inteligência Artificial em imagem médica: amiga ou adversária?
| Resumo: | A inteligência artificial (IA) é um ramo da ciência computorizada, que surgiu há cerca de 50 anos e que tem vindo a sofrer importantes desenvolvimentos nas últimas duas décadas. A sua aplicação na Medicina tem ganho notável protagonismo em diversas áreas, de que destacamos a da imagem médica. A base do funcionamento da IA assenta no reconhecimento de padrões por parte de sistemas informáticos que, através de uma leitura prévia de um elevado volume de dados que lhes são fornecidos, recorrem a algoritmos matemáticos para cumprirem a sua tarefa. Os termos machine learning (ML) e deep learning (DL) referem-se a dois subtipos de IA com potencial aplicação na área da radiologia. Deste modo, a IA prevê e permite o diagnóstico de diversas patologias e entidades clínicas, complementando os métodos de imagem 'convencionais'. Atualmente, o tema concentra elevada controvérsia uma vez que há quem considere que o futuro da imagem médica poderá estar indissociado da aplicação de sistemas de IA, os quais poderão substituir os médicos radiologistas.Este artigo de revisão pretende efetuar uma breve descrição dos fundamentos teóricos associados ao conceito de IA, reconhecer e descrever as suas aplicações na área da imagem médica e analisar os benefícios e inconvenientes dos sistemas de IA na radiologia, tendo em conta os limites associados à sua implementação clínica.Foi efetuada uma pesquisa bibliográfica na base de dados PubMed, foram selecionados artigos que cumprissem os objetivos propostos e procedeu-se à sua revisão e organização de acordo com os subtemas considerados pertinentes.A era dos big data e a investigação crescente da IA aplicada à imagem médica têm permitido demonstrar o seu elevado potencial nos vários subcampos da radiologia (deteção, segmentação, classificação, quantificação), em diversas patologias com destaque para as torácicas e pulmonares, mamárias e neuropsiquiátricas. Para além do seu uso na interpretação, os sistemas de IA têm sido alvo de intenso estudo para a melhoria da aquisição de imagem, para a organização de listas de trabalho, e para a análise radiómica e radiogenómica.Apesar dos obstáculos relacionados com o acesso a grandes bases de dados e com as implicações técnicas, de regulação e ético-legais, esta tecnologia tem todas as ferramentas para que possa ser muito útil na prática clínica. Contudo, a capacidade para estes sistemas ocuparem o lugar de um radiologista experiente na interpretação de exames imagiológicos e nas restantes funções de um médico é algo que poderá estar ainda aquém das expectativas dos mais entusiastas, que creem nas máquinas como substitutas dos radiologistas. |
|---|---|
| Autores principais: | Gomes, Carlos Alberto Marques |
| Assunto: | Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| Ano: | 2020 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Coimbra |
| Idioma: | português |
| Origem: | Estudo Geral - Universidade de Coimbra |
| _version_ | 1868797369509740544 |
|---|---|
| author | Gomes, Carlos Alberto Marques |
| author_facet | Gomes, Carlos Alberto Marques |
| author_role | author |
| contributor_name_str_mv | Semedo, Luis Miguel Catarino Curvo Estudo Geral |
| country_str | PT |
| creators_json_txt | [{\"Person.name\":\"Gomes, Carlos Alberto Marques\"}] |
| datacite.contributors.contributor.contributorName.fl_str_mv | Semedo, Luis Miguel Catarino Curvo Estudo Geral |
| datacite.creators.creator.creatorName.fl_str_mv | Gomes, Carlos Alberto Marques |
| datacite.date.Accepted.fl_str_mv | 2020-03-26T00:00:00Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| datacite.titles.title.fl_str_mv | Inteligência Artificial em imagem médica: amiga ou adversária? Artificial Intelligence in medical imaging: friend or foe? |
| dc.contributor.none.fl_str_mv | Semedo, Luis Miguel Catarino Curvo Estudo Geral |
| dc.creator.none.fl_str_mv | Gomes, Carlos Alberto Marques |
| dc.date.Accepted.fl_str_mv | 2020-03-26T00:00:00Z |
