Eco matemático ISSN: 1794-8231 (Impreso), E-ISSN: 2462-8794 (En línea) Volumen 12 (2) Julio-Diciembre de 2021, páginas 100-111

Técnicas de inteligencia artificial aplicadas al análisis de imágenes diagnóstico

---

Introducción

Las imágenes representan en el ámbito de la medicina una herramienta que determina con mayor claridad y exactitud el diagnóstico de patologías o enfermedades en los pacientes, esto en complementación con otros tipos de exámenes; de otra parte. El DI ha estado en constante desarrollo e investigación para la optimización y eficiencia en la toma de datos y análisis de los mismos. Uno de los principales alcances ha sido asociarle técnicas de procesamiento para obtener mayor eficiencia en el diagnóstico de enfermedades a base del análisis de imágenes.

Existe un conjunto sólido de razones suficientes para comprender el trascendente papel de las computadoras, específicamente de la Inteligencia Artificial en la sociedad postmoderna, de las Tecnologías de la información y las Comunicaciones TICs en general y otras tecnologías asociadas.

La implementación de Inteligencia Artificial en procedimientos de la medicina es válida actualmente, porque implica optimización en la medicina preventiva como en el seguimiento del tratamiento, además, los procedimientos que constituyen la toma de imágenes como punto esencial para el diagnóstico a tiempo de muchas patologías o posibles enfermedades facilitan la realización de un juicio médico rápido y eficiente y el desarrollo de tecnologías asociadas con las técnicas de IA, aplicadas a la medicina, representa una novedosa perspectiva, que puede reducir los costos, el tiempo, los errores médicos; así como potenciar el uso de los recursos humanos en las ramas médicas con mayores requerimientos (Expósito Gallardo & Ávila Ávila, 2008).

Desde el descubrimiento del área de estudio de IA, la ciencia ha estado en constante desarrollo para la implantación de métodos y técnicas de éste campo, que facilitan procedimientos ya existentes, dentro del ciencias médicas, económicas, sociales y otras.

Este artículo recopila gran parte de los últimos avances en la automatización con técnicas y métodos de la IA en el análisis de patologías por medio de imágenes diagnósticos, surgiendo las siguientes preguntas de investigación.

Q1: ¿Cómo se determina la automatización en imágenes diagnóstico con IA?

Q2: ¿Cuál ha sido los avances en proyectos de investigación sobre DI en la medida de la precisión para determinar la viabilidad del método implementado?

Q3: ¿Cuáles son limitaciones presentadas en las propuestas estudiadas y los alcances o posibles proyectos a realizar a partir de estos estudios de técnicas de IA en imágenes diagnóstico?

Q4: ¿Qué fundamentos matemáticos aplica gran parte de las tecnologías de IA en análisis de imagen?

Q5: ¿Qué avances y proyectos han implementado tecnologías de IA para una detección rápida y segura de la enfermedad de Covid-19 desde una imagen médica?

La recopilación y selección de estudios e información sobre avances de implantación de Técnicas de IA en el campo de imágenes diagnósticos, permite tener una visión actualizada de este tema y sirve como punto de partida para futuros trabajos y proyectos que tienen como objetivo el progreso en la determinación de enfermedades a base de imágenes médicas.

Teniendo en cuenta los anteriores datos e información es pertinente que surja la siguiente pregunta en la conclusión:

Q6: ¿Un artículo científico de Revisión sobre los avances y estudios de las Técnicas de IA aplicadas al análisis de imágenes diagnóstico, facilitará la realización y conocimientos de estos procedimientos a la comunidad científica y académica?

---

Método

El método implementado para éste artículo en la recopilación y organización de información, es el de revisión sistemática según las directrices PRISMA. Este plantea las etapas de planeación, selección, extracción y ejecución.Figura 1. Proceso de revisión implementadoFuente: Autor

A. Planeacion

En esta etapa se identifica el problema a abordar en el artículo y la formulación de la pregunta objetivo del articulo presente. Se selecciona las fuentes principales de búsqueda de base de datos generales como google scholar y BD UDFJC (Base de datos de la universidad Distrital Francisco José de Caldas) y fuentes específicas como ScienceDirect, PubMed e IEEE Digital Library.

B. Selección

Dentro de los estudios por imágenes se encuentra: rayos X, Tomografía computarizada (TC), ultrasonido y resonancia Magnética (MRI); siendo los rayos X y la tomografía computarizada los tipos de imágenes con mayor avance y estudio en el uso de técnicas de inteligencia artificial. Para la realización de búsqueda de información en las diferentes fuentes o base de datos se usó criterios de búsqueda determinados.

