Aplicaciones_de_la_inteligencia_artificial_en_la_m.pdf

PERMANYER
www.permanyer.com
www.analesderadiologiamexico.com
ARTÍCULO DE REVISIÓN
*Correspondencia:
Samara Acosta-Jiménez
E-mail: p299353@uach.mx
Recibido: 02-06-2021
Aceptado: 27-01-2023
DOI: 10.24875/ARM.21000093
Aplicaciones de la inteligencia artificial en la
medicina y la imagenología médica
Applications of artificial intelligence in medicine and medical imaging
Samara Acosta-Jiménez1*, Susana A. González-Chávez1, Javier Camarillo-Cisneros2,
César F. Pacheco-Tena1 y Rosa E. Ochoa-Albíztegui3,4
1
Laboratorio PABIOM, Facultad de Medicina y Ciencias Biomédicas, Universidad Autónoma de Chihuahua, Chihuahua, Chih., México; 2
Laboratorio de Química-
Física Computacional, Facultad de Medicina y Ciencias Biomédicas, Universidad Autónoma de Chihuahua, Chihuahua, Chih., México; 3
Hospital Comunitario
Nuevo Casas Grandes, Chihuahua, Nuevo Casas Grandes, México; 4Departamento de Radiología, Memorial Sloan Kettering Cancer Center, Nueva York, EE.UU.
1665-2118/© 2023 Sociedad Mexicana de Radiologia e Imagen, AC. Publicado por Permanyer. Este es un artículo open access bajo la licencia CC BY-NC-ND
(http://creativecommons.org/licenses/by-nc-nd/4.0/).
Anales de Radiología México. 2023;22:130-139
RESUMEN
La medicina ha tenido un camino en paralelo con la tecnología durante las últimas déca-
das. El desarrollo de herramientas para la mejora del diagnóstico, pronóstico y trata-
miento oportuno ha evolucionado el concepto de salud, la inteligencia artificial (IA) es
ejemplo de ello. En esta revisión se abordan temas como la evolución de la historia de la
IA por medio de los acontecimientos más importantes, además se presentan algunas
aplicaciones de la IA dentro de la medicina asistencial, la educación, la investigación y la
gestión médica. Así como novedosas aplicaciones de la IA en la imagenología y una
pequeña visión del futuro de la IA como herramienta en la radiología.
Palabras clave: Inteligencia artificial. Redes neuronales. Algoritmo.
ABSTRACT
Medicine has followed a parallel path with technology during the last decades. The deve-
lopment of tools to improve diagnosis, prognosis and timely treatment have evolved the
concept of health, artificial intelligence (AI) is an example of this. In this review, topics
such as the evolution of the history of AI through more important events are addressed,
in addition, some applications of AI within healthcare medicine, education, research and
medical management are presented. As well as novel applications of AI in imaging and
a small vision of the future of AI as a tool in radiology.
Keywords: Artificial intelligence. Neural networks. Algorithm.