| dc.description.none.fl_str_mv | Artificial intelligence (AI) is a branch of computer science, which has emerged about 50 years ago and has undergone important developments over the past two decades. Its application in medicine has gained a notable prominence in several areas, including medical imaging. The functioning of AI is based on pattern recognition by computer systems that use mathematical algorithms to perform their task through a previous reading of a large quantity of data provided to them. Machine learning (ML) and deep learning (DL) are subtypes of AI with potential application in the field of radiology. Thus, AI predicts and allows the diagnosis of several pathologies and clinical entities, complementing the 'conventional' imaging methods. Currently, the subject is highly controversial since some consider the future of medical imaging to be inseparable from the application of AI systems, which may replace radiologists, while others believe AI can never suffice without radiologists.This review intends to provide a brief description of the theoretical foundations associated with the concept of AI, to recognize and describe its applications in the area of medical imaging and to analyze the benefits and drawbacks of AI systems in radiology, taking into account the limits associated with their clinical implementation.A bibliographic research was performed on the PubMed database and the articles that got selected met the proposed objectives and were reviewed and organized according to the sub-themes considered relevant.The big data era and the growing investigation of AI applied to medical imaging have demonstrated great value in the various subfields of radiology (detection, segmentation, classification, quantification) and, particularly, in thoracic and pulmonary, breast and neuropsychiatric diseases. In addition to their use in image interpretation, AI systems have been widely studied to improve image acquisition, organization of work lists and radiomic and radiogenomic analysis.In spite of the obstacles to access large databases and the technical, regulatory and ethical-legal implications, this technology has potential to be useful in clinical practice. However, the possibility of this systems taking the place of a radiologist, trained in imaging interpretation and in the remaining functions of a physician, still remains unattainable, contradicting the most enthusiastic, who believe in machines as replacers of radiologists. |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | https://hdl.handle.net/10316/97888 |
| dc.language.none.fl_str_mv | por |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.subject.none.fl_str_mv | Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| dc.title.fl_str_mv | Inteligência Artificial em imagem médica: amiga ou adversária? Artificial Intelligence in medical imaging: friend or foe? |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | A inteligência artificial (IA) é um ramo da ciência computorizada, que surgiu há cerca de 50 anos e que tem vindo a sofrer importantes desenvolvimentos nas últimas duas décadas. A sua aplicação na Medicina tem ganho notável protagonismo em diversas áreas, de que destacamos a da imagem médica. A base do funcionamento da IA assenta no reconhecimento de padrões por parte de sistemas informáticos que, através de uma leitura prévia de um elevado volume de dados que lhes são fornecidos, recorrem a algoritmos matemáticos para cumprirem a sua tarefa. Os termos machine learning (ML) e deep learning (DL) referem-se a dois subtipos de IA com potencial aplicação na área da radiologia. Deste modo, a IA prevê e permite o diagnóstico de diversas patologias e entidades clínicas, complementando os métodos de imagem 'convencionais'. Atualmente, o tema concentra elevada controvérsia uma vez que há quem considere que o futuro da imagem médica poderá estar indissociado da aplicação de sistemas de IA, os quais poderão substituir os médicos radiologistas.Este artigo de revisão pretende efetuar uma breve descrição dos fundamentos teóricos associados ao conceito de IA, reconhecer e descrever as suas aplicações na área da imagem médica e analisar os benefícios e inconvenientes dos sistemas de IA na radiologia, tendo em conta os limites associados à sua implementação clínica.Foi efetuada uma pesquisa bibliográfica na base de dados PubMed, foram selecionados artigos que cumprissem os objetivos propostos e procedeu-se à sua revisão e organização de acordo com os subtemas considerados pertinentes.A era dos big data e a investigação crescente da IA aplicada à imagem médica têm permitido demonstrar o seu elevado potencial nos