Inteligencia artificial en Radiología: introducción a los conceptos más importantes

array:24 ["pii" => "S0033833822000972" "issn" => "00338338" "doi" => "10.1016/j.rx.2022.03.003" "estado" => "S300" "fechaPublicacion" => "2022-05-01" "aid" => "1380" "copyright" => "SERAM" "copyrightAnyo" => "2022" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Radiologia. 2022;64:228-36" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "Traduccion" => array:1 [ "en" => array:19 [ "pii" => "S2173510722000660" "issn" => "21735107" "doi" => "10.1016/j.rxeng.2022.03.005" "estado" => "S300" "fechaPublicacion" => "2022-05-01" "aid" => "1380" "copyright" => "SERAM" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Radiologia. 2022;64:228-36" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "en" => array:13 [ "idiomaDefecto" => true "cabecera" => "Update in Radiology" "titulo" => "Artificial Intelligence in Radiology: an introduction to the most important concepts" "tienePdf" => "en" "tieneTextoCompleto" => "en" "tieneResumen" => array:2 [ 0 => "en" 1 => "es" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "228" "paginaFinal" => "236" ] ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "Inteligencia artificial en Radiología: introducción a los conceptos más importantes" ] ] "contieneResumen" => array:2 [ "en" => true "es" => true ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "fig0030" "etiqueta" => "Figure 6" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr6.jpeg" "Alto" => 736 "Ancho" => 2925 "Tamanyo" => 167113 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at0030" "detalle" => "Figure " "rol" => "short" ] ] "descripcion" => array:1 [ "en" => "Filters and pooling: A filter is a matrix that scans the image and performs a multiplication operation element by element and then an addition operation to yield a value (convolution). High values are obtained when the filter is applied to a feature similar to the filter; low values are obtained when it is applied to a feature that is different from it. In a filter that detects vertical edges, high values mean that a vertical edge has been detected. Is this not reminiscent of the cells of the primary visual cortex? The pooling layer, average with a size of 2 × 2 in this example, determines the mean of the values in the range, thus reducing the dimensionality of the feature map." ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "A. Pérez del Barrio, P. Menéndez Fernández-Miranda, P. Sanz Bellón, L. Lloret Iglesias, D. Rodríguez González" "autores" => array:5 [ 0 => array:2 [ "nombre" => "A." "apellidos" => "Pérez del Barrio" ] 1 => array:2 [ "nombre" => "P." "apellidos" => "Menéndez Fernández-Miranda" ] 2 => array:2 [ "nombre" => "P." "apellidos" => "Sanz Bellón" ] 3 => array:2 [ "nombre" => "L." "apellidos" => "Lloret Iglesias" ] 4 => array:2 [ "nombre" => "D." "apellidos" => "Rodríguez González" ] ] ] ] ] "idiomaDefecto" => "en" "Traduccion" => array:1 [ "es" => array:9 [ "pii" => "S0033833822000972" "doi" => "10.1016/j.rx.2022.03.003" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833822000972?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510722000660?idApp=UINPBA00004N" "url" => "/21735107/0000006400000003/v1_202206060554/S2173510722000660/v1_202206060554/en/main.assets" ] ] "itemSiguiente" => array:19 [ "pii" => "S0033833822000777" "issn" => "00338338" "doi" => "10.1016/j.rx.2022.02.006" "estado" => "S300" "fechaPublicacion" => "2022-05-01" "aid" => "1374" "copyright" => "SERAM" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Radiologia. 2022;64:237-44" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:13 [ "idiomaDefecto" => true "cabecera" => "Radiología en Imágenes" "titulo" => "Correlación anatomopatológica con neumo-tomografía computarizada de lesiones gástricas subepiteliales" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "237" "paginaFinal" => "244" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Correlation between pneumo-computed tomography and pathology findings for subepithelial gastric lesions" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0035" "etiqueta" => "Figura 7" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr7.jpeg" "Alto" => 452 "Ancho" => 1305 "Tamanyo" => 182210 ] ] "descripcion" => array:1 [ "es" => "Mujer de 31 años en estudio por dolor abdominal y dispepsia. A) Neumo-TC con contraste intravenoso, corte transversal que muestra una masa endoluminal con realce tardío durante la fase de equilibrio, lo cual es característico de un schwannoma (flecha). B) Tinción de inmunohistoquímica positiva para S-100. El diagnóstico diferencial incluye GIST, leiomioma y linfoma, siendo la ausencia de hemorragia, la necrosis o la cavitación una característica a favor de un schwannoma." ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "R. López Grove, E. Gentile, L. Savluk, J.P. Santino, M. Ulla" "autores" => array:5 [ 0 => array:2 [ "nombre" => "R." "apellidos" => "López Grove" ] 1 => array:2 [ "nombre" => "E." "apellidos" => "Gentile" ] 2 => array:2 [ "nombre" => "L." "apellidos" => "Savluk" ] 3 => array:2 [ "nombre" => "J.P." "apellidos" => "Santino" ] 4 => array:2 [ "nombre" => "M." "apellidos" => "Ulla" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2173510722000659" "doi" => "10.1016/j.rxeng.2022.02.001" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510722000659?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833822000777?idApp=UINPBA00004N" "url" => "/00338338/0000006400000003/v1_202205110735/S0033833822000777/v1_202205110735/es/main.assets" ] "itemAnterior" => array:19 [ "pii" => "S0033833821001806" "issn" => "00338338" "doi" => "10.1016/j.rx.2021.09.011" "estado" => "S300" "fechaPublicacion" => "2022-05-01" "aid" => "1340" "copyright" => "SERAM" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Radiologia. 2022;64:214-27" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:13 [ "idiomaDefecto" => true "cabecera" => "Original" "titulo" => "Elaboración de modelos predictivos de la gravedad y la mortalidad en pacientes con COVID-19 que acuden al servicio de urgencias, incluida la radiografía torácica" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "214" "paginaFinal" => "227" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Development of severity and mortality prediction models for covid-19 patients at emergency department including the chest x-ray" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0030" "etiqueta" => "Figura 6" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr6.jpeg" "Alto" => 1530 "Ancho" => 2917 "Tamanyo" => 416486 ] ] "descripcion" => array:1 [ "es" => "Las curvas ROC (arriba) y CPS (abajo) de la validación interna realizada con un conjunto de datos nuevo para los modelos predictivos de mortalidad hospitalaria (SVM: máquinas de vectores de soporte [Support Vector Machine, azul]; RF: bosque aleatorio [Random Forest, verde]; GB: potenciación del gradiente [Gradient Boosting, naranja]) elaborados con tres combinaciones distintas de parámetros (A: parámetros epidemiológicos y radiológicos; B: parámetros epidemiológicos, radiológicos, clínicos y analíticos; C: parámetros epidemiológicos, radiológicos, clínicos, analíticos y basados en la RNC). Se muestran los valores del AUC correspondientes." ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "P. Calvillo-Batllés, L. Cerdá-Alberich, C. Fonfría-Esparcia, A. Carreres-Ortega, C.F. Muñoz-Núñez, L. Trilles-Olaso, L. Martí-Bonmatí" "autores" => array:7 [ 0 => array:2 [ "nombre" => "P." "apellidos" => "Calvillo-Batllés" ] 1 => array:2 [ "nombre" => "L." "apellidos" => "Cerdá-Alberich" ] 2 => array:2 [ "nombre" => "C." "apellidos" => "Fonfría-Esparcia" ] 3 => array:2 [ "nombre" => "A." "apellidos" => "Carreres-Ortega" ] 4 => array:2 [ "nombre" => "C.F." "apellidos" => "Muñoz-Núñez" ] 5 => array:2 [ "nombre" => "L." "apellidos" => "Trilles-Olaso" ] 6 => array:2 [ "nombre" => "L." "apellidos" => "Martí-Bonmatí" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2173510722000222" "doi" => "10.1016/j.rxeng.2021.09.004" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510722000222?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833821001806?idApp=UINPBA00004N" "url" => "/00338338/0000006400000003/v1_202205110735/S0033833821001806/v1_202205110735/es/main.assets" ] "es" => array:19 [ "idiomaDefecto" => true "cabecera" => "Actualización" "titulo" => "Inteligencia artificial en Radiología: introducción a los conceptos más importantes" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "228" "paginaFinal" => "236" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "A. Pérez del Barrio, P. Menéndez Fernández-Miranda, P. Sanz Bellón, L. Lloret Iglesias, D. Rodríguez González" "autores" => array:5 [ 0 => array:4 [ "nombre" => "A." "apellidos" => "Pérez del Barrio" "email" => array:1 [ 0 => "amaia.pdb@gmail.com" ] "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "*" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "P." "apellidos" => "Menéndez Fernández-Miranda" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "a" "identificador" => "aff0005" ] ] ] 2 => array:3 [ "nombre" => "P." "apellidos" => "Sanz Bellón" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "a" "identificador" => "aff0005" ] ] ] 3 => array:3 [ "nombre" => "L." "apellidos" => "Lloret Iglesias" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] 4 => array:3 [ "nombre" => "D." "apellidos" => "Rodríguez González" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] ] "afiliaciones" => array:2 [ 0 => array:3 [ "entidad" => "Servicio de Radiodiagnóstico, Hospital Universitario Marqués de Valdecilla, Santander, Cantabria, España" "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:3 [ "entidad" => "Instituto de Física de Cantabria, Consejo Superior de Investigaciones Científicas (CSIC), Universidad de Cantabria, Santander, Cantabria, España" "etiqueta" => "b" "identificador" => "aff0010" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Artificial Intelligence in Radiology: an introduction to the most important concepts" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0035" "etiqueta" => "Figura 7" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr7.jpeg" "Alto" => 1285 "Ancho" => 2841 "Tamanyo" => 194453 ] ] "descripcion" => array:1 [ "es" => "Ejemplo con una imagen: se muestra un ejemplo en el que la imagen de una TC de cráneo va pasando por sucesivas capas que contienen 3 filtros de 3 × 3 y la función de pooling, lo que da lugar a diferentes mapas de características cada vez de menor resolución espacial. A mayor profundidad en la red, los mapas son cada vez más groseros y de menor tamaño, transmitiéndose hacia delante solo la información más relevante." ] ] ] "textoCompleto" => "Inteligencia artificial, aprendizaje automático y aprendizaje profundoConceptos básicosLa inteligencia artificial (IA) se define como la capacidad de las máquinas de realizar tareasintelectuales habitualmente realizadas por humanos<a class="elsevierStyleCrossRef" href="#bib0185">1</a>. Este término se utiliza como concepto general que engloba tanto el aprendizaje automático (AA) como el aprendizaje profundo (AP). Ambos conceptos pertenecen a un subcampo de la IA que se caracteriza por crear sistemas que son capaces de aprender, es decir, capaces de generar sus propias reglas sirviéndose únicamente de los datos (Data-driven Artificial Intelligence)<a class="elsevierStyleCrossRef" href="#bib0190">2</a>.Algunos autores diferencian entre el AA y el AP basándose en que, en el primero, existe intervención humana en el entrenamiento del algoritmo a través de la manipulación de los datos (extracción y selección de las características más importantes), mientras que en el AP la intervención humana es mínima dado que no existe este paso previo<a class="elsevierStyleCrossRef" href="#bib0190">2</a>. Sin embargo, un enfoque más correcto es considerar el AP como una evolución del AA: los sistemas de AP son sistemas de AA, pero más profundos (y de ahí viene su nombre), es decir, constan de muchas más capas y, precisamente, son estas capas extra las que les confieren la capacidad de extraer las características más relevantes de los datos por sí solos (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>)<a class="elsevierStyleCrossRef" href="#bib0190">2</a>. En este campo, el concepto de característica se refiere a aquellas variables o propiedades de los datos que son mensurables como, por ejemplo, el valor del píxel o la edad del paciente. Las características más relevantes serán aquellas que ayuden en la resolución del problema que se plantea. Otro concepto importante es el modelo de aprendizaje del sistema de AA o AP, ya que se distinguen 3 tipos (<a class="elsevierStyleCrossRef" href="#fig0010">fig. 2</a>)<a class="elsevierStyleCrossRef" href="#bib0195">3</a>.<elsevierMultimedia ident="fig0005"></elsevierMultimedia><elsevierMultimedia ident="fig0010"></elsevierMultimedia>La IA y, especialmente el AP, han protagonizado innumerables artículos en los últimos años, muchos de ellos relacionados con la Radiología. Sin embargo, estos conceptos no son tan novedosos como se cree. En realidad, la IA surgió a mediados de los años 50<a class="elsevierStyleCrossRef" href="#bib0200">4</a> y, a lo largo de su historia, ha presentado momentos de estancamiento (los llamados inviernos de la IA) y momentos de repunte. Actualmente, estamos viviendo uno de esos momentos de repunte sin precedentes, principalmente gracias al desarrollo de la tecnología necesaria para su funcionamiento óptimo como, por ejemplo, las unidades de procesamiento gráfico. En el ámbito médico, la Radiología es una de las especialidades que más se está viendo revolucionada por estos nuevos sistemas<a class="elsevierStyleCrossRef" href="#bib0205">5</a>.Principales hitos en el desarrollo de la inteligencia artificialDesde finales de los años 50, una serie de sucesos relacionados con la IA tuvieron gran impacto mediático.En 1970-1976, el teorema de los 4 colores, problema matemático no resuelto, consigue probarse gracias a la ayuda de un ordenador, convirtiéndose así en el primer ejemplo de la inclusión de los ordenadores en la resolución de problemas humanos<a class="elsevierStyleCrossRef" href="#bib0210">6</a>. Es en esta misma década cuando nace el término inteligencia aumentada para expresar el uso de los ordenadores dedicados a ensalzar la cognición humana<a class="elsevierStyleCrossRef" href="#bib0215">7</a>.Posteriormente, en 1997, el ordenador Deep Blue de IBM consigue vencer en un torneo de ajedrez al campeón del mundo, Garry Kasparov. Deep Blue poseía información de miles de partidas previas y era capaz de analizar todas las posibles situaciones de los siguientes<a class="elsevierStyleCrossRefs" href="#bib0210">6–8</a> movimientos: se trataba de IA simbólica(knowledge-based artificial intelligence) (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>), puesto que estos sistemas no aprendían nada, sino que simplemente aplicaban las reglas del juego programadas por humanos, con la ventaja que tienen los ordenadores de poder procesar muchos datos en poco tiempo<a class="elsevierStyleCrossRef" href="#bib0220">8</a>.En 2015, el sistema AlphaGo, desarrollado por Google DeepMind, se convierte en el primer sistema en vencer a uno de los mejores jugadores de go, un juego con reglas sencillas, pero más complejo que el ajedrez en el aspecto estratégico<a class="elsevierStyleCrossRef" href="#bib0225">9</a>. Este sistema se basaba ya en técnicas de AA implementadas a través de redes neuronales de AP, puesto que el algoritmo era capaz de inferir o aprender él solo las reglas del juego con base en los datos de partidas previas.Acercándonos al momento actual, en 2017, se presenta AlphaZero que, a diferencia de AlphaGo, es capaz de aprender enfrentándose a sí mismo, es decir, se basa en aprendizaje por refuerzo y no se le proporcionan previamente datos de partidas anteriores, evitando, por tanto, cualquier intervención humana. Con tan solo unas pocas horas de entrenamiento autónomo, este algoritmo fue capaz de ganar al go a otros programas y versiones previas<a class="elsevierStyleCrossRef" href="#bib0230">10</a>.En la actualidad, son las redes neuronales profundas, generalmente entrenadas mediante aprendizaje supervisado, los sistemas con mayor éxito en el ámbito médico y científico<a class="elsevierStyleCrossRef" href="#bib0235">11</a>. Estas redes se engloban dentro del AP dado que aprenden directamente de los datos y sin necesidad de estar estos previamente seleccionados por los humanos. El desarrollo de estas técnicas ha supuesto un cambio de paradigma en este campo y, sobre todo, en el análisis de imágenes y es por ello que son el foco de este artículo.Las redes neuronalesLas redes neuronales son modelos de predicción, es decir, dados unos datos previos, son capaces de producir una predicción al enfrentarse a datos nuevos. Otros modelos de predicción más conocidos son la regresión lineal simple, la múltiple o la regresión logística. Las redes neuronales obtienen mejores resultados que los anteriores ante problemas más complejos. En general, podemos dividir los modelos de predicción en modelos de clasificación y modelos de regresión. Los modelos de clasificación se basan en encontrar una predicción discreta para la variable de entrada como, por ejemplo, predecir la presencia o no de una enfermedad concreta a partir de una imagen. Mientras que los modelos de regresión se utilizan para encontrar predicciones continuas para la variable de entrada como, por ejemplo, predecir el valor del dímero D a partir de unas variables de entrada (a saber, la edad, la presencia de enfermedad oncológica, etc.). A continuación, se explican las bases de las redes neuronales, comenzando con la neurona artificial y terminando con las redes neuronales convolucionales, el tipo de red neuronal que más éxito ha demostrado en visión artificial.La neurona artificialLas redes neuronales artificiales están compuestas por múltiples neuronas artificiales interconectadas, también llamadas perceptrones simples, que se pueden comparar con las neuronas biológicas (<a class="elsevierStyleCrossRef" href="#fig0015">fig. 3</a>). La neurona artificial o perceptrón simple consta de varias vías de entrada, que se asemejan a las dendritas de las neuronas biológicas y que transmiten la información hacia el soma. El soma de la neurona artificial es una función que integra toda la información de las entradas y que, tras aplicar una función de activación, genera una salida<a class="elsevierStyleCrossRef" href="#bib0195">3</a>.