Ingresando el criterio de búsqueda de la Tabla I. en el buscador google scholar, se obtiene un total de 4660 resultados, después para disminuir este número teniendo en cuenta el alcance este este artículo, se aplica filtros y opciones del buscador. El primer filtro es el rango de publicación desde 2011 hasta el 2021, para obtener 3290 resultados. Por último, se ordena los artículos por relevancia.

C. Extracción

En esta sesión se realiza la gestión y depuración de la información, se estudia los avances del tema desde el 2011 hasta el 2021. De la información obtenida y ordenada, se selecciona los primeros 100 artículos teniendo en cuenta la lectura del título, que comprenda específicamente el uso de técnicas de IA en algún tipo de DI.

Se realiza una selección y clasificación de la información investigada para exponerla en el presente artículo según sesiones o áreas de interés. Se evalúa la calidad de los estudios para la estructuración del presente artículo con la previa lectura del abstrac o resumen, para un nuevo grupo de selección de 60 estudios.

D. Ejecución

En la presente fase se procede a estudiar cada artículo o información del grupo final seleccionado. Se resume aspectos importantes en alcances y limitaciones. Posteriormente se selecciona un total de 23 estudios, en este último grupo de selección se tiene en cuenta abarcar avances en los diferentes tipos de imágenes diagnósticos, los criterios de patologías o enfermedades de mayores riegos, presentación de futuros alcances y principalmente estudios que presentaron resultados estadísticos específicos de precisión en la metodología utilizada.

---

Resultados y Discusión

En este punto se expondrá los estudios investigados que propusieron y marcaron un avance tecnológico en el tema principal del artículo.

Se Agrupa todos los artículos estudiados según temas de interés para el presente desarrollo sobre análisis de imágenes diagnóstico implementando tecnologías de IA, dando respuesta a las preguntas de investigación formuladas inicialmente

A. Niveles de Automatización de IA en imágenes diagnóstico

En el artículo (Nakata, 2019), el autor propuso los niveles de automatización de la Inteligencia artificial en radiología diagnóstica desde el nivel 0 hasta el nivel 4.

La clasificación de los niveles de automatización es un indicador para la evaluación de los procesos de investigación y desarrollo. (Nakata, 2019).

En la clasificación de los niveles de automatización de imágenes diagnóstico, el nivel 0 se subdivide en 0+ y 0-, donde el primero corresponde al procesamiento de imágenes con Inteligencia artificial, recientemente las nuevas investigaciones de imágenes sintéticas que utilizan GAN (Redes generativas antagónicas) han progresado rápidamente y la segunda subdivisión corresponde al procesamiento de imágenes sin Inteligencia artificial. El nivel 1 es el diagnóstico asistido por computadora de un solo tipo de reconocimiento de imágenes, como la detección de nódulos pulmonares en la TC de tórax. El nivel 2 es el reconocimiento de imágenes complejas en múltiples lugares, como nódulos pulmonares, lesiones de neumonía y lesiones de masas hepáticas. El nivel 3 tiene capacidades de diagnóstico por imagen equivalentes a las de los humanos. El nivel 4 es la capacidad de diagnóstico por imágenes más allá de los humanos (Nakata, 2019).

La determinación de los niveles presentados en la Figura 2. Permite una visión en la clasificación de la información investigada para exponerla según sesiones o áreas de interés.

B. Propuestas o proyectos sobre el diagnóstico de imágenes clínicas implementando IA

En la búsqueda y recopilación de información en fuentes científicas, se encuentra en común la finalidad de mejorar el procedimiento de análisis de una imagen clínica realizada para determinar diferentes patologías presentadas en diferentes grupos de población. Desde patologías o enfermedades en grupos específicos como adultos de cierto rango de edad o en general y en niños.

Se supera limitaciones presentadas en métodos tradicionales por visión de un profesional, permitiendo estudiar con mayor detalle una imagen en su totalidad, esto evita la exposición recurrente o repetición de procedimientos de toma de imágenes diagnóstico por errores de análisis del profesional o la tecnología tradicional.

Se estudia ese valor especifico de precisión con procedimientos de toma, selección y análisis de imágenes médicas con la implementación de algún método o técnica de IA, mejorando la realización y resultados de un tratamiento médico desde un diagnóstico verídico, todo esto sumado con la habilidad y conocimientos del profesional que realiza cada procedimiento.

