Palabras clave
Diagnóstico
Aprendizaje profundo
Inteligencia Artificial Generativa
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Revisar la aplicación de la Inteligencia Artificial (IA) en el diagnóstico de cáncer a través de exámenes de imagen, analizando tendencias y avances recientes en la intersección entre IA y medicina diagnóstica. Métodos: Se realizó una búsqueda bibliográfica en bases de datos electrónicas, seleccionando artículos científicos, revisiones sistemáticas y metaanálisis publicados entre 2017 y 2023. Los estudios incluyeron algoritmos de IA, técnicas de aprendizaje automático y redes neuronales aplicadas a exámenes de imagen para la detección, clasificación y diagnóstico de cáncer. Resultados: El análisis se centró en modelos de reconocimiento de imagen para el diagnóstico de cáncer, priorizando métricas de sensibilidad y especificidad. Se destacaron estudios que compararon el rendimiento de radiólogos con sistemas de IA, mostrando que en algunos casos la IA superó a los profesionales y, en otros, mejoró significativamente el rendimiento de los radiólogos cuando se utilizó como asistencia. Consideraciones finales: La IA se ha mostrado como una herramienta prometedora en el diagnóstico de cáncer por imagen. La combinación de IA con datos clínicos puede mejorar las métricas de diagnóstico. Las limitaciones incluyen la calidad y cantidad de imágenes para entrenamiento, pero nuevas tecnologías como la IA Generativa están surgiendo para superar estos desafíos.
Referencias
ARBYN M, et al. Estimates of incidence and mortality of cervical cancer in 2018: a worldwide analysis. Lancet Glob Health, 2020; 8(2): 191-203.
BENYES YK, et al. A Comparative Analysis of Deep Learning Models for Automated Cross-Preparation Diagnosis of Multi-Cell Liquid Pap Smear Images. Diagnostics, 2022; 12: 1838.
BOYD BJ, et al. Successful oral delivery of poorly water-soluble drugs both depends on the intraluminal behavior of drugs and of appropriate advanced drug delivery systems. European Journal of Pharmaceutical Sciences, 2019; 137: 104977.
CASCELLA M, et al. Utilizing an artificial intelligence framework (conditional generative adversarial network) to enhance telemedicine strategies for cancer pain management. J Anesth Analg Crit Care, 2023; 3(1): 19.
HOLMSTRÖM O, et al. Point-of-Care Digital Cytology with Artificial Intelligence for Cervical Cancer Screening in a Resource-Limited Setting. JAMA Network Open, 2021; 4(3): 211740.
HUANG HW, et al. Development of a light-weight deep learning model for cloud applications and remote diagnosis of skin cancers. The Journal of Dermatology, 2021; 48: 310-316.
HUSSAIN S, et al. Modern Diagnostic Imaging Technique Applications and Risk Factors in the Medical Field: A Review. Biomed Res Int, 2022; 5164970.
JUNIOR GBV, et al. Métricas utilizadas para avaliar a eficiência de classificadores em algoritmos inteligentes. Centro de Pesquisas Avançadas em Qualidade de Vida, 2022; 14: 2(1).
KAPLAN A e HAENLEIN M. Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 2019; 62(1): 15-25.
KHOSRAVI P, et al. A Deep Learning Approach to Diagnostic Classification of Prostate Cancer Using Pathology–Radiology Fusion. Journal of Magnetic Resonance Imaging, 2021; 4: 462–471.
KIM HE, et al. Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Heal, 2020; 2(3): 138–48.
KOOI T, et al. Large scale deep learningfor computer aided detection of mammographic lesions. Med Image Anal, 2017; 35: 303–312.
KUO KM, et al. The accuracy of artificial intelligence used for non-melanoma skin cancer diagnoses: a meta-analysis. BMC Medical Informatics and Decision Making, 2023; 23: 138.
LIN H, et al. Dual-path network with synergistic grouping loss and evidence driven risk stratification for whole slide cervical image analysis. Medical Image Analysis, 2021; 69: 101955.
LIU F, et al. Research progress of medical image recognition based on deep learning. Chin J Biomed Eng, 2018; 37(1): 86–94.
LIU J, et al. Application and research of deep learning in medical image recognition. J Qingdao Univers (Nat Sci Edit), 2018; 31(1): 69-7480.
LIU R, et al. A review of medical artificial intelligence. Global Health Journal, 2020; 4(2).
LOTTER W, et al. Robust breast cancer detection in mammography and digital breast tomosynthesis using an annotation-efficient deep learning approach. Nat Med, 2021; 27(2): 244–9.
MASOOD A, et al. Computer-Assisted Decision Support System in Pulmonary Cancer detection and stage classification on CT images. Journal of Biomedics Informatics, 2018; 79: 117-128.
MATSUOKA Y, et al. Deep-learning prostate cancer detection and segmentation on biparametric versus multiparametric magnetic resonance imaging: Added value of dynamic contrast-enhanced imaging. International Journal of Urology, 2023; 1103-1111.
MCKINNEY SM, et al. International evaluation of an AI system for breast cancer screening. Nature, 2020; 577(7788): 89-94.
MISHKIN D, et al. Systematic evaluation of convolution neural networks advances on the Imagenet. Computer Vision and Image Understanding, 2017; 161: 11-19.
NASSER M e YUSOF UK. Deep Learning Based Methods for Breast Cancer Diagnosis: A Systematic Review and Future Direction. Diagnostics, 2023; 13: 161.
PUPPE F. Introduction to knowledge systems. Artificial Intelligence in Medicine, 1997; 9(2): 201-203.
RIVEIRA-MARTIN M, et al. Multi-vendor robustness analysis of a commercial artificial intelligence system for breast cancer detection. Journal of Medical Imaging, 2023; 10(5): 051807.
SALIM M, et al. External Evaluation of 3 Commercial Artificial Intelligence Algorithms for Independent Assessment of Screening Mammograms. JAMA Oncol, 2020; 6(10): 1581–8.
SANTOS MO, et al. Estimativa de Incidência de Câncer no Brasil, 2023-2025. Revista Brasileira de Cancerologia, 2023; 69(1): 213700.
SORNAPUDI S, et al. Comparing Deep Learning Models for Multi-cell Classification in Liquid- based Cervical Cytology Image. AMIA Annu Symp Proc, 2019; 820–827.
VASWANI A, et al. Attention Is All You Need. Conference on Neural Information Processing Systems. NIPS, 2017.
ZHANG X, et al. Deep learning PET/CT-based radiomics integrates clinical data: A feasibility study to distinguish between tuberculosis nodules and lung cancer. Thoracic Cancer, 2023; 1802-1811.