131
S. Acosta-Jiménez et al. IA en la imagenología médica
INTRODUCCIÓN
La medicina ha tenido un camino en paralelo
con la tecnología durante las últimas déca-
das. Los desarrollos de herramientas para la
mejora del diagnóstico, pronóstico y trata-
miento oportuno han evolucionado el con-
cepto de salud, un ejemplo de ello es la
inteligencia artificial (IA)1
.
La IA es una rama de las ciencias de la com-
putación, incluye conceptos relacionados con
la lógica y el aprendizaje, está formada por
algoritmos entrenados con bases de datos, las
cuales pueden ser formadas por imágenes
agrupadas o distintos tipos de señales, por
ejemplo, eléctricas, bioeléctricas, electromag-
néticas y acústicas, entre otras. Se define
entonces como el campo que se ocupa del
comportamiento inteligente computacional;
se trata de diseñar herramientas informáticas
que simulen procesos de inteligencia humana
que incluyen el aprendizaje, el razonamiento
y la autocorrección2
.
Es así que las computadoras son capaces de
tomar decisiones concretas a partir de nor-
mas generales basadas en entrenamientos
con las bases de datos3
. No se trata de ciencia
ficción, sino de una realidad que está pre-
sente en nuestros días, por ejemplo, en el
correo electrónico, aquellos correos que son
spam son identificados por medio de herra-
mientas de la IA2
.
El avance de la IA aplicada a la medicina es
inminente; en la base de datos PubMed las
publicaciones científicas del tema incremen-
taron cerca del 70%, llegando a más de 25,000
en la última década. Se espera que en los
próximos años la IA permee a los ambientes
laborales del sector salud como hospitales,
laboratorios y clínicas, entre otros.
Una de las áreas de la medicina en la que la IA
ha incidido notablemente es la imagenología,
la cual trata del procesamiento y la interpreta-
ción de imágenes para el diagnóstico4
. La IA
mejora la calidad y la precisión del diagnóstico,
sus métodos son excelentes para reconocer
automáticamente patrones complejos en las
imágenes, elimina ruidos y permite establecer
modelos tridimensionales a partir de imágenes
de tejidos concretos5. La presente revisión
ofrece una visión de la historia y evolución de
la IA, así como de sus aplicaciones actuales en
la imagenología médica, además brinda una
perspectiva de como esta tecnología continuará
incidiendo en la medicina del siglo XXI.
HISTORIA DE LA INTELIGENCIA
ARTIFICIAL
En 1921 se presenta R.U.R (Robots Universales
Rossum), una obra teatral que trata de una
empresa que fabrica humanos artificiales con
la finalidad de reducir la carga de trabajo de
las personas, fue aquí cuando se utilizó por
primera vez el término «robot», palabra deriva
del checo robota (labor tediosa)6
. Después, en
1936, Alan Turing, considerado padre de la
computación moderna, publicó su artículo On
computable numbers, with an application to the
Entscheidungs problem, en el que hablaba del
concepto de algoritmo7
. En 1941, Konrad Zuse
crea Z3, la primera computadora programa-
ble, considerada el primer ordenador de la
historia moderna8
. Luego, en 1943, Warren
McCulloch y Walter Pitss, publicaron acerca
de los eventos neuronales y que las relaciones
entre ellos pueden tratarse mediante la lógica