En la Tabla II, se expone le precisión lograda en cada propuesta de investigación estudiada. Teniendo en cuenta el ámbito médico en el que se centra cada referencia para el diagnóstico de diferentes enfermedades o patologías, este cálculo utiliza una métrica de exactitud estándar con la siguiente ecuación,

Donde en la ecuación 1. TP es verdadero positivo, TN es verdadero negativo, FP es falso positivo y FN es falso negativo (Bekhet et al., 2020).

Con esta métrica de comprobación se proporciona un dato sobre la viabilidad y rendimiento de cada propuesta de investigación dentro del grupo de algoritmos, técnicas o métodos de IA para el DI. Esta medida proporciona información en escala de rendimiento del modelo aplicado en comparación a prácticas tradicionales.

En la Tabla III. se expone las técnicas de IA recurrente en las propuestas estudiadas. Estas técnicas se emplean por medio de diferentes tipos de clasificadores algorítmicos que proceden a agrupar en categorías o clases los datos, en este caso imágenes clínicas, para la determinación por etapas de patrones, características lesiones o anormalidades que se escapan a la visión Humana o profesional de diagnóstico.

Al clasificar las lesiones o patologías presentes en cada grupo de imágenes según el objetivo médico a estudiar o partes específicas del cuerpo humano, se supera limitaciones a nivel de identificación de patrones de imagen, por métodos tradicionales de análisis de DI.

C. Limitaciones y Alcance

En esta sesión se enuncia las limitaciones teniendo en cuenta que en cada artículo o proyecto estudiado se presentaron inconvenientes, algunos con soluciones dentro de los alcances y objetivos de cada estudio y otros como fundamento para tener en cuenta en posibles proyectos a futuro dentro de la misma área temática.

Continuar desarrollando herramientas o algoritmos dentro del campo de la IA, que conviertan la información presentada en las imágenes clínicas en datos o resultados estructurados y clasificados para un mejor análisis y determinación de un diagnóstico. Esto se hace efectivo combinado con la habilidad del profesional dentro del campo de imágenes médicas. En Tabla V se presentó puntos de partida para continuar investigando y avanzando en la detección de diferentes afectaciones clínicas.

D. Fundamentación Matemático

La función de entropía cruzada binaria, permite reducir el sesgo en los resultados durante la clasificación de las imágenes, está se enfoca en la clase durante el entrenamiento del método o algoritmo de IA. Los valores determinantes se pueden obtener en función del valor exacto o real de muestras o imágenes en cada clase dentro del grupo total de datos. La finalidad principal es reducir el sesgo en el clasificador o técnica de IA. La Tabla VI. Permite visualizar la estructura matemática de la función de entropía cruzada binaria y ponderada, una transformación para la proyección de una imagen diagnóstico por tecnología tradicional y una con automatización computacional.

E. Técnicas de IA en rayos X y TC para la detección de COVID 1

En esta sesión se seleccionaron algunos proyectos sobre avances recientes en tres modalidades de imágenes diagnóstico para la detección temprana y eficaz del covid 19.

Como se muestra en la Tabla VII. Se lograron en los estudios presentes, precisiones por encima del 90% para la determinación de la enfermedad del covid 19. Las técnicas usadas a base de redes neuronales convolucionales permiten una mejor clasificación de las imágenes de tórax o pulmones para determinar la clase perteneciente de cada imagen de entrada, si pertenece o no a la enfermedad del covid 19, ó a otras enfermedades de tipo pulmonar.

Por ejemplo, la ecografía pulmonar no solo puede desempeñar un papel clave en el diagnóstico de enfermedades, sino que también puede utilizarse para supervisar la evolución de la enfermedad mediante controles periódicos realizados de forma no invasiva y sin necesidad de reubicación (Born et al., n.d.).

---

Conclusión

Actualmente se ha evidenciado un avance tecnológico, el cual no debe limitarse a simular funciones para el procesamiento manual de la información, sino que estas herramientas deben ser un soporte fundamental para el logro de la calidad de vida humana. La tecnología ha tomado un propósito importante, dependiendo de las formas como se realicen las tareas cotidianas. Estos avances contribuyen a una revolución tecnológica, lo que exige un cambio de paradigmas en el uso de procedimientos tradicionales e implementación de estas nuevas tecnologías dentro del área de la Medicina como es el caso del procedimiento de toma de imágenes diagnóstico y los beneficios de incluir herramientas de Inteligencia Artificial en esto.