<elsevierMultimedia ident="fig0015"></elsevierMultimedia>La función de activación se podría asemejar al proceso biológico de despolarización de las membranas, que no sigue una función lineal, sino que responde a la ley del todo o nada. Las neuronas biológicas reciben muchos impulsos que no consiguen activarlas o despolarizarlas, hasta que llega uno con suficiente potencia para despolarizarla consiguiendo generar una salida o potencial de acción que viaja a través del axón, el cual transmitirá el impulso a las neuronas contiguas<a class="elsevierStyleCrossRef" href="#bib0240">12</a>. A las neuronas artificiales también les llegan una serie de estímulos y, si alguno de ellos logra activar la función de activación, esta dará lugar a una salida. La razón matemática que explica que estas funciones sean indispensables es que son las encargadas de introducir la no linealidad en la neurona, lo que permite poder aproximarse a funciones mucho más complejas y así resolver, por ejemplo, problemas de clasificación que no sean separables por una recta<a class="elsevierStyleCrossRef" href="#bib0195">3</a>.La red neuronal artificial clásicaAl igual que las neuronas biológicas se organizan en capas para formar redes neuronales biológicas, las neuronas artificiales hacen lo mismo formando redes artificiales, por lo tanto, la asociación de perceptrones en capas y la concatenación de sucesivas capas es lo que da lugar a una red neuronal (<a class="elsevierStyleCrossRef" href="#fig0015">fig. 3</a>)<a class="elsevierStyleCrossRef" href="#bib0245">13</a>.La arquitectura de las redes neuronales profundas se puede asemejar al modelo biológico de la corteza visual primaria propuesto por D. H. Hubel y T. Wiesel, ambos premios Nobel, en 1959. Según este modelo biológico, la corteza visual primaria está compuesta por 2 tipos de células: las células simples y las células complejas. Las células simples, también llamadas detectoras de bordes, responden positivamente al detectar el borde de un objeto en una determinada orientación, mientras que las células complejas utilizan la contribución de las anteriores para encontrar todos los bordes del objeto. La organización de estas células en capas, de modo jerárquico, hace que los objetos se vayan reconociendo de forma secuencial, empezando por las características más simples para acabar por las más complejas. Las redes neuronales mantienen una arquitectura similar: la primera capa de la red se encarga de extraer características groseras de la imagen, como los bordes, el contraste de color, etc. Para, posteriormente, pasar la información por sucesivas capas que van extrayendo detalles más finos<a class="elsevierStyleCrossRef" href="#bib0250">14</a>.El proceso de aprendizaje o entrenamientoAntes de comenzar el entrenamiento de la red, se deben seleccionar unas variables llamadas hiperparámetros. Los hiperparámetros son variables que determinan la estructura de la red y de cómo se entrena, por lo tanto, se definen antes de comenzar el entrenamiento y se van ajustando en función de los resultados del mismo. El tipo de función de activación utilizada y el número de capas ocultas del algoritmo son ejemplos de hiperparámetros<a class="elsevierStyleCrossRef" href="#bib0190">2</a>.El proceso de aprendizaje o entrenamiento de una red neuronal consiste en ajustar unos parámetros llamados pesos. Los pesos se entienden como la intensidad de las conexiones existentes entre las neuronas artificiales. En la neurona biológica, los pesos se podrían asemejar a la intensidad de las sinapsis entre neuronas. Así, ajustando las sinapsis conseguiremos un resultado final óptimo<a class="elsevierStyleCrossRef" href="#bib0255">15</a>.Cada vez que una imagen entra en la red, se activan secuencialmente todas las neuronas de todas las capas de la red, es decir, se van generando unos pesos para cada conexión neuronal, a lo que se le llama propagación hacia delante. Finalmente, al llegar a la última capa, gracias a este proceso, se genera una predicción para esa imagen. Pero, dado que todavía estamos entrenando la red, ¿cómo podemos saber si esa predicción es correcta o errónea? ¿Cómo podemos hacer que la red vaya mejorando con cada imagen de entrenamiento?En un modelo de aprendizaje supervisado, la red neuronal comienza utilizando unos pesos aleatorios y aprende cuando esos pesos se van ajustando al comparar los resultados de la red para un ejemplo con el resultado de referencia o etiqueta<a class="elsevierStyleCrossRef" href="#bib0235">11</a>. Para ello necesita, por un lado, las referencias o etiquetas; por otro, una función que mida el error generado (función de pérdida); un algoritmo de optimización que calcule la magnitud y la dirección en la que deben modificarse los pesos con el objetivo de minimizar ese error (descenso de gradiente), y, por último, otra función capaz de trasladar este ajuste de forma retrógrada a través de la red y que modifique los pesos de cada neurona en función de cuánto de responsable sea esa neurona del resultado final (propagación hacia atrás) (<a class="elsevierStyleCrossRef" href="#fig0020">fig. 4</a>)<a class="elsevierStyleCrossRef" href="#bib0255">15</a>.<elsevierMultimedia ident="fig0020"></elsevierMultimedia>Este proceso de ajuste de pesos es lo que se llama aprendizaje de la red y se da principalmente en las capas ocultas. A lo largo de la red, y mediante el ajuste de los pesos, las capas ocultas van formando representaciones de los datos cada vez más complejas, pero que se ajustan cada vez más al problema (<a class="elsevierStyleCrossRef" href="#fig0025">fig. 5</a>)<a class="elsevierStyleCrossRef" href="#bib0190">2</a>. Así, la base tanto del AA como del AP es transformar los datos sucesivamente hasta encontrar la mejor representación que permita resolver el problema. El término profundo no hace referencia a un entendimiento más profundo de los datos, sino a aprender capas sucesivas de representaciones cada vez más significativas y el número de estas capas es lo que se conoce como la profundidad del modelo<a class="elsevierStyleCrossRef" href="#bib0195">3</a>.<elsevierMultimedia ident="fig0025"></elsevierMultimedia>Para entrenar una red neuronal, es necesario disponer de al menos 2 subconjuntos de datos: un grupo para el entrenamiento propiamente dicho, con el que el modelo ajustará sus pesos de acuerdo con un mínimo en la función de pérdida; y otro grupo de datos con el que evaluar el rendimiento de este, denominado el conjunto de validación. Así, se van realizando iteraciones (llamadas épocas) sobre estos grupos de datos y el modelo irá obteniendo cada vez mejores resultados que se irán observando en la evaluación del rendimiento del modelo con el conjunto de validación en cada iteración. Si el rendimiento del modelo no es bueno, el experto puede realizar cambios en los hiperparámetros.Finalmente, una vez concluido el entrenamiento, es decir, una vez ajustados tantos los pesos como los hiperparámetros, se prueba el modelo con datos nuevos (conjunto de datos denominado test) para evaluar su rendimiento real. Es decir, se expone al modelo a datos nuevos, por ejemplo, imágenes nuevas y no etiquetadas, y se obtiene una predicción; por ejemplo, la clase a la que pertenece esa imagen en un problema de clasificación. Los datos del test no deben nunca utilizarse para modificar pesos o hiperparámetros del modelo.Las redes neuronales convolucionalesCon la extensión del uso de las redes neuronales clásicas, empezaron a surgir problemas que impulsaron el desarrollo de formas más complejas de redes neuronales. En el caso de la imagen y el reconocimiento de objetos, el principal problema era que, generalmente, el mismo objeto podía tener formas y posiciones diferentes, lo que reducía el rendimiento de las redes. Así, surgieron las redes neuronales convolucionales (RNC), las más usadas para imagen médica<a class="elsevierStyleCrossRef" href="#bib0255">15</a>.Las redes neuronales clásicas mencionadas anteriormente están compuestas por capas totalmente conectadas. Esto significa que todas las neuronas de una capa están conectadas con las de la siguiente capa y, por lo tanto, la imagen se interpreta en su totalidad, tomando como entrada el valor de todos los píxeles y realizando operaciones que incluyen toda la información de la imagen. Así, si por ejemplo la red tiene como objetivo aprender a identificar coches y en una de las imágenes aparece un coche en la esquina superior izquierda y en otra en la esquina inferior derecha, la red tendrá que aprender unos pesos diferentes para cada una de esas imágenes, dado que la diferente localización del mismo objeto hace que sean interpretados como objetos diferentes, cada uno con sus pesos y representaciones específicas. Esto hace que estas redes no funcionen bien ni sean eficientes en tareas como la interpretación de la imagen o la identificación de objetos. Por el contrario, las RNC disponen de unas matrices denominadas filtros capaces de analizar la composición de la imagen y que conceden a la red la capacidad de identificar el coche independientemente de su localización, lo que las hace mucho más eficientes que las redes neuronales clásicas para la interpretación de la imagen<a class="elsevierStyleCrossRef" href="#bib0255">15</a>.Cada capa convolucional de una RNC puede constar de varios filtros. Estos filtros son matrices numéricas que van recorriendo la imagen realizando operaciones de convolución sobre grupos de píxeles, dando lugar a mapas de características. Cada filtro representa una característica (<a class="elsevierStyleCrossRef" href="#fig0030">fig. 6</a>). Así, capa tras capa, se van extrayendo características cada vez más complejas y se van formando representaciones cada vez más groseras de los datos de entrada. Es habitual que las capas convolucionales se sigan de capas de pooling, capas que reducen la dimensionalidad de los mapas y así el coste computacional (<a class="elsevierStyleCrossRef" href="#fig0035">fig. 7</a>). Las representaciones de la última capa de la parte convolucional son transformadas a un vector final a través de una o más capas completamente conectadas y, finalmente, a una predicción. A esta segunda parte de la red se le denomina comúnmente el clasificador<a class="elsevierStyleCrossRef" href="#bib0255">15</a>.<elsevierMultimedia ident="fig0030"></elsevierMultimedia><elsevierMultimedia ident="fig0035"></elsevierMultimedia>En conclusión, las RNC, gracias a los filtros, aprenden patrones locales y, por lo tanto, son capaces de reconocer dicho patrón independientemente de que se realice una traslación, mientras que las redes neuronales clásicas aprenden patrones globales y no son capaces de abstraerse de la localización, orientación o forma del objeto en la imagen. Así pues, las RNC han demostrado ser las más adecuadas para trabajar con imagen médica, siendo capaces de realizar tareas complejas como la clasificación de imágenes<a class="elsevierStyleCrossRef" href="#bib0190">2</a>.Principales problemas de las redes neuronales y algunas solucionesEntre los obstáculos a los que nos podemos enfrentar durante el entrenamiento de una red neuronal y que somos capaces de detectar gracias al conjunto de validación destacan el sobreajuste y el subajuste. El sobreajuste ocurre cuando el modelo se especializa tanto en los datos de entrenamiento que no es capaz de generalizar y, por lo tanto, al enfrentarse a datos nuevos no obtiene buenos resultados. El subajuste, por su parte, se refiere a un modelo que, debido a su insuficiente especialización o excesiva simplicidad, no es capaz de obtener buenos resultados ni siquiera con los datos de entrenamiento. En ninguno de los casos el modelo habrá encontrado aquellas características importantes que le permitirían resolver el problema de forma general o con datos nuevos, es decir, en ninguno de los casos el modelo habrá aprendido a generalizar. En conclusión, las redes neuronales deben aprender transformaciones y no ejemplos concretos<a class="elsevierStyleCrossRef" href="#bib0195">3</a>.El sobreajuste está directamente relacionado con uno de los obstáculos más importantes con los que nos encontramos a la hora de desarrollar sistemas relacionados con la imagen médica: la escasez de datos etiquetados. Una de las razones de este problema es que la creación de amplias bases de datos de imágenes debidamente etiquetadas requiere mucho tiempo y esfuerzo por parte del experto, en nuestro caso, del radiólogo. Además, dado que no siempre concuerdan el diagnóstico por imagen con el histológico, se debe tener muy en cuenta qué prueba es la que se debe considerar diagnóstica de la enfermedad a estudio para así crear la etiqueta. La imagen se considera diagnóstica en algunas entidades como las fracturas. Sin embargo, la mayoría de las enfermedades necesitan de otras pruebas para realizar el diagnóstico definitivo, ya sea la histología o los hallazgos clínico-analíticos, como, por ejemplo, el cáncer, en el que en la mayoría de los casos es necesario el resultado histológico para realizar su diagnóstico<a class="elsevierStyleCrossRef" href="#bib0260">16</a>. A su vez, esta falta de imágenes etiquetadas muchas veces se ve acentuada debido al complicado marco ético y legal en la transferencia de datos de carácter médico<a class="elsevierStyleCrossRef" href="#bib0265">17</a>.No obstante, existen varios proyectos en marcha con el objetivo de crear amplias bases de datos con imágenes médicas etiquetadas, como el Cancer Imaging Archive<a class="elsevierStyleCrossRef" href="#bib0270">18</a>, o empresas como Savana<a class="elsevierStyleCrossRef" href="#bib0275">19</a>, que ofrecen soluciones de IA para la explotación de los datos médicos en formato de texto libre. También se plantean estrategias como el informe interactivo, en el que el radiólogo puede crear vínculos (hipertexto) a otros textos o etiquetas en el propio informe<a class="elsevierStyleCrossRef" href="#bib0260">16</a>; el informe estructurado; o incluso proyectos de colaboración internacionales que involucran a muchos radiólogos, como la preparación del conjunto de datos para el RSNA 2019 Brain CTHemorrahge Challenge<a class="elsevierStyleCrossRef" href="#bib0280">20</a>; plataformas como OpenNeuro<a class="elsevierStyleCrossRef" href="#bib0285">21</a>, que facilita el acceso a bases de datos tanto de imágenes cerebrales como de electroencefalogramas; la red europea de imagen de tumores cerebrales ENBIT<a class="elsevierStyleCrossRef" href="#bib0290">22</a>, o consorcios como ENIGMA<a class="elsevierStyleCrossRef" href="#bib0295">23</a>, que une a investigadores en genómica e imagen cerebral.Otra de las soluciones que más éxito está demostrando, principalmente en el ámbito médico, es la transferencia de aprendizaje (transfer learning). Esta técnica consiste en poder trasladar a nuestro modelo, desde una red ya entrenada, tanto la arquitectura como los pesos de las primeras capas. Se elige trasladar los pesos de las primeras capas debido al aprendizaje jerárquico de las redes neuronales, ya comentado anteriormente, según el cual son las primeras capas las que se encargan de extraer características más simples, es decir, menos específicas del problema a resolver y que se asume que son comunes para ambos conjuntos de imágenes. En este sentido, se puede o bien entrenar únicamente la última parte de la red, el clasificador, y mantener la parte convolucional congelada, o bien entrenar también un número variable de capas de la parte convolucional, a lo que se denomina descongelar capas. En cualquier caso, este nuevo modelo inicia su proceso de aprendizaje con ventaja, al tener que ajustar los pesos desde una posición favorable en lugar de partir de valores aleatorios. Es por ello que estos modelos pueden obtener buenos resultados con menos datos que aquellos modelos completamente nuevos<a class="elsevierStyleCrossRef" href="#bib0300">24</a>.Y, por último, uno de los problemas más importante de estos sistemas y, al mismo tiempo, más difícil de solucionar es su escasa transparencia. Ya que, aunque se pueda explicar el proceso matemático mediante el cual se construyen los algoritmos, no se conoce claramente cómo llegan a sus conclusiones. Es por ello que, todavía a día de hoy, las RNC son consideradas cajas negras<a class="elsevierStyleCrossRef" href="#bib0305">25</a> y mejorar su explicabilidad es motivo de estudio. Una de las soluciones que está siendo muy utilizada son las Grad-CAM<a class="elsevierStyleCrossRef" href="#bib0310">26</a>, sistemas de localización mediante gradiente de las áreas de la imagen en las que el algoritmo se fija para tomar la decisión final. Al mismo tiempo, esta escasa explicabilidad y transparencia dificultan el desarrollo de un marco ético-legal para la regulación de la implementación de estos sistemas en la práctica médica habitual<a class="elsevierStyleCrossRef" href="#bib0315">27</a>.Desarrollo de sistemas de inteligencia artificial en los servicios de RadiologíaDentro de un servicio de Radiodiagnóstico, los sistemas de IA pueden aplicarse en múltiples áreas, como en tareas relacionadas con la citación de los pacientes<a class="elsevierStyleCrossRef" href="#bib0320">28</a>, la selección del mejor protocolo de imagen y dosis de radiación<a class="elsevierStyleCrossRef" href="#bib0325">29</a>, la colocación del paciente en el equipo<a class="elsevierStyleCrossRef" href="#bib0330">30</a>, el posprocesado de la imagen (reconstrucciones, mejora de la calidad de la imagen, etc.)