132
Anales de Radiología México. 2023;22
proposicional9
, concepto que en la actualidad
conforma la base y el desarrollo de la IA.
En 1956 se celebró la primera Conferencia de
IA en Darmouth, en la que fue presentada la
Logic Theorist, un programa de razonamiento
que podía demostrar teoremas matemáticos10
.
En 1957 se presentó el primer programa que
fue capaz de identificar patrones geométricos,
Perceptron11, y en 1959 Adaline (Adaptive
Linear Neuron), que fue utilizada para recono-
cimiento de voz y caracteres3. El interés en el
desarrollo de estos nuevos sistemas era
grande, sin embargo, a mitad de los años 60
se comenzaron a publicar estudios críticos
sobre la IA; Hubert Dreyfus objetó en su clá-
sico What computers can’t do la suposición de
que el cerebro puede procesarse de acuerdo
con reglas formales, lo que ocasionó un limi-
tado progreso en los años posteriores12.
En 1974 Paul Werbos desarrolló la idea básica
del Backpropagation13, algoritmo que resolvía
las críticas que había recibido hasta ese
momento la IA. Fue en 1982 cuando John
Hopfield incitó el renacimiento de las redes
neuronales con su libro Neural computation of
decisions in optimization problems14
. En 1986
David Rumelhart y Geoffrey Hinton retoma-
ron el algoritmo Backpropagation15
. Este aconte-
cimiento hizo que de nuevo se mostrara interés
en la IA provocando un avance exponencial.
En 1997 el mundo del ajedrez se estremeció con
la derrota sufrida por uno de los campeones
más grandes de todos los tiempos, Gary Kas-
parov, quien perdía ante Deep Blue: una super-
computadora que calculaba 200 millones de
jugadas por segundo16
. Luego, en el 2005, Stan-
ley, un automóvil autónomo creado por el Stan-
ford Racing Team de la Universidad de Stanford
en cooperación con el Volkswagen Electronics
ResearchLaboratory,ganóelgrandesafíoDARPA
2005. La característica fantástica de esta compe-
tencia es que Stanley recorrió 212 km sin apoyo
humano17. Otro evento importante fue en el
2011, ¡cuando la supercomputadora Watson de
IBM ganó en el concurso televisivo de EE.UU.
Jeopardy!18
. La IA también forma parte de los
acontecimientos astronómicos, en el 2018 se
descubrieron exoplanetas alrededor de Kepler
80g y Kepler 90i, exoplanetas también descu-
biertos por IA en el 201719. En la actualidad
gran parte de las líneas de investigación está
dirigidas hacia la IA. En la figura 1 se puede
observar una línea del tiempo con los principa-
les eventos relacionados con la IA.
LA INTELIGENCIA ARTIFICIAL EN LA
MEDICINA
La IA se ha incorporado paulatinamente en
diversas áreas de la medicina, aportando
novedosas formas para mejorar la calidad de
atención de los pacientes.
En la medicina asistencial, que incluye la pre-
vención, diagnóstico, tratamiento y seguimiento
de enfermedades, como ejemplos podemos
mencionar: el aprendizaje automático basado
en características clínicas y mediciones cuanti-
tativas de tomografías pulmonares para la pre-
dicción de resultados clínicos adversos en
pacientes hospitalizados con COVID-1920
, la
detección automatizada de caries con la foto-
grafía en color de smartphone usando aprendi-
zaje automático21
, y el acercamiento del
aprendizaje automático para la detección de
irregularidad en el borde de lesiones de la piel
en el diagnóstico temprano de melanoma22
,
entre otras investigaciones actuales.

133
Por otro lado, en las ciencias de la docencia
médica está enfocada a la creación de escena-
rios virtuales de entrenamiento o a la evalua-
ción del progreso del estudiante. La IA ha
tenido un gran impacto, por ejemplo: el uso de
robots equipados con IA como pacientes
simulados23
, la creación de plataformas de for-
mación para anestesistas en un entorno de rea-
lidad virtual24, sistemas de simulación en línea
para evaluar las habilidades de comunicación
y toma de decisiones de los estudiantes25, entre
otros métodos de aprendizaje y evaluación.
Dentro de la investigación médica, la IA pro-
porciona herramientas para el desarrollo de
investigaciones exitosas, por ejemplo, para el
diseño de los ensayos clínicos26
, cómo se
aplica la computación cognitiva a los desa-
fíos de Big Data en la investigación de cien-
cias biológicas27 e incluso la generación de
hipótesis automatizada basada en literatura
científica28.
Por último, en el área de gestión médica, por
medio de la IA se pueden examinar grandes
registros históricos para optimizar la gestión
de recursos materiales, por ejemplo, la ges-
tión de camas clínicas y la asignación de
recursos para pacientes con enfermedades
cardiacas29, o la predicción de la duración de
la estancia hospitalaria en el momento del
ingreso30, entre otras aplicaciones.
En la figura 2 se muestra el número de publi-
caciones en PubMed en los últimos 10 años
relacionadas con la IA y distintas enfermeda-
des. Es muy notorio que en la enfermedad
donde más aplicaciones y desarrollo tiene
esta técnica es el cáncer.
LA INTELIGENCIA ARTIFICIAL EN EL
ANÁLISIS DE LAS IMÁGENES
A partir de la experiencia y conocimiento el
ser humano tiene la capacidad de diferenciar
formas, colores, texturas, tamaños, bordes,
Figura 1. Línea del tiempo del desarrollo de la inteligencia
artificial. Desde 1921, cuando se utilizó por primera vez el
término «robot» hasta los novedosos sistemas de actualidad que
son capaces de descubrir nuevos planetas.

