Introducción: El creciente desarrollo computacional ocurrido en los últimos años, así como el acceso a gran número de datos (Big Data) ha posibilitado la explotación de los recursos informáticos para el desarrollo de algoritmos que aumentan la calidad y alcance de la inteligencia artificial (IA), la cual está tomando un rol central en la radiología.

Objetivo: Analizar el impacto de la Inteligencia Artificial en la Radiología y la necesidad de implementación en los servicios de imagenología.

Método: Se emplearon 23 referencias bibliográficas en inglés y español, la mayoría extraídas de PubMed, SciELO y ScienceDirect usando los descriptores “Inteligencia Artificial”, “Radiología” y “Aprendizaje automático” en idioma español y “Artificial Intelligence”, “Radiology” y “Machine Learning” para el inglés.

Desarrollo: No existe área de la Radiología en la cual no se haya implementado la inteligencia artificial, con el fin de mejorar y desarrollar programas que le faciliten al radiólogo y al técnico, la obtención y diagnóstico de imágenes. Cuba también está inmersa en este proceso; se están dando los primeros pasos por el desarrollo de estas tecnologías.

Conclusiones: La investigación, optimización de flujo de trabajo, radiómica, predicción y clasificación de imágenes son beneficios que nos aporta la IA; lograr un aumento en la calidad de estos procesos solo es posible a través de la alianza entre las ciencias médicas e informáticas.

Palabras clave: inteligencia artificial; radiología; aprendizaje automático.

ABSTRACT

Introduction: The growing computational development that has occurred in recent years, as well as the access to a large number of data (Big Data), has made the exploitation of computing resources possible to develop algorithms that increase the quality and scope of artificial intelligence (AI), which is taking a central role in radiology.

Objective: To analyze the impact of artificial intelligence in radiology and the need for its implementation in imaging services.

Method: A total of 23 bibliographical references in English and Spanish, most of them obtained from PubMed, SciELO and ScienceDirect databases, were analyzed using descriptors such as “inteligencia artificial”, “radiología” and “aprendizaje automático” for the Spanish language and "artificial intelligence", “radiology” and “machine learning” for the English language. 

Results: There is no area of Radiology in which artificial intelligence has not been implemented in order to improve and develop programs that make it easier for the radiologist and the technician to obtain and diagnose images. Cuba is also immersed in this process; the first steps are being taken towards the development of these technologies.

Conclusions: Research, workflow optimization, radiomics, prediction and classification of images are benefits that AI brings us; achieving an increase in the quality of these processes is only possible through the alliance between medical and computer sciences.

Keywords: artificial intelligence; radiology; automatic learning.

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación.  Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

Palabras clave: imagen fotoacústica; aprendizaje profundo; redes neuronales; aprendizaje automático.

Abstract

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures.  On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

Keywords: photoacoustic imaging; deep learning; neural networks; machine learning.