<a class="elsevierStyleCrossRef" href="#bib0335">31</a> y, por supuesto, y como ya hemos explicado, en la interpretación de la imagen<a class="elsevierStyleCrossRef" href="#bib0340">32</a>. En este último campo, no solo se están desarrollando sistemas de IA que realicen un diagnóstico, sino también sistemas capaces de segmentar órganos y detectar lesiones, así como monitorizarlas<a class="elsevierStyleCrossRef" href="#bib0345">33</a>. Y, yendo un poco más allá, se están estudiando sistemas que predigan, por ejemplo, la supervivencia estimada o la gravedad de la enfermedad en función del tipo de lesión u otros datos clínico-analíticos del paciente<a class="elsevierStyleCrossRefs" href="#bib0340">32–34</a>. La suma de datos clínicos del paciente a los datos propios de la imagen puede aportar mejoras sustanciales en los resultados de estos modelos de IA, lo que ha llevado a crear redes que combinan métodos de AP y de AA, las redes híbridas<a class="elsevierStyleCrossRef" href="#bib0350">34</a>.Cuando se plantea el desarrollo de un sistema de IA relacionado con la interpretación de imagen médica, lo primero es obtener la aprobación del comité de ética del hospital. Generalmente, para estudios retrospectivos en los que la obtención del consentimiento informado no es factible y los riesgos de fuga de datos médicos son mínimos, el consentimiento informado del paciente suele ser prescindible<a class="elsevierStyleCrossRef" href="#bib0355">35</a>.Posteriormente, se procede a la selección de aquellos pacientes a incluir en el estudio y a la recolección de sus imágenes. Este es uno de los pasos más importantes en el desarrollo de estos sistemas que, como ya hemos mencionado, dependen, en gran medida, de la cantidad y la calidad de los datos (data-driven systems). A día de hoy, debido a que el etiquetado de las imágenes radiológicas no está extendido y que los sistemas de información radiológicos no están preparados para este tipo de búsquedas, la obtención de imágenes de una enfermedad concreta no es una tarea fácil<a class="elsevierStyleCrossRef" href="#bib0355">35</a>. Aquí, el procesamiento del lenguaje natural proporciona técnicas capaces de obtener datos estructurados de los informes radiológicos, con resultados muy prometedores<a class="elsevierStyleCrossRef" href="#bib0360">36</a>. Asimismo, es de gran relevancia la desidentificación de las imágenes que, en el caso del formato DICOM, puede ser compleja. Una vez obtenidos los datos, estos deben ser preprocesados en función del tipo de red neuronal que se vaya a entrenar<a class="elsevierStyleCrossRef" href="#bib0260">16</a>.Cuando la base de datos ya está preparada, esta se divide en los 3 subconjuntos mencionados anteriormente: el de entrenamiento, el de validación y el de test, con un porcentaje aproximado del 80, el 10 y el 10%, respectivamente<a class="elsevierStyleCrossRef" href="#bib0260">16</a>.Ofrecemos un repositorio en GitHub donde ponemos a su disposición un ejemplo de una neurona que resuelve un problema de regresión y otro ejemplo de una red neuronal que resuelve un problema de clasificación, en el siguiente enlace: <a href="https://github.com/deepMedicalImaging/RedNeuronalArtificial.git">https://github.com/deepMedicalImaging/RedNeuronalArtificial.git</a>.Autoría<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005">1.Responsable de la integridad del estudio: AP, PM, PS, LL y DR.</li><li class="elsevierStyleListItem" id="lsti0010">2.Concepción del estudio: AP, PM, PS, LL y DR.</li><li class="elsevierStyleListItem" id="lsti0015">3.Diseño del estudio: AP.</li><li class="elsevierStyleListItem" id="lsti0020">4.Obtención de los datos: no procede.</li><li class="elsevierStyleListItem" id="lsti0025">5.Análisis e interpretación de los datos: no procede.</li><li class="elsevierStyleListItem" id="lsti0030">6.Tratamiento estadístico: no procede.</li><li class="elsevierStyleListItem" id="lsti0035">7.Búsqueda bibliográfica: AP.</li><li class="elsevierStyleListItem" id="lsti0040">8.Redacción del trabajo: AP.</li><li class="elsevierStyleListItem" id="lsti0045">9.Revisión crítica del manuscrito con aportaciones intelectualmente relevantes: AP, PM, PS, LL y DR.</li><li class="elsevierStyleListItem" id="lsti0050">10.Aprobación de la versión final: AP, PM, PS, LL y DR.</li></ul>Conflicto de interesesLos autores declaran no tener ningún conflicto de interés." "textoCompletoSecciones" => array:1 [ "secciones" => array:11 [ 0 => array:3 [ "identificador" => "xres1707713" "titulo" => "Resumen" "secciones" => array:1 [ 0 => array:1 [ "identificador" => "abst0005" ] ] ] 1 => array:2 [ "identificador" => "xpalclavsec1510581" "titulo" => "Palabras clave" ] 2 => array:3 [ "identificador" => "xres1707712" "titulo" => "Abstract" "secciones" => array:1 [ 0 => array:1 [ "identificador" => "abst0010" ] ] ] 3 => array:2 [ "identificador" => "xpalclavsec1510580" "titulo" => "Keywords" ] 4 => array:3 [ "identificador" => "sec0005" "titulo" => "Inteligencia artificial, aprendizaje automático y aprendizaje profundo" "secciones" => array:2 [ 0 => array:2 [ "identificador" => "sec0010" "titulo" => "Conceptos básicos" ] 1 => array:2 [ "identificador" => "sec0015" "titulo" => "Principales hitos en el desarrollo de la inteligencia artificial" ] ] ] 5 => array:3 [ "identificador" => "sec0020" "titulo" => "Las redes neuronales" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "sec0025" "titulo" => "La neurona artificial" ] 1 => array:2 [ "identificador" => "sec0030" "titulo" => "La red neuronal artificial clásica" ] 2 => array:2 [ "identificador" => "sec0035" "titulo" => "El proceso de aprendizaje o entrenamiento" ] 3 => array:2 [ "identificador" => "sec0040" "titulo" => "Las redes neuronales convolucionales" ] ] ] 6 => array:2 [ "identificador" => "sec0045" "titulo" => "Principales problemas de las redes neuronales y algunas soluciones" ] 7 => array:2 [ "identificador" => "sec0050" "titulo" => "Desarrollo de sistemas de inteligencia artificial en los servicios de Radiología" ] 8 => array:2 [ "identificador" => "sec0055" "titulo" => "Autoría" ] 9 => array:2 [ "identificador" => "sec0060" "titulo" => "Conflicto de intereses" ] 10 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2021-11-07" "fechaAceptado" => "2022-03-15" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1510581" "palabras" => array:6 [ 0 => "Inteligencia artificial" 1 => "Radiología" 2 => "Aprendizaje automático" 3 => "Aprendizaje profundo" 4 => "Redes neuronales artificiales" 5 => "Imagen médica" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1510580" "palabras" => array:6 [ 0 => "Artificial intelligence" 1 => "Radiology" 2 => "Machine learning" 3 => "Deep learning" 4 => "Artificial neural networks" 5 => "Medical imaging" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:2 [ "titulo" => "Resumen" "resumen" => "La interpretación de la imagen médica es una de las principales tareas que realiza el radiólogo. Conseguir que los ordenadores sean capaces de realizar este tipo de tareas cognitivas ha sido, durante años, un reto y a la vez un objetivo en el campo de la visión artificial. Gracias a los avances tecnológicos estamos ahora más cerca que nunca de conseguirlo y los radiólogos debemos involucrarnos en ello para garantizar que el paciente siga siendo el centro de la práctica médica.Este artículo explica de forma clara los conceptos teóricos más importantes de esta área y los principales problemas o retos actuales; además, aporta información práctica en relación con el desarrollo de un proyecto de inteligencia artificial en un servicio de Radiología." ] "en" => array:2 [ "titulo" => "Abstract" "resumen" => "The interpretation of medical imaging tests is one of the main tasks that radiologists do. For years, it has been a challenge to teach computers to do this kind of cognitive task; the main objective of the field of computer vision is to overcome this challenge. Thanks to technological advances, we are now closer than ever to achieving this goal, and radiologists need to become involved in this effort to guarantee that the patient remains at the center of medical practice.This article clearly explains the most important theoretical concepts in this area and the main problems or challenges at the present time; moreover, it provides practical information about the development of an artificial intelligence project in a radiology department." ] ] "multimedia" => array:7 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1383 "Ancho" => 2508 "Tamanyo" => 248101 ] ] "descripcion" => array:1 [ "es" => "Esquema que engloba los diferentes tipos de inteligencia artificial (IA). Se distinguen 2 campos principales: la IA simbólica, formada por sistemas que necesitan la programación previa de unas reglas, y la IA basada en datos, formada por sistemas que aprenden, dentro de la cual se encuentra el aprendizaje automático, con algoritmos a los que hay que ofrecerles los datos ya depurados y, dentro de este, el aprendizaje profundo con sistemas que, gracias a la mayor cantidad de capas, son capaces de hacer esto ellos mismos. AI: artificial intelligence." ] ] 1 => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 731 "Ancho" => 2508 "Tamanyo" => 190596 ] ] "descripcion" => array:1 [ "es" => "Se distinguen 3 tipos de aprendizaje: supervisado, no supervisado y por refuerzo." ] ] 2 => array:7 [ "identificador" => "fig0015" "etiqueta" => "Figura 3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr3.jpeg" "Alto" => 1460 "Ancho" => 2841 "Tamanyo" => 344035 ] ] "descripcion" => array:1 [ "es" => "Comparativa entre la neurona biológica y la artificial y la red neuronal biológica y la artificial. La red neuronal artificial se divide en 3 partes principales: la capa de entrada es una capa de perceptrones especializados en recibir la información; las capas ocultas son aquellas capas capaces de extraer las características de los datos e ir transformándolos en busca de la mejor representación del problema a resolver, y la capa de salida es una capa preparada para ofrecer la información de salida, como, por ejemplo, en los problemas de clasificación, la clase a la que corresponde la imagen de entrada según la predicción de la red." ] ] 3 => array:7 [ "identificador" => "fig0020" "etiqueta" => "Figura 4" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr4.jpeg" "Alto" => 1143 "Ancho" => 2841 "Tamanyo" => 134729 ] ] "descripcion" => array:1 [ "es" => "El proceso de aprendizaje supervisado (el entrenamiento). Mediante la función depérdida se cuantifica la diferencia entre la predicción de la red y la etiqueta de cada entrada; a continuación, a través de la propagación hacia atrás de este error y del algoritmo de optimización, se ajustan los pesos de las distintas neuronas hasta que correspondan con un mínimo en la función de pérdida." ] ] 4 => array:7 [ "identificador" => "fig0025" "etiqueta" => "Figura 5" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr5.jpeg" "Alto" => 787 "Ancho" => 1505 "Tamanyo" => 63828 ] ] "descripcion" => array:1 [ "es" => "Las redes neuronales buscan la mejor representación de los datos que les permita resolver el problema. En este ejemplo, si tratamos de clasificar los puntos en negros y blancos tendríamos que trazar una recta que correspondería con una ecuación no intuitiva. Sin embargo, si aplicamos una transformación en los datos que hagan que la imagen rote, el problema, de repente, se vuelve mucho más sencillo (x=0)." ] ] 5 => array:7 [ "identificador" => "fig0030" "etiqueta" => "Figura 6" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr6.jpeg" "Alto" => 736 "Ancho" => 2925 "Tamanyo" => 179808 ] ] "descripcion" => array:1 [ "es" => "Filtros y pooling: El filtro es una matriz que va recorriendo la imagen y va realizando una operación de multiplicación elemento a elemento y suma para obtener un valor (convolución). Obtenemos valores altos cuando aplicamos el filtro sobre una característica similar al mismo y valores bajos cuando lo aplicamos sobre una distinta. En un filtro que detecte bordes verticales, si obtenemos valores altos significa que se ha detectado un borde vertical. ¿Recuerda esto a las células de la corteza visual primaria? Por otro lado, la capa de pooling, de tipo average y de tamaño 2 × 2 en este ejemplo, realiza la media de los valores del rango, reduciendo la dimensionalidad del mapa de características." ] ] 6 => array:7 [ "identificador" => "fig0035" "etiqueta" => "Figura 7" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr7.jpeg" "Alto" => 1285 "Ancho" => 2841 "Tamanyo" => 194453 ] ] "descripcion" => array:1 [ "es" => "Ejemplo con una imagen: se muestra un ejemplo en el que la imagen de una TC de cráneo va pasando por sucesivas capas que contienen 3 filtros de 3 × 3 y la función de pooling, lo que da lugar a diferentes mapas de características cada vez de menor resolución espacial. A mayor profundidad en la red, los mapas son cada vez más groseros y de menor tamaño, transmitiéndose hacia delante solo la información más relevante." ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:36 [ 0 => array:3 [ "identificador" => "bib0185" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "European Society of Radiology. What the radiologist should know about artificial intelligence —an ESR white paper. Insights Imaging. 2019;10(1):44." ] ] ] 1 => array:3 [ "identificador" => "bib0190" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning with python. 2ª. ed" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "F. Chollet" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:2 [ "tituloSerie" => "Shelter Island (NY): Manning Publications Co;" "fecha" => "2021" ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0195" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A primer on deep learning and convolutional neural networks for clinicians" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "L. Iglesias" 1 => "P. Bellón" 2 => "A. del Barrio" 3 => "P. Fernández-Miranda" 4 => "D. González" 5 => "J. Vega" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s13244-021-01052-z" "Revista" => array:5 [ "tituloSerie" => "Insights Imaging." "fecha" => "2021" "volumen" => "12" "paginaInicial" => "117" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34383173" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0200" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The perceptron: A probabilistic model for information storage and organization in the brain" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "F. Rosenblatt" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1037/h0042519" "Revista" => array:6 [ "tituloSerie" => "Psychol Rev." "fecha" => "1958" "volumen" => "65" "paginaInicial" => "386" "paginaFinal" => "408" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/13602029" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0205" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence in radiology" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "A. Hosny" 1 => "C. Parmar" 2 => "J. Quackenbh" 3 => "L. Schwartz" 4 => "H. Aerts" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41568-018-0016-5" "Revista" => array:6 [ "tituloSerie" => "Nat Rev Cancer." "fecha" => "2018" "volumen" => "18" "paginaInicial" => "500" "paginaFinal" => "510" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29777175" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0210" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The four-color theorem and mathematical proof" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "M. Detlefsen" 1 => "M. Luker" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "J Philos." "fecha" => "1980" "volumen" => "65" "paginaInicial" => "803" "paginaFinal" => "820" ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0215" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Augmented intelligence: The Web and human intelligence" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "L. Von Ahn" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:3 [ "tituloSerie" => "Philos Trans R Soc A Math Phys Eng Sci." "fecha" => "2013" "volumen" => "371" ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib0220" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Feng Hsiung Hsu F-H" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "C. Murray" 1 => "A.J. Hoane" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Deep blue. Artif Intell." "fecha" => "2002" "volumen" => "134" "numero" => "1–2" "paginaInicial" => "57" "paginaFinal" => "83" ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib0225" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The evolution of computing: AlphaGo" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "J. Chen" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Comput Sci Eng." "fecha" => "2016" "volumen" => "18" "paginaInicial" => "4" "paginaFinal" => "7" ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0230" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "AlphaZero —what's missing?