134
movimiento y ubicación, entre otras caracte-
rísticas de los objetos observados mediante
los ojos. La IA intenta copiar al cerebro
humano en el reconocimiento de las imáge-
nes, pero existe un problema, cuando una
computadora intenta ejecutar tareas de reco-
nocimiento de imágenes, los algoritmos no
cuentan con la capacidad del sistema ner-
vioso humano31
. Una computadora recibe las
imágenes como nuestra retina, pero la com-
putadora traduce la intensidad de luz a seña-
les eléctricas que posteriormente se procesan
y cuantifican en unidades llamadas píxeles32
.
En la figura 3 un ser humano puede identifi-
car de forma sencilla e inmediata que el ani-
mal que se muestra es una cebra, pero para
la computadora la imagen, por ser RGB (red,
green, blue) es una matriz numérica de
959 x 1,280 x 3 píxeles que oscilan entre 0
(negro) y 255 (blanco). El problema consiste
en averiguar cómo una computadora por
medio del aprendizaje automático puede tra-
ducir la matriz e identificar a una cebra.
Los algoritmos basados en IAobtienen la expe-
riencia a partir de una base de datos, en ellas
hay una gran cantidad de imágenes, cada una
de ellas con la etiqueta correspondiente al con-
cepto que se desea que el algoritmo reconozca.
La finalidad es entrenar a la computadora
según las etiquetas para que pueda predecir
con la mayor precisión las nuevas imágenes no
usadas en la etapa de entrenamiento (datos de
prueba), este enfoque de acumulación de datos
se representa en la figura 4.
AVANCES EN EL PROCESAMIENTO
DE IMÁGENES MÉDICAS CON
INTELIGENCIA ARTIFICIAL
La IA ha estado ganando popularidad en el
campo de la imagenología, esto va de la mano
con el gran progreso en las tareas de reconoci-
miento de imágenes, además de la disponibili-
dad de datos digitales. El aumento de carga
para los radiólogos ha ido en aumento debido
Figura 2. Evolución de las investigaciones relacionadas con la inteligencia artificial en distintas áreas de la medicina. Las barras
representan el número de artículos publicados en la base de datos PubMed en los últimos 10 años.

135
a la escasez de estos especialistas, es por eso
que las personas interesadas en IA han desa-
rrollado sistemas para procesamiento de imá-
genes para permitir un diagnóstico más rápido,
oportuno y de calidad.
Dentro de la imagenología, la IA podría tener
las siguientes aplicaciones:
- En la aplicación del cribado, la IA se em-
plearía para clasificar la presencia de una
enfermedad o no. En el análisis de imáge-
nes se priorizarían aquellos estudios posi-
tivos según el sistema de cribado.
- Una herramienta de diagnóstico para el ra-
diólogo, en donde el médico haga sus in-
terpretaciones radiológicas al igual que el
algoritmo. En caso de que los diagnósticos
no sean concordantes, el médico tendría
que analizar nuevamente el estudio para
descartar cualquier error.
A continuación se presentan algunos de los
hallazgos más importantes de la aplicación de
la IA en la imagenología.
Resonancia magnética
La resonancia magnética (RM) es un equipo
médico que utiliza un campo magnético y
ondas de radio para generar imágenes del
cuerpo. En el 2017, un grupo de investigado-
res diseñaron un sistema de diagnóstico
basado en redes neuronales convolucionales
(CNN) en imágenes de contraste dinámico de
mama (DCE-RM), el objetivo del sistema fue
diferenciar entre tumores de mama benignos
y malignos. El sistema alcanzó el 96.39, 97.73
y 94.87% de precisión, sensibilidad y especi-
ficidad, respectivamente33
.
Dentro de la IA en imágenes existen varios
algoritmos prestablecidos que son evaluados
constantemente para el uso médico (Resnet,
Retinanet, YOLO, Mask R-CNN, etc.). Un
grupo de investigadores en el año 2020 evaluó
el sistema de clasificación de objetos Retinanet
para la identificación de lesiones en imágenes
del tejido de la mama en DCE-RM, el «plus»
de esta investigación fue que ellos hicieron
una comparación entre su sistema y el diag-
nóstico humano, además de examinar el valor
agregado del sistema de IA en apoyo de lec-
tores humanos34
. El sistema tuvo un rendi-
miento diagnóstico estadísticamente más alto
(área bajo la curva [AUC]: 0.925) que el de los
lectores humanos experimentados (AUC:
0.884; p = 0.002), y el soporte de los sistemas
Figura 3. Reconocimiento de imágenes. El modelo de color
llamado RGB (red, green, blue) se utiliza en todos los sistemas
que forman imágenes por medio de rayos luminosos, ya sea
emitiendo o recibiendo. El modelo RGB está formado por los tres
componentes de colores primarios (rojo, verde y azul). Las
imágenes para una computadora se traducen en píxeles y esto
se traduce a la composición del color en términos de la
intensidad de los colores. Un algoritmo puede obtener datos
cuantitativos de cada píxel.