vários subcampos da radiologia (deteção, segmentação, classificação, quantificação), em diversas patologias com destaque para as torácicas e pulmonares, mamárias e neuropsiquiátricas. Para além do seu uso na interpretação, os sistemas de IA têm sido alvo de intenso estudo para a melhoria da aquisição de imagem, para a organização de listas de trabalho, e para a análise radiómica e radiogenómica.Apesar dos obstáculos relacionados com o acesso a grandes bases de dados e com as implicações técnicas, de regulação e ético-legais, esta tecnologia tem todas as ferramentas para que possa ser muito útil na prática clínica. Contudo, a capacidade para estes sistemas ocuparem o lugar de um radiologista experiente na interpretação de exames imagiológicos e nas restantes funções de um médico é algo que poderá estar ainda aquém das expectativas dos mais entusiastas, que creem nas máquinas como substitutas dos radiologistas. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| id | estudogl_b431c19449b01acd55871b3012fec98c |
| identifier.url.fl_str_mv | https://hdl.handle.net/10316/97888 |
| instacron_str | uc |
| institution | Universidade de Coimbra |
| instname_str | Universidade de Coimbra |
| language | por |
| network_acronym_str | estudogl |
| network_name_str | Estudo Geral - Universidade de Coimbra |
| oai_identifier_str | oai:estudogeral.uc.pt:10316/97888 |
| organization_str_mv | urn:organizationAcronym:uc |
| person_str_mv | Gomes, Carlos Alberto Marques |
| publishDate | 2020 |
| reponame_str | Estudo Geral - Universidade de Coimbra |
| repository_id_str | urn:repositoryAcronym:estudogl |
| service_str_mv | urn:repositoryAcronym:estudogl |
| spelling | porporA inteligência artificial (IA) é um ramo da ciência computorizada, que surgiu há cerca de 50 anos e que tem vindo a sofrer importantes desenvolvimentos nas últimas duas décadas. A sua aplicação na Medicina tem ganho notável protagonismo em diversas áreas, de que destacamos a da imagem médica. A base do funcionamento da IA assenta no reconhecimento de padrões por parte de sistemas informáticos que, através de uma leitura prévia de um elevado volume de dados que lhes são fornecidos, recorrem a algoritmos matemáticos para cumprirem a sua tarefa. Os termos machine learning (ML) e deep learning (DL) referem-se a dois subtipos de IA com potencial aplicação na área da radiologia. Deste modo, a IA prevê e permite o diagnóstico de diversas patologias e entidades clínicas, complementando os métodos de imagem 'convencionais'. Atualmente, o tema concentra elevada controvérsia uma vez que há quem considere que o futuro da imagem médica poderá estar indissociado da aplicação de sistemas de IA, os quais poderão substituir os médicos radiologistas.Este artigo de revisão pretende efetuar uma breve descrição dos fundamentos teóricos associados ao conceito de IA, reconhecer e descrever as suas aplicações na área da imagem médica e analisar os benefícios e inconvenientes dos sistemas de IA na radiologia, tendo em conta os limites associados à sua implementação clínica.Foi efetuada uma pesquisa bibliográfica na base de dados PubMed, foram selecionados artigos que cumprissem os objetivos propostos e procedeu-se à sua revisão e organização de acordo com os subtemas considerados pertinentes.A era dos big data e a investigação crescente da IA aplicada à imagem médica têm permitido demonstrar o seu elevado potencial nos vários subcampos da radiologia (deteção, segmentação, classificação, quantificação), em diversas patologias com destaque para as torácicas e pulmonares, mamárias e neuropsiquiátricas. Para além do seu uso na interpretação, os sistemas de IA têm sido alvo de intenso estudo para a melhoria da aquisição de imagem, para a organização de listas de trabalho, e para a análise radiómica e radiogenómica.Apesar dos obstáculos relacionados com o acesso a grandes bases de dados e com as implicações técnicas, de regulação e ético-legais, esta tecnologia tem todas as ferramentas para que possa ser muito útil na prática clínica. Contudo, a capacidade para estes sistemas ocuparem o lugar de um radiologista experiente na interpretação de exames imagiológicos e nas restantes funções de um médico é algo que poderá estar ainda aquém das expectativas dos mais entusiastas, que creem nas máquinas como substitutas dos radiologistas.engArtificial