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "I. Bratko" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Informatica." "fecha" => "2018" "volumen" => "42" "paginaInicial" => "7" "paginaFinal" => "11" ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib0235" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Machine learning for medical imaging" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "B. Erickson" 1 => "P. Korfiatis" 2 => "Z. Akkus" 3 => "T. Kline" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/rg.2017160130" "Revista" => array:7 [ "tituloSerie" => "Radiographics." "fecha" => "2017" "volumen" => "37" "paginaInicial" => "505" "paginaFinal" => "515" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28212054" "web" => "Medline" ] ] "itemHostRev" => array:3 [ "pii" => "S1081120620304038" "estado" => "S300" "issn" => "10811206" ] ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib0240" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Fisiologia: texto y atlas. 7th ed" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "S. Silbernagl" 1 => "A. Despopoulos" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.24875/ACM.M22000081" "Revista" => array:3 [ "tituloSerie" => "Médica Panamericana;" "fecha" => "2021" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35275904" "web" => "Medline" ] ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib0245" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Convolutional neural networks for radiologic images: A radiologist's guide" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "S. Soffer" 1 => "A. Ben-Cohen" 2 => "O. Shimon" 3 => "M.M. Amitai" 4 => "H. Greenspan" 5 => "E. Klang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/radiol.2018180547" "Revista" => array:6 [ "tituloSerie" => "Radiology." "fecha" => "2019" "volumen" => "290" "paginaInicial" => "590" "paginaFinal" => "606" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30694159" "web" => "Medline" ] ] ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib0250" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Receptive fields of single neurones in the cat's striate cortex" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "D. Hubel" 1 => "T. Wiesel" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1113/jphysiol.1959.sp006308" "Revista" => array:6 [ "tituloSerie" => "J Physiol." "fecha" => "1959" "volumen" => "148" "paginaInicial" => "574" "paginaFinal" => "591" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/14403679" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib0255" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning: A primer for radiologists" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "G. Chartrand" 1 => "P.M. Cheng" 2 => "E. Vorontsov" 3 => "M. Drozdzal" 4 => "S. Turcotte" 5 => "C.J. Pal" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/rg.2017170077" "Revista" => array:6 [ "tituloSerie" => "RadioGraphics." "fecha" => "2017" "volumen" => "37" "paginaInicial" => "2113" "paginaFinal" => "2131" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29131760" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib0260" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Preparing medical imaging data for machine learning" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M. Willemink" 1 => "W. Koszek" 2 => "C. Hardell" 3 => "J. Wu" 4 => "D. Fleischmann" 5 => "H. Harvey" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/radiol.2020192224" "Revista" => array:6 [ "tituloSerie" => "Radiology." "fecha" => "2020" "volumen" => "295" "paginaInicial" => "4" "paginaFinal" => "15" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32068507" "web" => "Medline" ] ] ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib0265" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence in healthcare: A critical analysis of the legal and ethical implications" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "D. Schönberger" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Int J Law Inf Technol." "fecha" => "2019" "volumen" => "27" "paginaInicial" => "171" "paginaFinal" => "203" ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib0270" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The Cancer Imaging Archive (TCIA): Maintaining and operating a public information repository" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "K. Clark" 1 => "B. Vendt" 2 => "K. Smith" 3 => "J. Freymann" 4 => "J. Kirby" 5 => "P. Koppel" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s10278-013-9622-7" "Revista" => array:6 [ "tituloSerie" => "J Digit Imaging." "fecha" => "2013" "volumen" => "26" "paginaInicial" => "1045" "paginaFinal" => "1057" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23884657" "web" => "Medline" ] ] ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib0275" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Savana: A global information extraction and terminology expansion framework in the medical domain" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "L. Espinosa" 1 => "J. Tello" 2 => "A. Pardo" 3 => "I. Medrano" 4 => "A. Ureña" 5 => "I. Salcedo" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Procesamiento del Lenguaje Natural." "fecha" => "2016" "volumen" => "57" "paginaInicial" => "23" "paginaFinal" => "30" ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib0280" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:1 [ "autores" => array:1 [ 0 => array:3 [ "colaboracion" => "Construction of a machine learning dataset through collaboration: The RSNA 2019 Brain CT Hemorrhage Challenge" "etal" => true "autores" => array:6 [ 0 => "A.E. Flanders" 1 => "L.M. Prevedello" 2 => "G. Shih" 3 => "S.S. Halabi" 4 => "J. Kalpathy-Cramer" 5 => "R. Ball" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/ryai.2020190211" "Revista" => array:5 [ "tituloSerie" => "Radiol Artif Intell." "fecha" => "2020" "volumen" => "2" "paginaInicial" => "e190211" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33937827" "web" => "Medline" ] ] ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bib0285" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The OpenNeuro resource for sharing of neuroscience data" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C.J. Markiewicz" 1 => "K.J. Gorgolewski" 2 => "F. Feingold" 3 => "R. Blair" 4 => "Y.O. Halchenko" 5 => "E. Miller" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.7554/eLife.71774" "Revista" => array:5 [ "tituloSerie" => "Elife." "fecha" => "2021" "volumen" => "10" "paginaInicial" => "e71774" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34658334" "web" => "Medline" ] ] ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bib0290" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "INCF. European Network for Brain Imaging of Tumours (ENBIT) [consultado 6 Nov 2021]. Disponible en: https://www.enbit.ac.uk/." ] ] ] 22 => array:3 [ "identificador" => "bib0295" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The ENIGMA Consortium: Large-scale collaborative analyses of neuroimaging and genetic data [consultado 6 Nov 2021]" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "P.M. Thompson" 1 => "J.L. Stein" 2 => "S.E. Medland" 3 => "D.P. Hibar" 4 => "A.A. Vasquez" 5 => "M.E. Renteria" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s11682-013-9269-5" "Revista" => array:6 [ "tituloSerie" => "Brain Imaging Behav." "fecha" => "2014" "volumen" => "8" "paginaInicial" => "153" "paginaFinal" => "182" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/24399358" "web" => "Medline" ] ] ] ] ] ] ] ] 23 => array:3 [ "identificador" => "bib0300" "etiqueta" => "24" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Learning transferable features with deep adaptation networks" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "M. Long" 1 => "Y. Cao" 2 => "J. Wang" 3 => "M. Jordan" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Proc 32nd Int Conf Mach Learn." "fecha" => "2015" "volumen" => "37" "paginaInicial" => "97" "paginaFinal" => "105" ] ] ] ] ] ] 24 => array:3 [ "identificador" => "bib0305" "etiqueta" => "25" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Defining the undefinable: The black box problem in healthcare artificial intelligence" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "J. Wadden" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:3 [ "tituloSerie" => "J Med Ethics." "fecha" => "2021" "paginaInicial" => "107529" ] ] ] ] ] ] 25 => array:3 [ "identificador" => "bib0310" "etiqueta" => "26" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Grad-cam: Visual explanations from deep networks via gradient-based localization" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "R. Selvaraju" 1 => "M. Cogswell" 2 => "A. Das" 3 => "R. Vedantam" 4 => "D. Parikh" 5 => "D. Batra" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "IEEE International Conference on Computer Vision (ICCV)." "fecha" => "2017" "paginaInicial" => "618" "paginaFinal" => "626" ] ] ] ] ] ] 26 => array:3 [ "identificador" => "bib0315" "etiqueta" => "27" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Ethics of artificial intelligence in Radiology: Summary of the Joint European and North American Multisociety Statement" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J.R. Geis" 1 => "A.P. Brady" 2 => "C.C. Wu" 3 => "J. Spencer" 4 => "E. Ranschaert" 5 => "J.L. Jaremko" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jacr.2019.07.028" "Revista" => array:6 [ "tituloSerie" => "J Am Coll Radiol." "fecha" => "2019" "volumen" => "16" "paginaInicial" => "1516" "paginaFinal" => "1521" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31585696" "web" => "Medline" ] ] ] ] ] ] ] ] 27 => array:3 [ "identificador" => "bib0320" "etiqueta" => "28" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence predictive analytics in the management of outpatient MRI appointment no-shows" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "L.R. Chong" 1 => "K.T. Tsai" 2 => "L.L. Lee" 3 => "S.G. Foo" 4 => "P.C. Chang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2214/AJR.19.22594" "Revista" => array:6 [ "tituloSerie" => "AJR Am J Roentgenol." "fecha" => "2020" "volumen" => "215" "paginaInicial" => "1155" "paginaFinal" => "1162" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32901567" "web" => "Medline" ] ] ] ] ] ] ] ] 28 => array:3 [ "identificador" => "bib0325" "etiqueta" => "29" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Use of artificial intelligence in computed tomography dose optimisation" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "C.H. McCollough" 1 => "S. Leng" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1177/0146645320940827" "Revista" => array:7 [ "tituloSerie" => "Ann ICRP." "fecha" => "2020" "volumen" => "49" "numero" => "1_Suppl" "paginaInicial" => "113" "paginaFinal" => "125" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32870019" "web" => "Medline" ] ] ] ] ] ] ] ] 29 => array:3 [ "identificador" => "bib0330" "etiqueta" => "30" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A comparison between manual and artificial intelligence-based automatic positioning in CT imaging for COVID-19 patients" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "Y. Gang" 1 => "X. Chen" 2 => "H. Li" 3 => "H. Wang" 4 => "J. Li" 5 => "Y. Guo" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00330-020-07629-4" "Revista" => array:6 [ "tituloSerie" => "Eur Radiol." "fecha" => "2021" "volumen" => "31" "paginaInicial" => "6049" "paginaFinal" => "6058" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33740092" "web" => "Medline" ] ] ] ] ] ] ] ] 30 => array:3 [ "identificador" => "bib0335" "etiqueta" => "31" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Improvement of image quality at CT and MRI using deep learning" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "T. Higaki" 1 => "Y. Nakamura" 2 => "F. Tatsugami" 3 => "T. Nakaura" 4 => "K. Awai" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s11604-018-0796-2" "Revista" => array:6 [ "tituloSerie" => "Jpn J Radiol." "fecha" => "2019" "volumen" => "37" "paginaInicial" => "73" "paginaFinal" => "80" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30498876" "web" => "Medline" ] ] ] ] ] ] ] ] 31 => array:3 [ "identificador" => "bib0340" "etiqueta" => "32" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Automated lung nodule detection and classification using deep learning combined with multiple strategies" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "N. Nasrullah" 1 => "J. Sang" 2 => "M.S. Alam" 3 => "M. Mateen" 4 => "B. Cai" 5 => "H. Hu" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Sensors (Basel)." "fecha" => "2019" "volumen" => "19" "paginaInicial" => "3722" ] ] ] ] ] ] 32 => array:3 [ "identificador" => "bib0345" "etiqueta" => "33" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning-based survival prediction of oral cancer patients" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "D. Kim" 1 => "S. Lee" 2 => "S. Kwon" 3 => "W. Nam" 4 => "I. Cha" 5 => "H. Kim" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41598-019-43372-7" "Revista" => array:5 [ "tituloSerie" => "Sci Rep." "fecha" => "2019" "volumen" => "9" "paginaInicial" => "6994" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31061433" "web" => "Medline" ] ] ] ] ] ] ] ] 33 => array:3 [ "identificador" => "bib0350" "etiqueta" => "34" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:1 [ "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "M. Chieregato" 1 => "F. Frangiamore" 2 => "M. Morassi" 3 => "C. Baresi" 4 => "S. Nici" 5 => "C. Bassetti" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:2 [ "tituloSerie" => "A hybrid machine learning/deep learning COVID-19 severity predictive model from CT images and clinical data. arxiv.org." "fecha" => "2021" ] ] ] ] ] ] 34 => array:3 [ "identificador" => "bib0355" "etiqueta" => "35" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning workflow in radiology: a primer" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "E. Montagnon" 1 => "M. Cerny" 2 => "A. Cadrin-Chênevert" 3 => "V. Hamilton" 4 => "T. Derennes" 5 => "A. Ilinca" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s13244-019-0832-5" "Revista" => array:6 [ "tituloSerie" => "Insights Imaging." "fecha" => "2020" "volumen" => "11" "paginaInicial" => "22" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32040647" "web" => "Medline" ] ] "itemHostRev" => array:3 [ "pii" => "S0091674920314044" "estado" => "S300" "issn" => "00916749" ] ] ] ] ] ] ] 35 => array:3 [ "identificador" => "bib0360" "etiqueta" => "36" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Natural language processing in Radiology: A systematic review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "E. Pons" 1 => "L. Braun" 2 => "M. Hunink" 3 => "J.A. Kors" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/radiol.16142770" "Revista" => array:6 [ "tituloSerie" => "Radiology." "fecha" => "2016" "volumen" => "279" "paginaInicial" => "329" "paginaFinal" => "343" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27089187" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/00338338/0000006400000003/v1_202205110735/S0033833822000972/v1_202205110735/es/main.assets" "Apartado" => array:4 [ "identificador" => "8246" "tipo" => "SECCION" "en" => array:2 [ "titulo" => "Actualizaciones" "idiomaDefecto" => true ] "idiomaDefecto" => "en" ] "PDF" => "https://static.elsevier.es/multimedia/00338338/0000006400000003/v1_202205110735/S0033833822000972/v1_202205110735/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833822000972?idApp=UINPBA00004N"]