136
de IA mejoró significativamente el rendi-
miento diagnóstico de los lectores humanos
(AUC: 0.899; p = 0.039), demostrando que los
sistemas de IA no están peleados con el factor
humano, sino que en sinergia los diagnósticos
pueden tener más calidad y veracidad.
Tomografía computarizada
La tomografía computarizada (TC) es una téc-
nica de captura de imágenes que, por medio
de la exposición de rayos X, crea imágenes
transversales o cortes de los huesos, vasos
sanguíneos y tejidos blandos del cuerpo.
Cuando se recopilan cortes sucesivos, estos se
juntan para formar una imagen tridimensio-
nal del paciente.
Dentro de este campo diagnóstico existen
empresas que ya están monetizando sus algo-
ritmos basados en IA, por ejemplo, MaxQ AI;
el sistema se centra en herramientas de apoyo
a la toma de decisiones en tiempo real para
Figura 4. Proceso de creación de algoritmos en inteligencia artificial. Para crear un algoritmo que identifique una «condición», en este
caso un animal en específico, es necesario contar con una gran cantidad de imágenes de animales, de las imágenes se obtienen
matrices numéricas según el tamaño de la imagen (píxeles x píxeles x 3[RGB, red, green, blue]). Ya etiquetadas las imágenes y con las
características cuantitativas de cada una de ellas, el algoritmo se entrena. El último paso es probar el algoritmo con datos de prueba,
imágenes que no se encuentren en la base de datos, pero que sí existan imágenes con etiquetas referentes al dato de prueba en la base.
El algoritmo busca matrices similares a las de su base de datos para dar un resultado.