Con este artículo se evidenció gran parte de los avances en tecnologías de IA para un diagnóstico temprano y seguro de diferentes patologías o enfermedades, desde imágenes localizadas en el cerebro, glándulas mamarias, músculos, sistema óseo, pulmones entre otras partes. De las Tecnologías más recurrentes como base de un nuevo método o reestructuración de éste mismo, se encuentra ResNet un algoritmo de red neuronal residual que ha permitido como método de clasificación la determinación del sesgo en la imagen clínica, esto con el fin de categorizar al grupo de imágenes o datos de entrada en una clase con los mayores detalles incluidos o mapeo de una imagen, GoogLeNet red neuronal estructurada codificador-decodificador y SVM algoritmos de aprendizaje supervisado en el proceso de clasificación.

Actualmente continúan los estudios y avances en esta área, y con este artículo se brinda una visión y punto de partida para posibles trabajos o proyectos a futuro. Gran parte de la información estudiada presentan ideas a abordar o posibles alcances para nuevos proyectos de investigación y aplicación.

Entonces es pertinente continuar desarrollando proyectos precisos para el dictamen y gestión a tiempo de enfermedades o patologías como el cáncer de mama, neumonía, covid 19, etc.

---

Referencias

Apostolopoulos, I. D., & Mpesiana, T. A. (2020). Covid-19: automatic detection from X-ray images utilizing transfer learning with convolutional neural networks. Physical and Engineering Sciences in Medicine, 43(2), 635–640. https://doi.org/10.1007/s13246-020-00865-4

Battineni, G., Chintalapudi, N., Amenta, F., & Traini, E. (2020). A Comprehensive Machine-Learning Model Applied to Magnetic Resonance Imaging (MRI) to Predict Alzheimer’s Disease (AD) in Older Subjects. Journal of Clinical Medicine, 9(7), 2146. https://doi.org/10.3390/jcm9072146

Bekhet, S., Hassaballah, M., Kenk, M. A., & Hameed, M. A. (2020). An Artificial Intelligence Based Technique for COVID-19 Diagnosis from Chest X-Ray. 2nd Novel Intelligent and Leading Emerging Sciences Conference, NILES 2020, 191–195. https://doi.org/10.1109/NILES50944.2020.9257930

Born, J., Brändle, G., Cossio, M., Disdier, M., Goulet, J., & Roulin, J. (n.d.). POCOVID-Net : A UTOMATIC D ETECTION OF COVID-19 F ROM A N EW L UNG U LTRASOUND I MAGING D ATASET ( POCUS ).

Chen, K. C., Yu, H. R., Chen, W. S., Lin, W. C., Lee, Y. C., Chen, H. H., Jiang, J. H., Su, T. Y., Tsai, C. K., Tsai, T. A., Tsai, C. M., & Lu, H. H. S. (2020). Diagnosis of common pulmonary diseases in children by X-ray images and deep learning. Scientific Reports, 10(1), 1–9. https://doi.org/10.1038/s41598-020-73831-5

Elaziz, M. A., Hosny, K. M., Salah, A., Darwish, M. M., Lu, S., & Sahlol, A. T. (2020). New machine learning method for imagebased diagnosis of COVID-19. PLoS ONE, 15(6). https://doi.org/10.1371/journal.pone.0235187

Expósito Gallardo, M. del C., & Ávila Ávila, R. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. Acimed, 17(5), 0–0.

Faleiros, M. C., Nogueira-Barbosa, M. H., Dalto, V. F., Júnior, J. R. F., Tenório, A. P. M., Luppino-Assad, R., Louzada-Junior, P., Rangayyan, R. M., & De Azevedo-Marques, P. M. (2020). Machine learning techniques for computer-aided classification of active inflammatory sacroiliitis in magnetic resonance imaging. Advances in Rheumatology, 60(1). https://doi.org/10.1186/s42358-020-00126-8

Fos Guarinos, B. (2016). Diseño de técnicas de inteligencia artificial aplicadas a imágenes médicas de rayos X para la detección de estructuras anatómicas de los pulmones y sus alteraciones. https://riunet.upv.es:443/handle/10251/70103

Grist, J. T., Withey, S., MacPherson, L., Oates, A., Powell, S., Novak, J., Abernethy, L., Pizer, B., Grundy, R., Bailey, S., Mitra, D., Arvanitis, T. N., Auer, D. P., Avula, S., & Peet, A. C. (2020). Distinguishing between paediatric brain tumour types using multi-parametric magnetic resonance imaging and machine learning: A multi-site study. NeuroImage: Clinical, 25(December 2019), 102172. https://doi.org/10.1016/j.nicl.2020.102172

