Inteligencia artificial en tomografía para diagnóstico de enfermedades pulmonares intersticiales
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1277Palabras clave:
Enfermedades Pulmonares Intersticiales, Tomografía, Intelligence artificielleResumen
Objetivo: Analizar la influencia de la Inteligencia Artificial en el diagnóstico patológico de las enfermedades pulmonares intersticiales (EPI) a través de la Tomografía Computarizada (TC) mediante el proceso de Aprendizaje Profundo (AP) en una revisión integrativa. Metodología: Utilizamos los descriptores Mesh en inglés asociados con el operador booleano "AND" en las plataformas MEDLINE y PubMed. Resultados: Se analizaron 8 cohortes retrospectivas sobre el uso de algoritmos en la cuantificación de lesiones parenquimatosas, volumen pulmonar, recuperación de imágenes en bancos de datos y comparación de rendimiento entre la tecnología y el observador en el contexto del diagnóstico de EPI en TC. Conclusión: El AP a través de algoritmos en TC se muestra prometedor para ayudar en el diagnóstico de EPI de manera más eficiente, lo que podría reducir este proceso en el futuro. Sin embargo, se necesitan más estudios, especialmente prospectivos, con amplias bases de datos para obtener resultados aún mejores.
Citas
Wijsenbeek M, Suzuki A, Maher TM. Interstitial lung diseases. The Lancet. 2022 Sep;400(10354):769–86.
Exarchos KP, Gkrepi G, Kostikas K, Gogali A. Recent Advances of Artificial Intelligence Applications in Interstitial Lung Diseases. Diagnostics (Basel, Switzerland). 2023 Jul 6;13(13):2303.
Soffer S, Morgenthau AS, Shimon O, Barash Y, Konen E, Glicksberg BS, et al. Artificial Intelligence for Interstitial Lung Disease Analysis on Chest Computed Tomography: A Systematic Review. Academic Radiology. 2022 Feb;29:S226–35.
Dack E, Christe A, Fontanellaz M, Brigato L, Heverhagen JT, Peters AA, et al. Artificial Intelligence and Interstitial Lung Disease: Diagnosis and Prognosis. Investigative radiology. 2023 Aug 1;58(8):602–9.
Rea G, Sverzellati N, Bocchino M, Lieto R, Milanese G, D’Alto M, et al. Beyond Visual Interpretation: Quantitative Analysis and Artificial Intelligence in Interstitial Lung Disease Diagnosis “Expanding Horizons in Radiology.” Diagnostics (Basel, Switzerland). 2023 Jul 10;13(14):2333.
Furukawa T, Oyama S, Yokota H, Kondoh Y, Kataoka K, Johkoh T, et al. A comprehensible machine learning tool to differentially diagnose idiopathic pulmonary fibrosis from other chronic interstitial lung diseases. Respirology. 27(9):739–46.
Exarchos KP, Gkrepi G, Kostikas K, Gogali A. Recent Advances of Artificial Intelligence Applications in Interstitial Lung Diseases. Diagnostics (Basel). 2023 Jan 1;
Soffer S, Morgenthau AS, Shimon O, Barash Y, Konen E, Glicksberg BS, et al. Artificial Intelligence for Interstitial Lung Disease Analysis on Chest Computed Tomography: A Systematic Review. Academic Radiology. 2022 Feb;29:S226–35.
Islam MN, Inan TT, Rafi S, Akter SS, Sarker IH, Islam AKMN. A Systematic Review on the Use of AI and ML for Fighting the COVID-19 Pandemic. IEEE transactions on artificial intelligence. 2021 Mar 1;1(3):258–70.
Choe J, Hwang HJ, Seo JB, Lee SM, Yun J, Kim MJ, et al. Content-based Image Retrieval by Using Deep Learning for Interstitial Lung Disease Diagnosis with Chest CT. Radiology. 2022 Jan;302(1):187–97.
Walsh SLF, Calandriello L, Silva M, Sverzellati N. Deep learning for classifying fibrotic lung disease on high-resolution computed tomography: a case-cohort study. The Lancet Respiratory Medicine. 2018 Nov;6(11):837–45.
Christe A, Peters AA, Drakopoulos D, Heverhagen JT, Geiser T, Stathopoulou T, et al. Computer-Aided Diagnosis of Pulmonary Fibrosis Using Deep Learning and CT Images. Investigative radiology. 2019 Oct;54(10):627–32.
Agarwala S, Kale M, Kumar D, Swaroop R, Kumar A, Kumar Dhara A, et al. Deep learning for screening of interstitial lung disease patterns in high-resolution CT images. Clinical Radiology. 2020 Jun;75(6):481.e1-481.e8.
Bratt A, Williams JM, Liu G, Panda A, Patel PP, Walkoff L, et al. Predicting Usual Interstitial Pneumonia Histopathology From Chest CT Imaging With Deep Learning. Chest. 2022 Oct;162(4):815–23.
Handa T, Tanizawa K, Oguma T, Uozumi R, Watanabe K, Tanabe N, et al. Novel Artificial Intelligence-based Technology for Chest Computed Tomography Analysis of Idiopathic Pulmonary Fibrosis. Ann Am Thorac Soc. 2022 Jan 1;399–406.
Yin N, Shen C, Dong F, Wang J, Guo Y, Bai L. Computer-aided identification of interstitial lung disease based on computed tomography. Journal of X-Ray Science and Technology. 2019 Sep 4;27(4):591–603.
Yu W, Zhou H, Choi Y, Goldin JG, Teng P, Wong WK, et al. Multi-scale, domain knowledge-guided attention + random forest: a two-stage deep learning-based multi-scale guided attention models to diagnose idiopathic pulmonary fibrosis from computed tomography images. Medical physics. 2023 Feb;50(2):894–905.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