Estadísticas

Actualización

Inteligencia artificial en Radiología: introducción a los conceptos más importantes

Artificial Intelligence in Radiology: an introduction to the most important concepts

A. Pérez del Barrioa,

Autor para correspondencia

amaia.pdb@gmail.com

Autor para correspondencia.

, P. Menéndez Fernández-Mirandaa, P. Sanz Bellóna, L. Lloret Iglesiasb, D. Rodríguez Gonzálezb

a Servicio de Radiodiagnóstico, Hospital Universitario Marqués de Valdecilla, Santander, Cantabria, España

b Instituto de Física de Cantabria, Consejo Superior de Investigaciones Científicas (CSIC), Universidad de Cantabria, Santander, Cantabria, España

Leído

3373

Veces
se ha leído el artículo

688

Total PDF

2685

Total HTML

Compartir estadísticas

 array:24 [
  "pii" => "S0033833822000972"
  "issn" => "00338338"
  "doi" => "10.1016/j.rx.2022.03.003"
  "estado" => "S300"
  "fechaPublicacion" => "2022-05-01"
  "aid" => "1380"
  "copyright" => "SERAM"
  "copyrightAnyo" => "2022"
  "documento" => "article"
  "crossmark" => 1
  "subdocumento" => "fla"
  "cita" => "Radiologia. 2022;64:228-36"
  "abierto" => array:3 [
    "ES" => false
    "ES2" => false
    "LATM" => false
  ]
  "gratuito" => false
  "lecturas" => array:1 [
    "total" => 0
  ]
  "Traduccion" => array:1 [
    "en" => array:19 [
      "pii" => "S2173510722000660"
      "issn" => "21735107"
      "doi" => "10.1016/j.rxeng.2022.03.005"
      "estado" => "S300"
      "fechaPublicacion" => "2022-05-01"
      "aid" => "1380"
      "copyright" => "SERAM"
      "documento" => "article"
      "crossmark" => 1
      "subdocumento" => "fla"
      "cita" => "Radiologia. 2022;64:228-36"
      "abierto" => array:3 [
        "ES" => false
        "ES2" => false
        "LATM" => false
      ]
      "gratuito" => false
      "lecturas" => array:1 [
        "total" => 0
      ]
      "en" => array:13 [
        "idiomaDefecto" => true
        "cabecera" => "<span class="elsevierStyleTextfn">Update in Radiology</span>"
        "titulo" => "Artificial Intelligence in Radiology&#58; an introduction to the most important concepts"
        "tienePdf" => "en"
        "tieneTextoCompleto" => "en"
        "tieneResumen" => array:2 [
          0 => "en"
          1 => "es"
        ]
        "paginas" => array:1 [
          0 => array:2 [
            "paginaInicial" => "228"
            "paginaFinal" => "236"
          ]
        ]
        "titulosAlternativos" => array:1 [
          "es" => array:1 [
            "titulo" => "Inteligencia artificial en Radiolog&#237;a&#58; introducci&#243;n a los conceptos m&#225;s importantes"
          ]
        ]
        "contieneResumen" => array:2 [
          "en" => true
          "es" => true
        ]
        "contieneTextoCompleto" => array:1 [
          "en" => true
        ]
        "contienePdf" => array:1 [
          "en" => true
        ]
        "resumenGrafico" => array:2 [
          "original" => 0
          "multimedia" => array:8 [
            "identificador" => "fig0030"
            "etiqueta" => "Figure 6"
            "tipo" => "MULTIMEDIAFIGURA"
            "mostrarFloat" => true
            "mostrarDisplay" => false
            "figura" => array:1 [
              0 => array:4 [
                "imagen" => "gr6.jpeg"
                "Alto" => 736
                "Ancho" => 2925
                "Tamanyo" => 167113
              ]
            ]
            "detalles" => array:1 [
              0 => array:3 [
                "identificador" => "at0030"
                "detalle" => "Figure "
                "rol" => "short"
              ]
            ]
            "descripcion" => array:1 [
              "en" => "<p id="spar0035" class="elsevierStyleSimplePara elsevierViewall"><span class="elsevierStyleItalic">Filters</span> and <span class="elsevierStyleItalic">pooling</span>&#58; A <span class="elsevierStyleItalic">filter</span> is a matrix that scans the image and performs a multiplication operation element by element and then an addition operation to yield a value &#40;convolution&#41;&#46; High values are obtained when the <span class="elsevierStyleItalic">filter</span> is applied to a feature similar to the filter&#59; low values are obtained when it is applied to a feature that is different from it&#46; In a <span class="elsevierStyleItalic">filter</span> that detects vertical edges&#44; high values mean that a vertical edge has been detected&#46; Is this not reminiscent of the cells of the primary visual cortex&#63; The <span class="elsevierStyleItalic">pooling</span> layer&#44; average with a size of 2 &#215; 2 in this example&#44; determines the mean of the values in the range&#44; thus reducing the dimensionality of the feature map&#46;</p>"
            ]
          ]
        ]
        "autores" => array:1 [
          0 => array:2 [
            "autoresLista" => "A&#46; P&#233;rez del Barrio, P&#46; Men&#233;ndez Fern&#225;ndez-Miranda, P&#46; Sanz Bell&#243;n, L&#46; Lloret Iglesias, D&#46; Rodr&#237;guez Gonz&#225;lez"
            "autores" => array:5 [
              0 => array:2 [
                "nombre" => "A&#46;"
                "apellidos" => "P&#233;rez del Barrio"
              ]
              1 => array:2 [
                "nombre" => "P&#46;"
                "apellidos" => "Men&#233;ndez Fern&#225;ndez-Miranda"
              ]
              2 => array:2 [
                "nombre" => "P&#46;"
                "apellidos" => "Sanz Bell&#243;n"
              ]
              3 => array:2 [
                "nombre" => "L&#46;"
                "apellidos" => "Lloret Iglesias"
              ]
              4 => array:2 [
                "nombre" => "D&#46;"
                "apellidos" => "Rodr&#237;guez Gonz&#225;lez"
              ]
            ]
          ]
        ]
      ]
      "idiomaDefecto" => "en"
      "Traduccion" => array:1 [
        "es" => array:9 [
          "pii" => "S0033833822000972"
          "doi" => "10.1016/j.rx.2022.03.003"
          "estado" => "S300"
          "subdocumento" => ""
          "abierto" => array:3 [
            "ES" => false
            "ES2" => false
            "LATM" => false
          ]
          "gratuito" => false
          "lecturas" => array:1 [
            "total" => 0
          ]
          "idiomaDefecto" => "es"
          "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833822000972?idApp=UINPBA00004N"
        ]
      ]
      "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510722000660?idApp=UINPBA00004N"
      "url" => "/21735107/0000006400000003/v1_202206060554/S2173510722000660/v1_202206060554/en/main.assets"
    ]
  ]
  "itemSiguiente" => array:19 [
    "pii" => "S0033833822000777"
    "issn" => "00338338"
    "doi" => "10.1016/j.rx.2022.02.006"
    "estado" => "S300"
    "fechaPublicacion" => "2022-05-01"
    "aid" => "1374"
    "copyright" => "SERAM"
    "documento" => "article"
    "crossmark" => 1
    "subdocumento" => "fla"
    "cita" => "Radiologia. 2022;64:237-44"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:1 [
      "total" => 0
    ]
    "es" => array:13 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Radiolog&#237;a en Im&#225;genes</span>"
      "titulo" => "Correlaci&#243;n anatomopatol&#243;gica con neumo-tomograf&#237;a computarizada de lesiones g&#225;stricas subepiteliales"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "tieneResumen" => array:2 [
        0 => "es"
        1 => "en"
      ]
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "237"
          "paginaFinal" => "244"
        ]
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Correlation between pneumo-computed tomography and pathology findings for subepithelial gastric lesions"
        ]
      ]
      "contieneResumen" => array:2 [
        "es" => true
        "en" => true
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 0
        "multimedia" => array:7 [
          "identificador" => "fig0035"
          "etiqueta" => "Figura 7"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => true
          "mostrarDisplay" => false
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "gr7.jpeg"
              "Alto" => 452
              "Ancho" => 1305
              "Tamanyo" => 182210
            ]
          ]
          "descripcion" => array:1 [
            "es" => "<p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">Mujer de 31 a&#241;os en estudio por dolor abdominal y dispepsia&#46; A&#41; Neumo-TC con contraste intravenoso&#44; corte transversal que muestra una masa endoluminal con realce tard&#237;o durante la fase de equilibrio&#44; lo cual es caracter&#237;stico de un schwannoma &#40;flecha&#41;&#46; B&#41; Tinci&#243;n de inmunohistoqu&#237;mica positiva para S-100&#46; El diagn&#243;stico diferencial incluye GIST&#44; leiomioma y linfoma&#44; siendo la ausencia de hemorragia&#44; la necrosis o la cavitaci&#243;n una caracter&#237;stica a favor de un schwannoma&#46;</p>"
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "R&#46; L&#243;pez Grove, E&#46; Gentile, L&#46; Savluk, J&#46;P&#46; Santino, M&#46; Ulla"
          "autores" => array:5 [
            0 => array:2 [
              "nombre" => "R&#46;"
              "apellidos" => "L&#243;pez Grove"
            ]
            1 => array:2 [
              "nombre" => "E&#46;"
              "apellidos" => "Gentile"
            ]
            2 => array:2 [
              "nombre" => "L&#46;"
              "apellidos" => "Savluk"
            ]
            3 => array:2 [
              "nombre" => "J&#46;P&#46;"
              "apellidos" => "Santino"
            ]
            4 => array:2 [
              "nombre" => "M&#46;"
              "apellidos" => "Ulla"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2173510722000659"
        "doi" => "10.1016/j.rxeng.2022.02.001"
        "estado" => "S300"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510722000659?idApp=UINPBA00004N"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833822000777?idApp=UINPBA00004N"
    "url" => "/00338338/0000006400000003/v1_202205110735/S0033833822000777/v1_202205110735/es/main.assets"
  ]
  "itemAnterior" => array:19 [
    "pii" => "S0033833821001806"
    "issn" => "00338338"
    "doi" => "10.1016/j.rx.2021.09.011"
    "estado" => "S300"
    "fechaPublicacion" => "2022-05-01"
    "aid" => "1340"
    "copyright" => "SERAM"
    "documento" => "article"
    "crossmark" => 1
    "subdocumento" => "fla"
    "cita" => "Radiologia. 2022;64:214-27"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:1 [
      "total" => 0
    ]
    "es" => array:13 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Original</span>"
      "titulo" => "Elaboraci&#243;n de modelos predictivos de la gravedad y la mortalidad en pacientes con COVID-19 que acuden al servicio de urgencias&#44; incluida la radiograf&#237;a tor&#225;cica"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "tieneResumen" => array:2 [
        0 => "es"
        1 => "en"
      ]
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "214"
          "paginaFinal" => "227"
        ]
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Development of severity and mortality prediction models for covid-19 patients at emergency department including the chest <span class="elsevierStyleSmallCaps">x</span>-ray"
        ]
      ]
      "contieneResumen" => array:2 [
        "es" => true
        "en" => true
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 0
        "multimedia" => array:7 [
          "identificador" => "fig0030"
          "etiqueta" => "Figura 6"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => true
          "mostrarDisplay" => false
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "gr6.jpeg"
              "Alto" => 1530
              "Ancho" => 2917
              "Tamanyo" => 416486
            ]
          ]
          "descripcion" => array:1 [
            "es" => "<p id="spar0075" class="elsevierStyleSimplePara elsevierViewall">Las curvas ROC &#40;arriba&#41; y CPS &#40;abajo&#41; de la validaci&#243;n interna realizada con un conjunto de datos nuevo para los modelos predictivos de mortalidad hospitalaria &#40;SVM&#58; m&#225;quinas de vectores de soporte &#91;<span class="elsevierStyleItalic">Support Vector Machine</span>&#44; azul&#93;&#59; RF&#58; bosque aleatorio &#91;<span class="elsevierStyleItalic">Random Forest</span>&#44; verde&#93;&#59; GB&#58; potenciaci&#243;n del gradiente &#91;<span class="elsevierStyleItalic">Gradient Boosting</span>&#44; naranja&#93;&#41; elaborados con tres combinaciones distintas de par&#225;metros &#40;A&#58; par&#225;metros epidemiol&#243;gicos y radiol&#243;gicos&#59; B&#58; par&#225;metros epidemiol&#243;gicos&#44; radiol&#243;gicos&#44; cl&#237;nicos y anal&#237;ticos&#59; C&#58; par&#225;metros epidemiol&#243;gicos&#44; radiol&#243;gicos&#44; cl&#237;nicos&#44; anal&#237;ticos y basados en la RNC&#41;&#46; Se muestran los valores del AUC correspondientes&#46;</p>"
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "P&#46; Calvillo-Batll&#233;s, L&#46; Cerd&#225;-Alberich, C&#46; Fonfr&#237;a-Esparcia, A&#46; Carreres-Ortega, C&#46;F&#46; Mu&#241;oz-N&#250;&#241;ez, L&#46; Trilles-Olaso, L&#46; Mart&#237;-Bonmat&#237;"
          "autores" => array:7 [
            0 => array:2 [
              "nombre" => "P&#46;"
              "apellidos" => "Calvillo-Batll&#233;s"
            ]
            1 => array:2 [
              "nombre" => "L&#46;"
              "apellidos" => "Cerd&#225;-Alberich"
            ]
            2 => array:2 [
              "nombre" => "C&#46;"
              "apellidos" => "Fonfr&#237;a-Esparcia"
            ]
            3 => array:2 [
              "nombre" => "A&#46;"
              "apellidos" => "Carreres-Ortega"
            ]
            4 => array:2 [
              "nombre" => "C&#46;F&#46;"
              "apellidos" => "Mu&#241;oz-N&#250;&#241;ez"
            ]
            5 => array:2 [
              "nombre" => "L&#46;"
              "apellidos" => "Trilles-Olaso"
            ]
            6 => array:2 [
              "nombre" => "L&#46;"
              "apellidos" => "Mart&#237;-Bonmat&#237;"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2173510722000222"
        "doi" => "10.1016/j.rxeng.2021.09.004"
        "estado" => "S300"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173510722000222?idApp=UINPBA00004N"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833821001806?idApp=UINPBA00004N"
    "url" => "/00338338/0000006400000003/v1_202205110735/S0033833821001806/v1_202205110735/es/main.assets"
  ]
  "es" => array:19 [
    "idiomaDefecto" => true
    "cabecera" => "<span class="elsevierStyleTextfn">Actualizaci&#243;n</span>"
    "titulo" => "Inteligencia artificial en Radiolog&#237;a&#58; introducci&#243;n a los conceptos m&#225;s importantes"
    "tieneTextoCompleto" => true
    "paginas" => array:1 [
      0 => array:2 [
        "paginaInicial" => "228"
        "paginaFinal" => "236"
      ]
    ]
    "autores" => array:1 [
      0 => array:4 [
        "autoresLista" => "A&#46; P&#233;rez del Barrio, P&#46; Men&#233;ndez Fern&#225;ndez-Miranda, P&#46; Sanz Bell&#243;n, L&#46; Lloret Iglesias, D&#46; Rodr&#237;guez Gonz&#225;lez"
        "autores" => array:5 [
          0 => array:4 [
            "nombre" => "A&#46;"
            "apellidos" => "P&#233;rez del Barrio"
            "email" => array:1 [
              0 => "amaia.pdb@gmail.com"
            ]
            "referencia" => array:2 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">&#42;</span>"
                "identificador" => "cor0005"
              ]
            ]
          ]
          1 => array:3 [
            "nombre" => "P&#46;"
            "apellidos" => "Men&#233;ndez Fern&#225;ndez-Miranda"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
            ]
          ]
          2 => array:3 [
            "nombre" => "P&#46;"
            "apellidos" => "Sanz Bell&#243;n"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
            ]
          ]
          3 => array:3 [
            "nombre" => "L&#46;"
            "apellidos" => "Lloret Iglesias"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
          4 => array:3 [
            "nombre" => "D&#46;"
            "apellidos" => "Rodr&#237;guez Gonz&#225;lez"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
        ]
        "afiliaciones" => array:2 [
          0 => array:3 [
            "entidad" => "Servicio de Radiodiagn&#243;stico&#44; Hospital Universitario Marqu&#233;s de Valdecilla&#44; Santander&#44; Cantabria&#44; Espa&#241;a"
            "etiqueta" => "a"
            "identificador" => "aff0005"
          ]
          1 => array:3 [
            "entidad" => "Instituto de F&#237;sica de Cantabria&#44; Consejo Superior de Investigaciones Cient&#237;ficas &#40;CSIC&#41;&#44; Universidad de Cantabria&#44; Santander&#44; Cantabria&#44; Espa&#241;a"
            "etiqueta" => "b"
            "identificador" => "aff0010"
          ]
        ]
        "correspondencia" => array:1 [
          0 => array:3 [
            "identificador" => "cor0005"
            "etiqueta" => "&#8270;"
            "correspondencia" => "Autor para correspondencia&#46;"
          ]
        ]
      ]
    ]
    "titulosAlternativos" => array:1 [
      "en" => array:1 [
        "titulo" => "Artificial Intelligence in Radiology&#58; an introduction to the most important concepts"