137
mejorar los resultados clínicos en situaciones
médicas difíciles35
. Otra empresa que no se
ha quedado atrás es Viz.Ai36, quienes tienen
a la venta sistemas para el cuidado sincroni-
zado de accidentes cerebrovasculares y detec-
ción automática de hipertensión intracraneal;
sus sistemas también incluyen la detección de
enfermedad por coronavirus 2019 (COVID-19).
Sin duda son sistemas que poco a poco se van
a ir integrando en todos los sistemas de salud.
Mastógrafo
El mastógrafo es un equipo diseñado especí-
ficamente para la exploración del tejido
mamario. La imagen se obtiene por medio de
rayos X y se denomina mamografía.
Actualmente existe muy poca información
acerca del rendimiento clínico de los sistemas
de IA basados en el aprendizaje profundo
para apoyar la lectura de mamografías. Kooi
et al.37
y Becker et al.38
encontraron que los
algoritmos de IA desarrollados internamente
podrían lograr un rendimiento similar al del
radiólogo pero solo en escenarios muy limi-
tados (p. ej., solo lesiones de tejidos blandos).
Actualmente existen diversas bases de datos
de mamografías que son utilizadas por los
investigadores para demostrar la eficacia de
sus sistemas de IA. Un grupo de investigado-
res entrenó un sistema de CNN y lo probó en
distintas bases de datos, lograron una preci-
sión del 97.35% y AUC 0.98 en la base de datos
DDSM, una precisión del 95.50% y AUC 0.97
en la base de datos INbreast y un 96.67% de
precisión y AUC 0.96 en la base de datos
BCDR39, los resultados son prometedores, ya
que los resultados se acercan entre sí, tomando
en cuenta que la calidad de las mamografías
puede variar de un equipo a otro.
EL FUTURO DE LA INTELIGENCIA
ARTIFICIAL EN RADIOLOGÍA
En la radiología los médicos evalúan visual-
mente las imágenes médicas, por medio de su
educación y experiencia informan los hallazgos
para detectar, caracterizar y monitorear enfer-
medades, dicha evaluación en ocasiones puede
ser subjetiva. En contraste, como ya se había
comentado, la IA se destaca en el reconoci-
miento de patrones complejos en las imágenes.
Se pueden realizar evaluaciones radiológicas
más precisas y reproducibles cuando la IA se
integra en el flujo de trabajo clínico como una
herramienta para ayudar a los médicos5
.
Desde los primeros descubrimientos de los
rayos X hasta avances más recientes como la
TC, las imágenes médicas siguen siendo un
pilar del tratamiento médico. A medida que
los diagnósticos dependen cada vez más de
las imágenes, aumenta la carga de trabajo
para los radiólogos. Por lo tanto, un sistema
de IA que pudiera reducir la carga de trabajo
diaria sería beneficioso y estaría al día con las
demandas de brindar un servicio hospitala-
rio de calidad. La tecnología actual ha permi-
tido la diferenciación de características
mínimas entre una imagen y otra, que al ojo
humano no es posible notarse5
. Si el desem-
peño de la IA en el diagnóstico de imágenes
se perfecciona, la IA puede cambiar gradual-
mente la práctica clínica al ayudar a los
radiólogos a tener un mejor desempeño,
mayor confiabilidad entre evaluadores y un
flujo de trabajo mejorado para diagnósticos
más oportunos.

138
CONCLUSIÓN
La historia de la IA comenzó con una obra de
teatro y ahora se conoce como una realidad,
en donde esta tecnología se aplica para el
diagnóstico y tratamiento de enfermedades,
así como la educación e investigación.
Sin duda la IA es una herramienta valiosa
para el área de la salud cuyas mejoras y apro-
vechamiento se han ido acelerando en las
últimas décadas. La imagenología es el área
médica en la que la IA parece tener un gran
desarrollo e impacto. Si las investigaciones
siguen siendo positivas, en un futuro próximo
va a ser común que los hospitales utilicen
sistemas de IA para el diagnóstico por ima-
gen; sin embargo, la implementación de estas
técnicas aún sigue siendo un desafío desde
varias perspectivas, una de ellas es que los
médicos radiólogos aún no están muy fami-
liarizados con estos sistemas.
La práctica médica está cambiando, por lo
tanto la enseñanza debe cambiar también.
Los conceptos relacionados a la IA deberían
empezarse a incluir en los planes de estudio
de los médicos. La IA podría ser una gran
herramienta para los médicos radiólogos y
en sinergia sería posible reducir significativa-
mente el tiempo requerido para leer e inter-
pretar imágenes y obtener diagnósticos
eficaces, brindándole una atención de calidad
a los pacientes.
FINANCIAMIENTO
Los autores declaran no recibir financia-
miento con respecto a la publicación de este
artículo.
CONFLICTO DE INTERESES
Los autores declaran no tener conflicto de
intereses respecto a la publicación de este
artículo.
RESPONSABILIDADES ÉTICAS
Protección de personas y animales. Los
autores declaran que para esta investigación
no se han realizado experimentos en seres
humanos ni en animales.
Confidencialidad de los datos. Los autores
declaran que en este artículo no aparecen
datos de pacientes.
Derecho a la privacidad y consentimiento
informado. Los autores declaran que en este
artículo no aparecen datos de pacientes.
BIBLIOGRAFÍA
1. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in
healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-43.
2. Karim A, Azam S, Shanmugam B, Kannoorpatti K, Alazab M. A compre-
hensive survey for intelligent spam email detection. IEEE Access.
2019;7:168261-95.
3. Ávila Detomás J, Mayer MA, Quesada Varela VJ. La inteligencia artificial
y sus aplicaciones en medicina I: introducción antecedentes a la IA y robó-
tica. Aten Primaria. 2020;52(10):778-84.
4. Mayo RC, Leung J. Artificial intelligence and deep learning - Radiology’s
next frontier? Clin Imaging. 2018;49:87-8.
5. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial
intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-10.
6. Guizzo E, Ackerman E. When robots decide to kill. IEEE Spectrum.
2016;53(6):38-43.
7. Pinna S. Turing’s theory of computation. En: Pinna S, editor. Extended
cognition and the dynamics of algorithmic skills. Cham: Springer Interna-
tional Publishing; 2017. pp. 1-17.
8. Bruderer H. Pioneers in calculating and computing technology. En: Brude-
rer H, editor. Milestones in analog and digital computing. Cham: Springer
International Publishing; 2020. pp. 255-76.
9. McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics. 1943;5(4):115-33.
10. Conferencia de Darthmouth 1956 [Internet]. Conferencia de Darthmouth
1956 [citado: 23 feb 2021]. Disponible en: https://darthmouthconference.
wordpress.com