intelligence (AI) is a branch of computer science, which has emerged about 50 years ago and has undergone important developments over the past two decades. Its application in medicine has gained a notable prominence in several areas, including medical imaging. The functioning of AI is based on pattern recognition by computer systems that use mathematical algorithms to perform their task through a previous reading of a large quantity of data provided to them. Machine learning (ML) and deep learning (DL) are subtypes of AI with potential application in the field of radiology. Thus, AI predicts and allows the diagnosis of several pathologies and clinical entities, complementing the 'conventional' imaging methods. Currently, the subject is highly controversial since some consider the future of medical imaging to be inseparable from the application of AI systems, which may replace radiologists, while others believe AI can never suffice without radiologists.This review intends to provide a brief description of the theoretical foundations associated with the concept of AI, to recognize and describe its applications in the area of medical imaging and to analyze the benefits and drawbacks of AI systems in radiology, taking into account the limits associated with their clinical implementation.A bibliographic research was performed on the PubMed database and the articles that got selected met the proposed objectives and were reviewed and organized according to the sub-themes considered relevant.The big data era and the growing investigation of AI applied to medical imaging have demonstrated great value in the various subfields of radiology (detection, segmentation, classification, quantification) and, particularly, in thoracic and pulmonary, breast and neuropsychiatric diseases. In addition to their use in image interpretation, AI systems have been widely studied to improve image acquisition, organization of work lists and radiomic and radiogenomic analysis.In spite of the obstacles to access large databases and the technical, regulatory and ethical-legal implications, this technology has potential to be useful in clinical practice. However, the possibility of this systems taking the place of a radiologist, trained in imaging interpretation and in the remaining functions of a physician, still remains unattainable, contradicting the most enthusiastic, who believe in machines as replacers of radiologists.application/pdfporInteligência Artificial em imagem médica: amiga ou adversária?AlternativeTitleengArtificial Intelligence in medical imaging: friend or foe?Gomes, Carlos Alberto MarquesSemedo, Luis Miguel Catarino CurvoHostingInstitutionOrganizationalEstudo Gerale-mailmailto:inf@sib.uc.ptinf@sib.uc.pt2020-03-262020-03-26T00:00:00ZHandlehttps://hdl.handle.net/10316/97888http://purl.org/coar/access_right/c_abf2open accessInteligência artificialImagem médicaDiagnóstico assistido por computadorMachine learningDeep learningArtificial intelligenceMedical imagingComputer assisted diagnosisMachine learningDeep learning772472 bytesliteraturehttp://purl.org/coar/resource_type/c_bdccmaster thesisapplication/pdfhttps://estudogeral.uc.pt/bitstream/10316/97888/1/TESE%3aDISSERTA%c3%87%c3%83O_CarlosG_FINAL.pdf |
| spellingShingle | Inteligência Artificial em imagem médica: amiga ou adversária? Gomes, Carlos Alberto Marques Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| status | SINGLETON |
| subject.fl_str_mv | Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| title | Inteligência Artificial em imagem médica: amiga ou adversária? |
| title_full | Inteligência Artificial em imagem médica: amiga ou adversária? |
| title_fullStr | Inteligência Artificial em imagem médica: amiga ou adversária? |
| title_full_unstemmed | Inteligência Artificial em imagem médica: amiga ou adversária? |
| title_short | Inteligência Artificial em imagem médica: amiga ou adversária? |
| title_sort | Inteligência Artificial em imagem médica: amiga ou adversária? |
| topic | Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| topic_facet | Inteligência artificial Imagem médica Diagnóstico assistido por computador Machine learning Deep learning Artificial intelligence Medical imaging Computer assisted diagnosis Machine learning Deep learning |
| url | https://hdl.handle.net/10316/97888 |
| visible | 1 |