      ]
    ]
    "resumenGrafico" => array:2 [
      "original" => 0
      "multimedia" => array:7 [
        "identificador" => "fig0035"
        "etiqueta" => "Figura 7"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr7.jpeg"
            "Alto" => 1285
            "Ancho" => 2841
            "Tamanyo" => 194453
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">Ejemplo con una imagen&#58; se muestra un ejemplo en el que la imagen de una TC de cr&#225;neo va pasando por sucesivas capas que contienen 3 <span class="elsevierStyleItalic">filtros</span> de 3 &#215; 3 y la funci&#243;n de <span class="elsevierStyleItalic">pooling</span>&#44; lo que da lugar a diferentes mapas de caracter&#237;sticas cada vez de menor resoluci&#243;n espacial&#46; A mayor profundidad en la red&#44; los mapas son cada vez m&#225;s groseros y de menor tama&#241;o&#44; transmiti&#233;ndose hacia delante solo la informaci&#243;n m&#225;s relevante&#46;</p>"
        ]
      ]
    ]
    "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Inteligencia artificial&#44; aprendizaje autom&#225;tico y aprendizaje profundo</span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0030">Conceptos b&#225;sicos</span><p id="par0005" class="elsevierStylePara elsevierViewall">La inteligencia artificial &#40;IA&#41; se define como <span class="elsevierStyleItalic">la capacidad de las m&#225;quinas de realizar tareas</span><span class="elsevierStyleItalic">intelectuales habitualmente realizadas por humanos</span><a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">1</span></a>&#46; Este t&#233;rmino se utiliza como concepto general que engloba tanto el aprendizaje autom&#225;tico &#40;AA&#41; como el aprendizaje profundo &#40;AP&#41;&#46; Ambos conceptos pertenecen a un subcampo de la IA que se caracteriza por crear sistemas que son capaces de <span class="elsevierStyleItalic">aprender</span>&#44; es decir&#44; capaces de generar sus propias reglas sirvi&#233;ndose &#250;nicamente de los datos <span class="elsevierStyleItalic">&#40;Data-driven Artificial Intelligence&#41;</span><a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">2</span></a>&#46;</p><p id="par0010" class="elsevierStylePara elsevierViewall">Algunos autores diferencian entre el AA y el AP bas&#225;ndose en que&#44; en el primero<span class="elsevierStyleItalic">&#44;</span> existe intervenci&#243;n humana en el entrenamiento del algoritmo a trav&#233;s de la manipulaci&#243;n de los datos &#40;extracci&#243;n y selecci&#243;n de las caracter&#237;sticas m&#225;s importantes&#41;&#44; mientras que en el AP la intervenci&#243;n humana es m&#237;nima dado que no existe este paso previo<a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">2</span></a>&#46; Sin embargo&#44; un enfoque m&#225;s correcto es considerar el AP como una evoluci&#243;n del AA&#58; los sistemas de AP son sistemas de AA&#44; pero m&#225;s profundos &#40;y de ah&#237; viene su nombre&#41;<span class="elsevierStyleItalic">&#44;</span> es decir&#44; constan de muchas m&#225;s capas y&#44; precisamente&#44; son estas capas extra las que les confieren la capacidad de extraer las caracter&#237;sticas m&#225;s relevantes de los datos por s&#237; solos &#40;<a class="elsevierStyleCrossRef" href="#fig0005">fig&#46; 1</a>&#41;<a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">2</span></a>&#46; En este campo&#44; el concepto de <span class="elsevierStyleItalic">caracter&#237;stica</span> se refiere a aquellas variables o propiedades de los datos que son mensurables como&#44; por ejemplo&#44; el valor del p&#237;xel o la edad del paciente&#46; Las caracter&#237;sticas m&#225;s relevantes ser&#225;n aquellas que ayuden en la resoluci&#243;n del problema que se plantea&#46; Otro concepto importante es el modelo de aprendizaje del sistema de AA o AP&#44; ya que se distinguen 3 tipos &#40;<a class="elsevierStyleCrossRef" href="#fig0010">fig&#46; 2</a>&#41;<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">3</span></a>&#46;</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia><elsevierMultimedia ident="fig0010"></elsevierMultimedia><p id="par0015" class="elsevierStylePara elsevierViewall">La IA y&#44; especialmente el AP&#44; han protagonizado innumerables art&#237;culos en los &#250;ltimos a&#241;os&#44; muchos de ellos relacionados con la Radiolog&#237;a&#46; Sin embargo&#44; estos conceptos no son tan novedosos como se cree&#46; En realidad&#44; la IA surgi&#243; a mediados de los a&#241;os 50<a class="elsevierStyleCrossRef" href="#bib0200"><span class="elsevierStyleSup">4</span></a> y&#44; a lo largo de su historia&#44; ha presentado momentos de estancamiento &#40;los llamados <span class="elsevierStyleItalic">inviernos de la IA</span>&#41; y momentos de repunte&#46; Actualmente&#44; estamos viviendo uno de esos momentos de repunte sin precedentes&#44; principalmente gracias al desarrollo de la tecnolog&#237;a necesaria para su funcionamiento &#243;ptimo como&#44; por ejemplo&#44; las unidades de procesamiento gr&#225;fico&#46; En el &#225;mbito m&#233;dico&#44; la Radiolog&#237;a es una de las especialidades que m&#225;s se est&#225; viendo revolucionada por estos nuevos sistemas<a class="elsevierStyleCrossRef" href="#bib0205"><span class="elsevierStyleSup">5</span></a>&#46;</p></span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0035">Principales hitos en el desarrollo de la inteligencia artificial</span><p id="par0020" class="elsevierStylePara elsevierViewall">Desde finales de los a&#241;os 50&#44; una serie de sucesos relacionados con la IA tuvieron gran impacto medi&#225;tico&#46;</p><p id="par0025" class="elsevierStylePara elsevierViewall">En 1970-1976&#44; el <span class="elsevierStyleItalic">teorema de los 4 colores</span>&#44; problema matem&#225;tico no resuelto&#44; consigue probarse gracias a la ayuda de un ordenador&#44; convirti&#233;ndose as&#237; en el primer ejemplo de la inclusi&#243;n de los ordenadores en la resoluci&#243;n de problemas humanos<a class="elsevierStyleCrossRef" href="#bib0210"><span class="elsevierStyleSup">6</span></a>&#46; Es en esta misma d&#233;cada cuando nace el t&#233;rmino <span class="elsevierStyleItalic">inteligencia aumentada</span> para expresar el uso de los ordenadores dedicados a ensalzar la cognici&#243;n humana<a class="elsevierStyleCrossRef" href="#bib0215"><span class="elsevierStyleSup">7</span></a>&#46;</p><p id="par0030" class="elsevierStylePara elsevierViewall">Posteriormente&#44; en 1997&#44; el ordenador <span class="elsevierStyleItalic">Deep Blue</span> de IBM consigue vencer en un torneo de ajedrez al campe&#243;n del mundo&#44; Garry Kasparov&#46; <span class="elsevierStyleItalic">Deep Blue</span> pose&#237;a informaci&#243;n de miles de partidas previas y era capaz de analizar todas las posibles situaciones de los siguientes<a class="elsevierStyleCrossRefs" href="#bib0210"><span class="elsevierStyleSup">6&#8211;8</span></a> movimientos&#58; se trataba de IA <span class="elsevierStyleItalic">simb&#243;lica</span><span class="elsevierStyleItalic">&#40;knowledge-based artificial intelligence&#41;</span> &#40;<a class="elsevierStyleCrossRef" href="#fig0005">fig&#46; 1</a>&#41;&#44; puesto que estos sistemas no <span class="elsevierStyleItalic">aprend&#237;an</span> nada&#44; sino que simplemente aplicaban las reglas del juego programadas por humanos&#44; con la ventaja que tienen los ordenadores de poder procesar muchos datos en poco tiempo<a class="elsevierStyleCrossRef" href="#bib0220"><span class="elsevierStyleSup">8</span></a>&#46;</p><p id="par0035" class="elsevierStylePara elsevierViewall">En 2015&#44; el sistema <span class="elsevierStyleItalic">AlphaGo</span>&#44; desarrollado por Google DeepMind&#44; se convierte en el primer sistema en vencer a uno de los mejores jugadores de go&#44; un juego con reglas sencillas&#44; pero m&#225;s complejo que el ajedrez en el aspecto estrat&#233;gico<a class="elsevierStyleCrossRef" href="#bib0225"><span class="elsevierStyleSup">9</span></a>&#46; Este sistema se basaba ya en t&#233;cnicas de AA implementadas a trav&#233;s de redes neuronales de AP&#44; puesto que el algoritmo era capaz de inferir o <span class="elsevierStyleItalic">aprender</span> &#233;l solo las reglas del juego con base en los datos de partidas previas&#46;</p><p id="par0040" class="elsevierStylePara elsevierViewall">Acerc&#225;ndonos al momento actual&#44; en 2017&#44; se presenta <span class="elsevierStyleItalic">AlphaZero</span> que&#44; a diferencia de <span class="elsevierStyleItalic">AlphaGo</span>&#44; es capaz de aprender enfrent&#225;ndose a s&#237; mismo&#44; es decir&#44; se basa en aprendizaje por refuerzo y no se le proporcionan previamente datos de partidas anteriores&#44; evitando&#44; por tanto&#44; cualquier intervenci&#243;n humana&#46; Con tan solo unas pocas horas de entrenamiento aut&#243;nomo&#44; este algoritmo fue capaz de ganar al go a otros programas y versiones previas<a class="elsevierStyleCrossRef" href="#bib0230"><span class="elsevierStyleSup">10</span></a>&#46;</p><p id="par0045" class="elsevierStylePara elsevierViewall">En la actualidad&#44; son las redes neuronales profundas&#44; generalmente entrenadas mediante aprendizaje supervisado&#44; los sistemas con mayor &#233;xito en el &#225;mbito m&#233;dico y cient&#237;fico<a class="elsevierStyleCrossRef" href="#bib0235"><span class="elsevierStyleSup">11</span></a>&#46; Estas redes se engloban dentro del AP dado que aprenden directamente de los datos y sin necesidad de estar estos previamente seleccionados por los humanos&#46; El desarrollo de estas t&#233;cnicas ha supuesto un cambio de paradigma en este campo y&#44; sobre todo&#44; en el an&#225;lisis de im&#225;genes y es por ello que son el foco de este art&#237;culo&#46;</p></span></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">Las redes neuronales</span><p id="par0050" class="elsevierStylePara elsevierViewall">Las redes neuronales son modelos de predicci&#243;n&#44; es decir&#44; dados unos datos previos&#44; son capaces de producir una predicci&#243;n al enfrentarse a datos nuevos&#46; Otros modelos de predicci&#243;n m&#225;s conocidos son la regresi&#243;n lineal simple&#44; la m&#250;ltiple o la regresi&#243;n log&#237;stica&#46; Las redes neuronales obtienen mejores resultados que los anteriores ante problemas m&#225;s complejos&#46; En general&#44; podemos dividir los modelos de predicci&#243;n en modelos de clasificaci&#243;n y modelos de regresi&#243;n&#46; Los modelos de clasificaci&#243;n se basan en encontrar una predicci&#243;n discreta para la variable de entrada como&#44; por ejemplo&#44; predecir la presencia o no de una enfermedad concreta a partir de una imagen&#46; Mientras que los modelos de regresi&#243;n se utilizan para encontrar predicciones continuas para la variable de entrada como&#44; por ejemplo&#44; predecir el valor del d&#237;mero D a partir de unas variables de entrada &#40;a saber&#44; la edad&#44; la presencia de enfermedad oncol&#243;gica&#44; etc&#46;&#41;&#46; A continuaci&#243;n&#44; se explican las bases de las redes neuronales&#44; comenzando con la neurona artificial y terminando con las redes neuronales convolucionales&#44; el tipo de red neuronal que m&#225;s &#233;xito ha demostrado en visi&#243;n artificial&#46;</p><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">La neurona artificial</span><p id="par0055" class="elsevierStylePara elsevierViewall">Las redes neuronales artificiales est&#225;n compuestas por m&#250;ltiples neuronas artificiales interconectadas&#44; tambi&#233;n llamadas perceptrones simples&#44; que se pueden comparar con las neuronas biol&#243;gicas &#40;<a class="elsevierStyleCrossRef" href="#fig0015">fig&#46; 3</a>&#41;&#46; La neurona artificial o perceptr&#243;n simple consta de varias v&#237;as de entrada&#44; que se asemejan a las dendritas de las neuronas biol&#243;gicas y que transmiten la informaci&#243;n hacia el soma&#46; El soma de la neurona artificial es una funci&#243;n que integra toda la informaci&#243;n de las entradas y que&#44; tras aplicar una funci&#243;n de activaci&#243;n&#44; genera una salida<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">3</span></a>&#46;</p><elsevierMultimedia ident="fig0015"></elsevierMultimedia><p id="par0060" class="elsevierStylePara elsevierViewall">La funci&#243;n de activaci&#243;n se podr&#237;a asemejar al proceso biol&#243;gico de despolarizaci&#243;n de las membranas&#44; que no sigue una funci&#243;n lineal&#44; sino que responde a la <span class="elsevierStyleItalic">ley del todo o nada</span>&#46; Las neuronas biol&#243;gicas reciben muchos impulsos que no consiguen <span class="elsevierStyleItalic">activarlas</span> o despolarizarlas&#44; hasta que llega uno con suficiente potencia para despolarizarla consiguiendo generar una salida o potencial de acci&#243;n que viaja a trav&#233;s del ax&#243;n&#44; el cual transmitir&#225; el impulso a las neuronas contiguas<a class="elsevierStyleCrossRef" href="#bib0240"><span class="elsevierStyleSup">12</span></a>&#46; A las neuronas artificiales tambi&#233;n les llegan una serie de est&#237;mulos y&#44; si alguno de ellos logra <span class="elsevierStyleItalic">activar</span> la funci&#243;n de activaci&#243;n&#44; esta dar&#225; lugar a una salida&#46; La raz&#243;n matem&#225;tica que explica que estas funciones sean indispensables es que son las encargadas de introducir la <span class="elsevierStyleItalic">no linealidad</span> en la neurona&#44; lo que permite poder aproximarse a funciones mucho m&#225;s complejas y as&#237; resolver&#44; por ejemplo&#44; problemas de clasificaci&#243;n que no sean separables por una recta<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">3</span></a>&#46;</p></span><span id="sec0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050">La red neuronal artificial cl&#225;sica</span><p id="par0065" class="elsevierStylePara elsevierViewall">Al igual que las neuronas biol&#243;gicas se organizan en capas para formar redes neuronales biol&#243;gicas&#44; las neuronas artificiales hacen lo mismo formando redes artificiales&#44; por lo tanto&#44; la asociaci&#243;n de perceptrones en capas y la concatenaci&#243;n de sucesivas capas es lo que da lugar a una red neuronal &#40;<a class="elsevierStyleCrossRef" href="#fig0015">fig&#46; 3</a>&#41;<a class="elsevierStyleCrossRef" href="#bib0245"><span class="elsevierStyleSup">13</span></a>&#46;</p><p id="par0070" class="elsevierStylePara elsevierViewall">La arquitectura de las redes neuronales profundas se puede asemejar al modelo biol&#243;gico de la corteza visual primaria propuesto por D&#46; H&#46; Hubel y T&#46; Wiesel&#44; ambos premios Nobel&#44; en 1959&#46; Seg&#250;n este modelo biol&#243;gico&#44; la corteza visual primaria est&#225; compuesta por 2 tipos de c&#233;lulas&#58; las c&#233;lulas simples y las c&#233;lulas complejas&#46; Las c&#233;lulas simples&#44; tambi&#233;n llamadas <span class="elsevierStyleItalic">detectoras de bordes</span>&#44; responden positivamente al detectar el borde de un objeto en una determinada orientaci&#243;n&#44; mientras que las c&#233;lulas complejas utilizan la contribuci&#243;n de las anteriores para encontrar todos los bordes del objeto&#46; La organizaci&#243;n de estas c&#233;lulas en capas&#44; de modo jer&#225;rquico&#44; hace que los objetos se vayan reconociendo de forma secuencial&#44; empezando por las caracter&#237;sticas m&#225;s simples para acabar por las m&#225;s complejas&#46; Las redes neuronales mantienen una arquitectura similar&#58; la primera capa de la red se encarga de extraer caracter&#237;sticas groseras de la imagen&#44; como los bordes&#44; el contraste de color&#44; etc&#46; Para&#44; posteriormente&#44; pasar la informaci&#243;n por sucesivas capas que van extrayendo detalles m&#225;s finos<a class="elsevierStyleCrossRef" href="#bib0250"><span class="elsevierStyleSup">14</span></a>&#46;</p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0055">El proceso de aprendizaje o entrenamiento</span><p id="par0075" class="elsevierStylePara elsevierViewall">Antes de comenzar el entrenamiento de la red&#44; se deben seleccionar unas variables llamadas <span class="elsevierStyleItalic">hiperpar&#225;metros&#46;</span> Los <span class="elsevierStyleItalic">hiperpar&#225;metros</span> son variables que determinan la estructura de la red y de c&#243;mo se entrena&#44; por lo tanto&#44; se definen antes de comenzar el entrenamiento y se van ajustando en funci&#243;n de los resultados del mismo&#46; El tipo de funci&#243;n de activaci&#243;n utilizada y el n&#250;mero de capas ocultas del algoritmo son ejemplos de <span class="elsevierStyleItalic">hiperpar&#225;metros</span><a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">2</span></a>&#46;</p><p id="par0080" class="elsevierStylePara elsevierViewall">El proceso de aprendizaje o entrenamiento de una red neuronal consiste en ajustar unos par&#225;metros llamados pesos&#46; Los pesos se entienden como la intensidad de las conexiones existentes entre las neuronas artificiales&#46; En la neurona biol&#243;gica&#44; los pesos se podr&#237;an asemejar a la intensidad de las sinapsis entre neuronas&#46; As&#237;&#44; ajustando las <span