139
11. Big Data & Data Science Blog: Historia de la IA: Frank Rosenblatt y el Mark
I Perceptrón, el primer ordenador fabricado específicamente para crear
redes neuronales en 1957 [Internet]. LUCA, Telefónica Digital Identity &
Privacy; 2018 [citado: 23 feb 2021]. Disponible en: https://web.archive.org/
web/20180722124753/https://data-speaks.luca-d3.com/2018/07/historia-
de-la-ia-frank-rosenblatt-y-el.html#
12. Hagendorff T, Wezel K. 15 challenges for AI: or what AI (currently) can’t
do. AI & Soc. 2020;35(2):355-65.
13. Werbos PJ. Backpropagation through time: what it does and how to do it.
Proceedings of the IEEE. 1990;78(10):1550-60.
14. Hopfield JJ, Tank DW. “Neural” computation of decisions in optimization
problems. Biol Cybern. 1985;52(3):141-52.
15. Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-
propagating errors. En: Neurocomputing: foundations of research. Cam-
bridge, MA, EE.UU.: MIT Press; 1988. pp. 696-9.
16. IBM100 - Deep Blue [Internet]. IBM Corporation; 2012 [citado: 15 mar 2021].
Disponible en: http://www-03.ibm.com/ibm/history/ibm100/us/en/
icons/deepblue
17. Montemerlo M, Dahlkamp H, Stavens D, Aron A, Diebel J, Fong P, et al.
Stanley: The robot that won the DARPA Grand Challenge. J Field Robotics.
2006;23:661-92.
18. Strickland E. IBM Watson, heal thyself: How IBM overpromised and under-
delivered on AI health care. IEEE Spectr. 2019;56(4):24-31.
19. Shallue CJ, Vanderburg A. Identifying exoplanets with deep learning:
A five-planet resonant chain around Kepler-80 and an eighth planet around
Kepler-90. Astronomical Journal. 2018;155(2):94.
20. Feng Z, Shen H, Gao K, Su J, Yao S, Liu Q, et al. Machine learning based
on clinical characteristics and chest CT quantitative measurements for pre-
diction of adverse clinical outcomes in hospitalized patients with COVID-19.
Eur Radiol. 2021;31(10):7925-35.
21. Duong DL, Kabir MH, Kuo RF. Automated caries detection with smartpho-
ne color photography using machine learning. Health Informatics J.
2021;27(2):14604582211007530.
22. Ali AR, Li J, Yang G, O’Shea SJ. A machine learning approach to automatic
detection of irregularity in skin lesion border using dermoscopic images.
PeerJ Comput Sci. 2020;6:e268.
23. Hayasaka Y, Fujikura T, Kashimura M. Expectations for the next generation
of simulated patients born from thoughtful anticipation of artificial intelli-
gence-equipped robot. J Nippon Med Sch. 2018;85(6):347-9.
24. Cao X, Zhang P, He J, Huang G. Building computational virtual reality
environment for anesthesia. En: Zhang C, Huang W, Shi Y, Yu PS, Zhu Y,
Tian Y, et al., editores. Data Science. Cham: Springer International Publis-
hing; 2015. pp. 151-8.
25. Hamdy H, Al-Moslih A, Tavarnesi G, Laus A. Virtual patients in problem-
based learning. Med Educ. 2017;51(5):557-8.
26. Harrer S, Shah P, Antony B, Hu J. Artificial intelligence for clinical trial