Huang, Z., Xu, H., Su, S., Wang, T., Luo, Y., Zhao, X., Liu, Y., Song, G., & Zhao, Y. (2020). A computer-aided diagnosis system for brain magnetic resonance imaging images using a novel differential feature neural network. Computers in Biology and Medicine, 121(May), 103818. https://doi.org/10.1016/j.compbiomed.2020.103818

Iturrioz, M., Pascau, J., & Estépar, R. S. J. (2018). EMPHYSEMA QUANTIFICATION ON SIMULATED X-RAYS THROUGH DEEP LEARNING TECHNIQUES Applied Chest Imaging Laboratory , Brigham and Women ’ s Hospital , Boston , MA , USA † Dept . de Bioingeniería e Ingeniería Aeroespacial , Universidad Carlos III de Madrid ,. Isbi, 273–276.

Le, E. P. V., Wang, Y., Huang, Y., Hickman, S., & Gilbert, F. J. (2019). Artificial intelligence in breast imaging. Clinical Radiology, 74(5), 357–366. https://doi.org/10.1016/j.crad.2019.02.006

Lee, C., Jang, J., Lee, S., Kim, Y. S., Jo, H. J., & Kim, Y. (2020). Classification of femur fracture in pelvic X-ray images using meta-learned deep neural network. Scientific Reports, 10(1), 1–12. https://doi.org/10.1038/s41598-020-70660-4

Nakata, N. (2019). Recent technical development of artificial intelligence for diagnostic medical imaging. Japanese Journal of Radiology, 37(2), 103–108. https://doi.org/10.1007/s11604-018-0804-6

Nguyen, D. T., Kang, J. K., Pham, T. D., Batchuluun, G., & Park, K. R. (2020). Ultrasound image-based diagnosis of malignant thyroid nodule using artificial intelligence. Sensors (Switzerland), 20(7). https://doi.org/10.3390/s20071822

Sarhan, A. M. (2020). Brain Tumor Classification in Magnetic Resonance Images Using Deep Learning and Wavelet Transform. Journal of Biomedical Science and Engineering, 13(06), 102–112. https://doi.org/10.4236/jbise.2020.136010

Skandha, S. S., Gupta, S. K., Saba, L., Koppula, V. K., Johri, A. M., Khanna, N. N., Mavrogeni, S., Laird, J. R., Pareek, G., Miner, M., Sfikakis, P. P., Protogerou, A., Misra, D. P., Agarwal, V., Sharma, A. M., Viswanathan, V., Rathore, V. S., Turk, M., Kolluri, R., ... Suri, J. S. (2020). 3-D optimized classification and characterization artificial intelligence paradigm for cardiovascular / stroke risk stratification using carotid ultrasound-based delineated plaque : Atheromatic TM 2 . 0. Computers in Biology and Medicine, 125(July), 103958. https://doi.org/10.1016/j.compbiomed.2020.103958

Sotoudeh, H., Tabatabaei, M., Tasorian, B., Tavakol, K., Sotoudeh, E., & Moini, A. L. (2020). Artificial intelligence empowers radiologists to differentiate pneumonia induced by COVID-19 versus influenza viruses. Acta Informatica Medica, 28(3), 190–195. https://doi.org/10.5455/aim.2020.28.190-195

Tandel, G. S., Balestrieri, A., Jujaray, T., Khanna, N. N., Saba, L., & Suri, J. S. (2020). Multiclass magnetic resonance imaging brain tumor classification using artificial intelligence paradigm. Computers in Biology and Medicine, 122(March), 103804. https://doi.org/10.1016/j.compbiomed.2020.103804

Vasconcelos, F. F. X., Sarmento, R. M., Rebouças, P. P., Hugo, V., & Albuquerque, C. De. (2020). Engineering Applications of Artificial Intelligence Artificial intelligence techniques empowered edge-cloud architecture for brain CT image analysis. Engineering Applications of Artificial Intelligence, 91(February), 103585. https://doi.org/10.1016/j.engappai.2020.103585

Wang, D., Xu, P. D. J., Zhang, M. S. Z., Li, M. S. S., Ph, D., Zhang, X., Zhou, P. D. Y., Zhang, X., Lu, Y., & Ph, D. (2020). Evaluation of Rectal Cancer Circumferential. 1–9. https://doi.org/10.1097/DCR.0000000000001519

Zhang, X., Lin, X., Zhang, Z., Sun, X., Sun, D., & Yuan, K. (2020). Artificial Intelligence Medical Ultrasound Equipment : Application of Breast Lesions Detection. https://doi.org/10.1177/0161734620928453