class="elsevierStyleItalic">sinapsis</span> conseguiremos un resultado final &#243;ptimo<a class="elsevierStyleCrossRef" href="#bib0255"><span class="elsevierStyleSup">15</span></a>&#46;</p><p id="par0085" class="elsevierStylePara elsevierViewall">Cada vez que una imagen entra en la red&#44; se activan secuencialmente todas las neuronas de todas las capas de la red&#44; es decir&#44; se van generando unos pesos para cada conexi&#243;n neuronal&#44; a lo que se le llama <span class="elsevierStyleItalic">propagaci&#243;n hacia delante</span>&#46; Finalmente&#44; al llegar a la &#250;ltima capa&#44; gracias a este proceso&#44; se genera una predicci&#243;n para esa imagen&#46; Pero&#44; dado que todav&#237;a estamos entrenando la red&#44; &#191;c&#243;mo podemos saber si esa predicci&#243;n es correcta o err&#243;nea&#63; &#191;C&#243;mo podemos hacer que la red vaya mejorando con cada imagen de entrenamiento&#63;</p><p id="par0090" class="elsevierStylePara elsevierViewall">En un modelo de aprendizaje supervisado&#44; la red neuronal comienza utilizando unos pesos aleatorios y <span class="elsevierStyleItalic">aprende</span> cuando esos pesos se van ajustando al comparar los resultados de la red para un ejemplo con el resultado de referencia o etiqueta<a class="elsevierStyleCrossRef" href="#bib0235"><span class="elsevierStyleSup">11</span></a>&#46; Para ello necesita&#44; por un lado&#44; las referencias o etiquetas&#59; por otro&#44; una funci&#243;n que mida el error generado <span class="elsevierStyleItalic">&#40;funci&#243;n de p&#233;rdida&#41;&#59;</span> un algoritmo de optimizaci&#243;n que calcule la magnitud y la direcci&#243;n en la que deben modificarse los pesos con el objetivo de minimizar ese error <span class="elsevierStyleItalic">&#40;descenso de gradiente&#41;&#44;</span> y&#44; por &#250;ltimo&#44; otra funci&#243;n capaz de trasladar este <span class="elsevierStyleItalic">ajuste</span> de forma retr&#243;grada a trav&#233;s de la red y que modifique los pesos de cada neurona en funci&#243;n de cu&#225;nto de responsable sea esa neurona del resultado final <span class="elsevierStyleItalic">&#40;propagaci&#243;n hacia atr&#225;s&#41;</span> &#40;<a class="elsevierStyleCrossRef" href="#fig0020">fig&#46; 4</a>&#41;<a class="elsevierStyleCrossRef" href="#bib0255"><span class="elsevierStyleSup">15</span></a>&#46;</p><elsevierMultimedia ident="fig0020"></elsevierMultimedia><p id="par0095" class="elsevierStylePara elsevierViewall">Este proceso de ajuste de pesos es lo que se llama <span class="elsevierStyleItalic">aprendizaje</span> de la red y se da principalmente en las capas ocultas&#46; A lo largo de la red&#44; y mediante el ajuste de los pesos&#44; las capas ocultas van formando representaciones de los datos cada vez m&#225;s complejas&#44; pero que se ajustan cada vez m&#225;s al problema &#40;<a class="elsevierStyleCrossRef" href="#fig0025">fig&#46; 5</a>&#41;<a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">2</span></a>&#46; As&#237;&#44; la base tanto del AA como del AP es transformar los datos sucesivamente hasta encontrar la mejor representaci&#243;n que permita resolver el problema&#46; El t&#233;rmino <span class="elsevierStyleItalic">profundo</span> no hace referencia a un entendimiento m&#225;s profundo de los datos&#44; sino a aprender capas sucesivas de representaciones cada vez m&#225;s significativas y el n&#250;mero de estas capas es lo que se conoce como la profundidad del modelo<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">3</span></a>&#46;</p><elsevierMultimedia ident="fig0025"></elsevierMultimedia><p id="par0100" class="elsevierStylePara elsevierViewall">Para entrenar una red neuronal&#44; es necesario disponer de al menos 2 subconjuntos de datos&#58; un grupo para el entrenamiento propiamente dicho&#44; con el que el modelo ajustar&#225; sus pesos de acuerdo con un m&#237;nimo en la <span class="elsevierStyleItalic">funci&#243;n de p&#233;rdida</span>&#59; y otro grupo de datos con el que evaluar el rendimiento de este&#44; denominado el conjunto de validaci&#243;n&#46; As&#237;&#44; se van realizando iteraciones &#40;llamadas <span class="elsevierStyleItalic">&#233;pocas&#41;</span> sobre estos grupos de datos y el modelo ir&#225; obteniendo cada vez mejores resultados que se ir&#225;n observando en la evaluaci&#243;n del rendimiento del modelo con el conjunto de validaci&#243;n en cada iteraci&#243;n&#46; Si el rendimiento del modelo no es bueno&#44; el experto puede realizar cambios en los <span class="elsevierStyleItalic">hiperpar&#225;metros</span>&#46;</p><p id="par0105" class="elsevierStylePara elsevierViewall">Finalmente&#44; una vez concluido el entrenamiento&#44; es decir&#44; una vez ajustados tantos los pesos como los <span class="elsevierStyleItalic">hiperpar&#225;metros</span>&#44; se prueba el modelo con datos nuevos &#40;conjunto de datos denominado test&#41; para evaluar su rendimiento real&#46; Es decir&#44; se expone al modelo a datos nuevos&#44; por ejemplo&#44; im&#225;genes nuevas y no etiquetadas&#44; y se obtiene una predicci&#243;n&#59; por ejemplo&#44; la clase a la que pertenece esa imagen en un problema de clasificaci&#243;n&#46; Los datos del test no deben nunca utilizarse para modificar pesos o <span class="elsevierStyleItalic">hiperpar&#225;metros</span> del modelo&#46;</p></span><span id="sec0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0060">Las redes neuronales convolucionales</span><p id="par0110" class="elsevierStylePara elsevierViewall">Con la extensi&#243;n del uso de las redes neuronales cl&#225;sicas&#44; empezaron a surgir problemas que impulsaron el desarrollo de formas m&#225;s complejas de redes neuronales&#46; En el caso de la imagen y el reconocimiento de objetos&#44; el principal problema era que&#44; generalmente&#44; el mismo objeto pod&#237;a tener formas y posiciones diferentes&#44; lo que reduc&#237;a el rendimiento de las redes&#46; As&#237;&#44; surgieron las redes neuronales convolucionales &#40;RNC&#41;<span class="elsevierStyleItalic">&#44;</span> las m&#225;s usadas para imagen m&#233;dica<a class="elsevierStyleCrossRef" href="#bib0255"><span class="elsevierStyleSup">15</span></a>&#46;</p><p id="par0115" class="elsevierStylePara elsevierViewall">Las redes neuronales cl&#225;sicas mencionadas anteriormente est&#225;n compuestas por capas totalmente conectadas&#46; Esto significa que todas las neuronas de una capa est&#225;n conectadas con las de la siguiente capa y&#44; por lo tanto&#44; la imagen se interpreta en su totalidad&#44; tomando como entrada el valor de todos los p&#237;xeles y realizando operaciones que incluyen toda la informaci&#243;n de la imagen&#46; As&#237;&#44; si por ejemplo la red tiene como objetivo aprender a identificar coches y en una de las im&#225;genes aparece un coche en la esquina superior izquierda y en otra en la esquina inferior derecha&#44; la red tendr&#225; que aprender unos pesos diferentes para cada una de esas im&#225;genes&#44; dado que la diferente localizaci&#243;n del mismo objeto hace que sean interpretados como objetos diferentes&#44; cada uno con sus pesos y representaciones espec&#237;ficas&#46; Esto hace que estas redes no funcionen bien ni sean eficientes en tareas como la interpretaci&#243;n de la imagen o la identificaci&#243;n de objetos&#46; Por el contrario&#44; las RNC disponen de unas matrices denominadas <span class="elsevierStyleItalic">filtros</span> capaces de analizar la composici&#243;n de la imagen y que conceden a la red la capacidad de identificar el coche independientemente de su localizaci&#243;n&#44; lo que las hace mucho m&#225;s eficientes que las redes neuronales cl&#225;sicas para la interpretaci&#243;n de la imagen<a class="elsevierStyleCrossRef" href="#bib0255"><span class="elsevierStyleSup">15</span></a>&#46;</p><p id="par0120" class="elsevierStylePara elsevierViewall">Cada capa convolucional de una RNC puede constar de varios <span class="elsevierStyleItalic">filtros</span>&#46; Estos <span class="elsevierStyleItalic">filtros</span> son matrices num&#233;ricas que van recorriendo la imagen realizando operaciones de convoluci&#243;n sobre grupos de p&#237;xeles&#44; dando lugar a mapas de caracter&#237;sticas&#46; Cada <span class="elsevierStyleItalic">filtro</span> representa una caracter&#237;stica &#40;<a class="elsevierStyleCrossRef" href="#fig0030">fig&#46; 6</a>&#41;&#46; As&#237;&#44; capa tras capa&#44; se van extrayendo caracter&#237;sticas cada vez m&#225;s complejas y se van formando representaciones cada vez m&#225;s <span class="elsevierStyleItalic">groseras</span> de los datos de entrada&#46; Es habitual que las capas convolucionales se sigan de capas de <span class="elsevierStyleItalic">pooling&#44;</span> capas que reducen la dimensionalidad de los mapas y as&#237; el coste computacional &#40;<a class="elsevierStyleCrossRef" href="#fig0035">fig&#46; 7</a>&#41;&#46; Las representaciones de la &#250;ltima capa de la parte convolucional son transformadas a un vector final a trav&#233;s de una o m&#225;s capas completamente conectadas y&#44; finalmente&#44; a una predicci&#243;n&#46; A esta segunda parte de la red se le denomina com&#250;nmente el clasificador<a class="elsevierStyleCrossRef" href="#bib0255"><span class="elsevierStyleSup">15</span></a>&#46;</p><elsevierMultimedia ident="fig0030"></elsevierMultimedia><elsevierMultimedia ident="fig0035"></elsevierMultimedia><p id="par0125" class="elsevierStylePara elsevierViewall">En conclusi&#243;n&#44; las RNC&#44; gracias a los <span class="elsevierStyleItalic">filtros</span>&#44; aprenden patrones locales y&#44; por lo tanto&#44; son capaces de reconocer dicho patr&#243;n independientemente de que se realice una traslaci&#243;n&#44; mientras que las redes neuronales cl&#225;sicas aprenden patrones globales y no son capaces de abstraerse de la localizaci&#243;n&#44; orientaci&#243;n o forma del objeto en la imagen&#46; As&#237; pues&#44; las RNC han demostrado ser las m&#225;s adecuadas para trabajar con imagen m&#233;dica&#44; siendo capaces de realizar tareas complejas como la clasificaci&#243;n de im&#225;genes<a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">2</span></a>&#46;</p></span></span><span id="sec0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Principales problemas de las redes neuronales y algunas soluciones</span><p id="par0130" class="elsevierStylePara elsevierViewall">Entre los obst&#225;culos a los que nos podemos enfrentar durante el entrenamiento de una red neuronal y que somos capaces de detectar gracias al conjunto de validaci&#243;n destacan el sobreajuste y el subajuste&#46; El sobreajuste ocurre cuando el modelo se especializa tanto en los datos de entrenamiento que no es capaz de generalizar y&#44; por lo tanto&#44; al enfrentarse a datos nuevos no obtiene buenos resultados&#46; El subajuste&#44; por su parte&#44; se refiere a un modelo que&#44; debido a su insuficiente especializaci&#243;n o excesiva simplicidad&#44; no es capaz de obtener buenos resultados ni siquiera con los datos de entrenamiento&#46; En ninguno de los casos el modelo habr&#225; encontrado aquellas caracter&#237;sticas importantes que le permitir&#237;an resolver el problema de forma general o con datos nuevos&#44; es decir&#44; en ninguno de los casos el modelo habr&#225; <span class="elsevierStyleItalic">aprendido</span> a generalizar&#46; En conclusi&#243;n&#44; las redes neuronales deben aprender transformaciones y no ejemplos concretos<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">3</span></a>&#46;</p><p id="par0135" class="elsevierStylePara elsevierViewall">El sobreajuste est&#225; directamente relacionado con uno de los obst&#225;culos m&#225;s importantes con los que nos encontramos a la hora de desarrollar sistemas relacionados con la imagen m&#233;dica&#58; la escasez de datos etiquetados&#46; Una de las razones de este problema es que la creaci&#243;n de amplias bases de datos de im&#225;genes debidamente etiquetadas requiere mucho tiempo y esfuerzo por parte del experto&#44; en nuestro caso&#44; del radi&#243;logo&#46; Adem&#225;s&#44; dado que no siempre concuerdan el diagn&#243;stico por imagen con el histol&#243;gico&#44; se debe tener muy en cuenta qu&#233; prueba es la que se debe considerar diagn&#243;stica de la enfermedad a estudio para as&#237; crear la etiqueta&#46; La imagen se considera diagn&#243;stica en algunas entidades como las fracturas&#46; Sin embargo&#44; la mayor&#237;a de las enfermedades necesitan de otras pruebas para realizar el diagn&#243;stico definitivo&#44; ya sea la histolog&#237;a o los hallazgos cl&#237;nico-anal&#237;ticos&#44; como&#44; por ejemplo&#44; el c&#225;ncer&#44; en el que en la mayor&#237;a de los casos es necesario el resultado histol&#243;gico para realizar su diagn&#243;stico<a class="elsevierStyleCrossRef" href="#bib0260"><span class="elsevierStyleSup">16</span></a>&#46; A su vez&#44; esta falta de im&#225;genes etiquetadas muchas veces se ve acentuada debido al complicado marco &#233;tico y legal en la transferencia de datos de car&#225;cter m&#233;dico<a class="elsevierStyleCrossRef" href="#bib0265"><span class="elsevierStyleSup">17</span></a>&#46;</p><p id="par0140" class="elsevierStylePara elsevierViewall">No obstante&#44; existen varios proyectos en marcha con el objetivo de crear amplias bases de datos con im&#225;genes m&#233;dicas etiquetadas&#44; como el Cancer Imaging Archive<a class="elsevierStyleCrossRef" href="#bib0270"><span class="elsevierStyleSup">18</span></a>&#44; o empresas como Savana<a class="elsevierStyleCrossRef" href="#bib0275"><span class="elsevierStyleSup">19</span></a>&#44; que ofrecen soluciones de IA para la explotaci&#243;n de los datos m&#233;dicos en formato de texto libre&#46; Tambi&#233;n se plantean estrategias como el informe interactivo&#44; en el que el radi&#243;logo puede crear v&#237;nculos &#40;<span class="elsevierStyleItalic">hipertexto</span>&#41; a otros textos o etiquetas en el propio informe<a class="elsevierStyleCrossRef" href="#bib0260"><span class="elsevierStyleSup">16</span></a>&#59; el informe estructurado&#59; o incluso proyectos de colaboraci&#243;n internacionales que involucran a muchos radi&#243;logos&#44; como la preparaci&#243;n del conjunto de datos para el <span class="elsevierStyleItalic">RSNA 2019 Brain CT</span><span class="elsevierStyleItalic">Hemorrahge Challenge</span><a class="elsevierStyleCrossRef" href="#bib0280"><span class="elsevierStyleSup">20</span></a>&#59; plataformas como OpenNeuro<a class="elsevierStyleCrossRef" href="#bib0285"><span class="elsevierStyleSup">21</span></a>&#44; que facilita el acceso a bases de datos tanto de im&#225;genes cerebrales como de electroencefalogramas&#59; la red europea de imagen de tumores cerebrales ENBIT<a class="elsevierStyleCrossRef" href="#bib0290"><span class="elsevierStyleSup">22</span></a>&#44; o consorcios como ENIGMA<a class="elsevierStyleCrossRef" href="#bib0295"><span class="elsevierStyleSup">23</span></a>&#44; que une a investigadores en gen&#243;mica e imagen cerebral&#46;</p><p id="par0145" class="elsevierStylePara elsevierViewall">Otra de las soluciones que m&#225;s &#233;xito est&#225; demostrando&#44; principalmente en el &#225;mbito m&#233;dico&#44; es la transferencia de aprendizaje <span class="elsevierStyleItalic">&#40;transfer learning&#41;&#46;</span> Esta t&#233;cnica consiste en poder trasladar a nuestro modelo&#44; desde una red ya entrenada&#44; tanto la arquitectura como los pesos de las primeras capas&#46; Se elige trasladar los pesos de las primeras capas debido al aprendizaje jer&#225;rquico de las redes neuronales&#44; ya comentado anteriormente&#44; seg&#250;n el cual son las primeras capas las que se encargan de extraer caracter&#237;sticas m&#225;s simples&#44; es decir&#44; menos espec&#237;ficas del problema a resolver y que se asume que son comunes para ambos conjuntos de im&#225;genes&#46; En este sentido&#44; se puede o bien entrenar &#250;nicamente la &#250;ltima parte de la red&#44; el clasificador&#44; y mantener la parte convolucional <span class="elsevierStyleItalic">congelada&#44;</span> o bien entrenar tambi&#233;n un n&#250;mero variable de capas de la parte convolucional&#44; a lo que se denomina <span class="elsevierStyleItalic">descongelar</span> capas&#46; En cualquier caso&#44; este nuevo modelo inicia su proceso de aprendizaje <span class="elsevierStyleItalic">con ventaja</span>&#44; al tener que ajustar los pesos desde una posici&#243;n favorable en lugar de partir de valores aleatorios&#46; Es por ello que estos modelos pueden obtener buenos resultados con menos datos que aquellos modelos completamente nuevos<a class="elsevierStyleCrossRef" href="#bib0300"><span class="elsevierStyleSup">24</span></a>&#46;</p><p id="par0150" class="elsevierStylePara elsevierViewall">Y&#44; por &#250;ltimo&#44; uno de los problemas m&#225;s importante de estos sistemas y&#44; al mismo tiempo&#44; m&#225;s dif&#237;cil de solucionar es su escasa transparencia&#46; Ya que&#44; aunque se pueda explicar el proceso matem&#225;tico mediante el cual se construyen los algoritmos&#44; no se conoce claramente c&#243;mo llegan a sus conclusiones&#46; Es por ello que&#44; todav&#237;a a d&#237;a de hoy&#44; las RNC son consideradas cajas negras<a