design. Trends in Pharmacol Sci. 2019;40(8):577-91.
27. Chen Y, Elenee Argentinis J, Weber G. IBM Watson: How cognitive compu-
ting can be applied to big data challenges in life sciences research. Clin
Ther. 2016;38(4):688-701.
28. Spangler S, Wilkins AD, Bachman BJ, Nagarajan M, Dayaram T, Haas P,
et al. Automated hypothesis generation based on mining scientific literatu-
re. In: Proceedings of the 20th
ACM SIGKDD international conference on
Knowledge discovery and data mining [Internet]. New York, NY, EE.UU.:
Association for Computing Machinery; 2014 [citado: 1 mayo 2021].
pp. 1877-86.
29. DaghistaniTA,ElshawiR,SakrS,AhmedAM,Al-ThwayeeA,Al-MallahMH.
Predictors of in-hospital length of stay among cardiac patients: A machine
learning approach. Int J Cardiol. 2019;288:140-7.
30. Turgeman L, May JH, Sciulli R. Insights from a machine learning model for
predicting the hospital Length of Stay (LOS) at the time of admission.
Expert Systems with Applications. 2017;78:376-85.
31. DiCarlo JJ, Zoccolan D, Rust NC. How does the brain solve visual object
recognition? Neuron. 201;73(3):415-34.
32. Arias V, Salazar J, Garicano C, Ramos Rubio EA. Una introducción a las
aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos.
Revista Latinoamericana de Hipertensión. 2019;14:11.
33. Rasti R, Teshnehlab M, Phung SL. Breast cancer diagnosis in DCE-MRI
using mixture ensemble of convolutional neural networks. Pattern Recog-
nition. 2017;72:381-90.
34. Adachi M, Fujioka T, Mori M, Kubota K, Kikuchi Y, Xiaotong W, et al.
Detection and diagnosis of breast cancer using artificial intelligence
based assessment of maximum intensity projection dynamic contrast-
enhanced magnetic resonance images. Diagnostics (Basel). 2020;
10(5):330.
35. AI M. MaxQ AI - Artificial Intelligence [Internet]. MaxQ AI [citado: 16 mar
2021]. Disponible en: https://www.maxq.ai
36. Viz.ai [Internet]. Fierce Pharma [citado: 16 mar 2021 Mar]. Disponible en:
https://www.viz.ai
37. Kooi T, Litjens G, van Ginneken B, Gubern-Mérida A, Sánchez CI,
Mann R, et al. Large scale deep learning for computer aided detection of
mammographic lesions. Med Image Anal. 2017;35:303-12.
38. Becker AS, Marcon M, Ghafoor S, Wurnig MC, Frauenfelder T, Boss A. Deep
learning in mammography: Diagnostic accuracy of a multipurpose image
analysis software in the detection of breast cancer. Invest Radiol.
2017;52(7):434-40.
39. Jung H, Kim B, Lee I, Yoo M, Lee J, Ham S, et al. Detection of masses in
mammograms using a one-stage object detector based on a deep convolu-
tional neural network. PLoS One. 2018;13(9):e0203355.

Aplicaciones_de_la_inteligencia_artificial_en_la_m.pdf

Más contenido relacionado

Similar a Aplicaciones_de_la_inteligencia_artificial_en_la_m.pdf

Último

Aplicaciones_de_la_inteligencia_artificial_en_la_m.pdf