class="elsevierStyleCrossRef" href="#bib0305"><span class="elsevierStyleSup">25</span></a> y mejorar su explicabilidad es motivo de estudio&#46; Una de las soluciones que est&#225; siendo muy utilizada son las <span class="elsevierStyleItalic">Grad-CAM</span><a class="elsevierStyleCrossRef" href="#bib0310"><span class="elsevierStyleSup">26</span></a><span class="elsevierStyleItalic">&#44;</span> sistemas de localizaci&#243;n mediante gradiente de las &#225;reas de la imagen en las que el algoritmo se fija para tomar la decisi&#243;n final&#46; Al mismo tiempo&#44; esta escasa explicabilidad y transparencia dificultan el desarrollo de un marco &#233;tico-legal para la regulaci&#243;n de la implementaci&#243;n de estos sistemas en la pr&#225;ctica m&#233;dica habitual<a class="elsevierStyleCrossRef" href="#bib0315"><span class="elsevierStyleSup">27</span></a>&#46;</p></span><span id="sec0050" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Desarrollo de sistemas de inteligencia artificial en los servicios de Radiolog&#237;a</span><p id="par0155" class="elsevierStylePara elsevierViewall">Dentro de un servicio de Radiodiagn&#243;stico&#44; los sistemas de IA pueden aplicarse en m&#250;ltiples &#225;reas&#44; como en tareas relacionadas con la citaci&#243;n de los pacientes<a class="elsevierStyleCrossRef" href="#bib0320"><span class="elsevierStyleSup">28</span></a>&#44; la selecci&#243;n del mejor protocolo de imagen y dosis de radiaci&#243;n<a class="elsevierStyleCrossRef" href="#bib0325"><span class="elsevierStyleSup">29</span></a>&#44; la colocaci&#243;n del paciente en el equipo<a class="elsevierStyleCrossRef" href="#bib0330"><span class="elsevierStyleSup">30</span></a>&#44; el posprocesado de la imagen &#40;reconstrucciones&#44; mejora de la calidad de la imagen&#44; etc&#46;&#41;<a class="elsevierStyleCrossRef" href="#bib0335"><span class="elsevierStyleSup">31</span></a> y&#44; por supuesto&#44; y como ya hemos explicado&#44; en la interpretaci&#243;n de la imagen<a class="elsevierStyleCrossRef" href="#bib0340"><span class="elsevierStyleSup">32</span></a>&#46; En este &#250;ltimo campo&#44; no solo se est&#225;n desarrollando sistemas de IA que realicen un diagn&#243;stico&#44; sino tambi&#233;n sistemas capaces de segmentar &#243;rganos y detectar lesiones&#44; as&#237; como monitorizarlas<a class="elsevierStyleCrossRef" href="#bib0345"><span class="elsevierStyleSup">33</span></a>&#46; Y&#44; yendo un poco m&#225;s all&#225;&#44; se est&#225;n estudiando sistemas que predigan&#44; por ejemplo&#44; la supervivencia estimada o la gravedad de la enfermedad en funci&#243;n del tipo de lesi&#243;n u otros datos cl&#237;nico-anal&#237;ticos del paciente<a class="elsevierStyleCrossRefs" href="#bib0340"><span class="elsevierStyleSup">32&#8211;34</span></a>&#46; La suma de datos cl&#237;nicos del paciente a los datos propios de la imagen puede aportar mejoras sustanciales en los resultados de estos modelos de IA&#44; lo que ha llevado a crear redes que combinan m&#233;todos de AP y de AA<span class="elsevierStyleItalic">&#44;</span> las redes h&#237;bridas<a class="elsevierStyleCrossRef" href="#bib0350"><span class="elsevierStyleSup">34</span></a>&#46;</p><p id="par0160" class="elsevierStylePara elsevierViewall">Cuando se plantea el desarrollo de un sistema de IA relacionado con la interpretaci&#243;n de imagen m&#233;dica&#44; lo primero es obtener la aprobaci&#243;n del comit&#233; de &#233;tica del hospital&#46; Generalmente&#44; para estudios retrospectivos en los que la obtenci&#243;n del consentimiento informado no es factible y los riesgos de fuga de datos m&#233;dicos son m&#237;nimos&#44; el consentimiento informado del paciente suele ser prescindible<a class="elsevierStyleCrossRef" href="#bib0355"><span class="elsevierStyleSup">35</span></a>&#46;</p><p id="par0165" class="elsevierStylePara elsevierViewall">Posteriormente&#44; se procede a la selecci&#243;n de aquellos pacientes a incluir en el estudio y a la recolecci&#243;n de sus im&#225;genes&#46; Este es uno de los pasos m&#225;s importantes en el desarrollo de estos sistemas que&#44; como ya hemos mencionado&#44; dependen&#44; en gran medida&#44; de la cantidad y la calidad de los datos <span class="elsevierStyleItalic">&#40;data-driven systems&#41;&#46;</span> A d&#237;a de hoy&#44; debido a que el etiquetado de las im&#225;genes radiol&#243;gicas no est&#225; extendido y que los sistemas de informaci&#243;n radiol&#243;gicos no est&#225;n preparados para este tipo de b&#250;squedas&#44; la obtenci&#243;n de im&#225;genes de una enfermedad concreta no es una tarea f&#225;cil<a class="elsevierStyleCrossRef" href="#bib0355"><span class="elsevierStyleSup">35</span></a>&#46; Aqu&#237;&#44; el procesamiento del lenguaje natural proporciona t&#233;cnicas capaces de obtener datos estructurados de los informes radiol&#243;gicos&#44; con resultados muy prometedores<a class="elsevierStyleCrossRef" href="#bib0360"><span class="elsevierStyleSup">36</span></a>&#46; Asimismo&#44; es de gran relevancia la desidentificaci&#243;n de las im&#225;genes que&#44; en el caso del formato DICOM&#44; puede ser compleja&#46; Una vez obtenidos los datos&#44; estos deben ser preprocesados en funci&#243;n del tipo de red neuronal que se vaya a entrenar<a class="elsevierStyleCrossRef" href="#bib0260"><span class="elsevierStyleSup">16</span></a>&#46;</p><p id="par0170" class="elsevierStylePara elsevierViewall">Cuando la base de datos ya est&#225; preparada&#44; esta se divide en los 3 subconjuntos mencionados anteriormente&#58; el de entrenamiento&#44; el de validaci&#243;n y el de test&#44; con un porcentaje aproximado del 80&#44; el 10 y el 10&#37;&#44; respectivamente<a class="elsevierStyleCrossRef" href="#bib0260"><span class="elsevierStyleSup">16</span></a>&#46;</p><p id="par0175" class="elsevierStylePara elsevierViewall">Ofrecemos un repositorio en GitHub donde ponemos a su disposici&#243;n un ejemplo de una neurona que resuelve un problema de regresi&#243;n y otro ejemplo de una red neuronal que resuelve un problema de clasificaci&#243;n&#44; en el siguiente enlace&#58; <a href="https://github.com/deepMedicalImaging/RedNeuronalArtificial.git">https&#58;&#47;&#47;github&#46;com&#47;deepMedicalImaging&#47;RedNeuronalArtificial&#46;git</a>&#46;</p></span><span id="sec0055" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Autor&#237;a</span><p id="par0180" class="elsevierStylePara elsevierViewall"><ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">1&#46;</span><p id="par0185" class="elsevierStylePara elsevierViewall">Responsable de la integridad del estudio&#58; AP&#44; PM&#44; PS&#44; LL y DR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">2&#46;</span><p id="par0190" class="elsevierStylePara elsevierViewall">Concepci&#243;n del estudio&#58; AP&#44; PM&#44; PS&#44; LL y DR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0015"><span class="elsevierStyleLabel">3&#46;</span><p id="par0195" class="elsevierStylePara elsevierViewall">Dise&#241;o del estudio&#58; AP&#46;</p></li><li class="elsevierStyleListItem" id="lsti0020"><span class="elsevierStyleLabel">4&#46;</span><p id="par0200" class="elsevierStylePara elsevierViewall">Obtenci&#243;n de los datos&#58; no procede&#46;</p></li><li class="elsevierStyleListItem" id="lsti0025"><span class="elsevierStyleLabel">5&#46;</span><p id="par0205" class="elsevierStylePara elsevierViewall">An&#225;lisis e interpretaci&#243;n de los datos&#58; no procede&#46;</p></li><li class="elsevierStyleListItem" id="lsti0030"><span class="elsevierStyleLabel">6&#46;</span><p id="par0210" class="elsevierStylePara elsevierViewall">Tratamiento estad&#237;stico&#58; no procede&#46;</p></li><li class="elsevierStyleListItem" id="lsti0035"><span class="elsevierStyleLabel">7&#46;</span><p id="par0215" class="elsevierStylePara elsevierViewall">B&#250;squeda bibliogr&#225;fica&#58; AP&#46;</p></li><li class="elsevierStyleListItem" id="lsti0040"><span class="elsevierStyleLabel">8&#46;</span><p id="par0220" class="elsevierStylePara elsevierViewall">Redacci&#243;n del trabajo&#58; AP&#46;</p></li><li class="elsevierStyleListItem" id="lsti0045"><span class="elsevierStyleLabel">9&#46;</span><p id="par0225" class="elsevierStylePara elsevierViewall">Revisi&#243;n cr&#237;tica del manuscrito con aportaciones intelectualmente relevantes&#58; AP&#44; PM&#44; PS&#44; LL y DR&#46;</p></li><li class="elsevierStyleListItem" id="lsti0050"><span class="elsevierStyleLabel">10&#46;</span><p id="par0230" class="elsevierStylePara elsevierViewall">Aprobaci&#243;n de la versi&#243;n final&#58; AP&#44; PM&#44; PS&#44; LL y DR&#46;</p></li></ul></p></span><span id="sec0060" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Conflicto de intereses</span><p id="par0235" class="elsevierStylePara elsevierViewall">Los autores declaran no tener ning&#250;n conflicto de inter&#233;s&#46;</p></span></span>"
    "textoCompletoSecciones" => array:1 [
      "secciones" => array:11 [
        0 => array:3 [
          "identificador" => "xres1707713"
          "titulo" => "Resumen"
          "secciones" => array:1 [
            0 => array:1 [
              "identificador" => "abst0005"
            ]
          ]
        ]
        1 => array:2 [
          "identificador" => "xpalclavsec1510581"
          "titulo" => "Palabras clave"
        ]
        2 => array:3 [
          "identificador" => "xres1707712"
          "titulo" => "Abstract"
          "secciones" => array:1 [
            0 => array:1 [
              "identificador" => "abst0010"
            ]
          ]
        ]
        3 => array:2 [
          "identificador" => "xpalclavsec1510580"
          "titulo" => "Keywords"
        ]
        4 => array:3 [
          "identificador" => "sec0005"
          "titulo" => "Inteligencia artificial&#44; aprendizaje autom&#225;tico y aprendizaje profundo"
          "secciones" => array:2 [
            0 => array:2 [
              "identificador" => "sec0010"
              "titulo" => "Conceptos b&#225;sicos"
            ]
            1 => array:2 [
              "identificador" => "sec0015"
              "titulo" => "Principales hitos en el desarrollo de la inteligencia artificial"
            ]
          ]
        ]
        5 => array:3 [
          "identificador" => "sec0020"
          "titulo" => "Las redes neuronales"
          "secciones" => array:4 [
            0 => array:2 [
              "identificador" => "sec0025"
              "titulo" => "La neurona artificial"
            ]
            1 => array:2 [
              "identificador" => "sec0030"
              "titulo" => "La red neuronal artificial cl&#225;sica"
            ]
            2 => array:2 [
              "identificador" => "sec0035"
              "titulo" => "El proceso de aprendizaje o entrenamiento"
            ]
            3 => array:2 [
              "identificador" => "sec0040"
              "titulo" => "Las redes neuronales convolucionales"
            ]
          ]
        ]
        6 => array:2 [
          "identificador" => "sec0045"
          "titulo" => "Principales problemas de las redes neuronales y algunas soluciones"
        ]
        7 => array:2 [
          "identificador" => "sec0050"
          "titulo" => "Desarrollo de sistemas de inteligencia artificial en los servicios de Radiolog&#237;a"
        ]
        8 => array:2 [
          "identificador" => "sec0055"
          "titulo" => "Autor&#237;a"
        ]
        9 => array:2 [
          "identificador" => "sec0060"
          "titulo" => "Conflicto de intereses"
        ]
        10 => array:1 [
          "titulo" => "Bibliograf&#237;a"
        ]
      ]
    ]
    "pdfFichero" => "main.pdf"
    "tienePdf" => true
    "fechaRecibido" => "2021-11-07"
    "fechaAceptado" => "2022-03-15"
    "PalabrasClave" => array:2 [
      "es" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec1510581"
          "palabras" => array:6 [
            0 => "Inteligencia artificial"
            1 => "Radiolog&#237;a"
            2 => "Aprendizaje autom&#225;tico"
            3 => "Aprendizaje profundo"
            4 => "Redes neuronales artificiales"
            5 => "Imagen m&#233;dica"
          ]
        ]
      ]
      "en" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Keywords"
          "identificador" => "xpalclavsec1510580"
          "palabras" => array:6 [
            0 => "Artificial intelligence"
            1 => "Radiology"
            2 => "Machine learning"
            3 => "Deep learning"
            4 => "Artificial neural networks"
            5 => "Medical imaging"
          ]
        ]
      ]
    ]
    "tieneResumen" => true
    "resumen" => array:2 [
      "es" => array:2 [
        "titulo" => "Resumen"
        "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">La interpretaci&#243;n de la imagen m&#233;dica es una de las principales tareas que realiza el radi&#243;logo&#46; Conseguir que los ordenadores sean capaces de realizar este tipo de tareas cognitivas ha sido&#44; durante a&#241;os&#44; un reto y a la vez un objetivo en el campo de la visi&#243;n artificial&#46; Gracias a los avances tecnol&#243;gicos estamos ahora m&#225;s cerca que nunca de conseguirlo y los radi&#243;logos debemos involucrarnos en ello para garantizar que el paciente siga siendo el centro de la pr&#225;ctica m&#233;dica&#46;</p><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Este art&#237;culo explica de forma clara los conceptos te&#243;ricos m&#225;s importantes de esta &#225;rea y los principales problemas o retos actuales&#59; adem&#225;s&#44; aporta informaci&#243;n pr&#225;ctica en relaci&#243;n con el desarrollo de un proyecto de inteligencia artificial en un servicio de Radiolog&#237;a&#46;</p></span>"
      ]
      "en" => array:2 [
        "titulo" => "Abstract"
        "resumen" => "<span id="abst0010" class="elsevierStyleSection elsevierViewall"><p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">The interpretation of medical imaging tests is one of the main tasks that radiologists do&#46; For years&#44; it has been a challenge to teach computers to do this kind of cognitive task&#59; the main objective of the field of computer vision is to overcome this challenge&#46; Thanks to technological advances&#44; we are now closer than ever to achieving this goal&#44; and radiologists need to become involved in this effort to guarantee that the patient remains at the center of medical practice&#46;</p><p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">This article clearly explains the most important theoretical concepts in this area and the main problems or challenges at the present time&#59; moreover&#44; it provides practical information about the development of an artificial intelligence project in a radiology department&#46;</p></span>"
      ]
    ]
    "multimedia" => array:7 [
      0 => array:7 [
        "identificador" => "fig0005"
        "etiqueta" => "Figura 1"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr1.jpeg"
            "Alto" => 1383
            "Ancho" => 2508
            "Tamanyo" => 248101
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">Esquema que engloba los diferentes tipos de inteligencia artificial &#40;IA&#41;&#46; Se distinguen 2 campos principales&#58; la IA simb&#243;lica&#44; formada por sistemas que necesitan la programaci&#243;n previa de unas reglas&#44; y la IA basada en datos&#44; formada por sistemas que <span class="elsevierStyleItalic">aprenden</span>&#44; dentro de la cual se encuentra el aprendizaje autom&#225;tico&#44; con algoritmos a los que hay que ofrecerles los datos ya <span class="elsevierStyleItalic">depurados</span> y&#44; dentro de este&#44; el aprendizaje profundo con sistemas que&#44; gracias a la mayor cantidad de capas&#44; son capaces de hacer esto ellos mismos&#46;</p> <p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">AI&#58; artificial intelligence&#46;</p>"
        ]
      ]
      1 => array:7 [
        "identificador" => "fig0010"
        "etiqueta" => "Figura 2"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr2.jpeg"
            "Alto" => 731
            "Ancho" => 2508
            "Tamanyo" => 190596
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0030" class="elsevierStyleSimplePara elsevierViewall">Se distinguen 3 tipos de aprendizaje&#58; supervisado&#44; no supervisado y por refuerzo&#46;</p>"
        ]
      ]
      2 => array:7 [
        "identificador" => "fig0015"
        "etiqueta" => "Figura 3"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr3.jpeg"
            "Alto" => 1460
            "Ancho" => 2841
            "Tamanyo" => 344035
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0035" class="elsevierStyleSimplePara elsevierViewall">Comparativa entre la neurona biol&#243;gica y la artificial y la red neuronal biol&#243;gica y la artificial&#46; La red neuronal artificial se divide en 3 partes principales&#58; la <span class="elsevierStyleItalic">capa de entrada</span> es una capa de perceptrones especializados en recibir la informaci&#243;n&#59; las <span class="elsevierStyleItalic">capas ocultas</span> son aquellas capas capaces de extraer las caracter&#237;sticas de los datos e ir transform&#225;ndolos en busca de la mejor representaci&#243;n del problema a resolver&#44; y la <span class="elsevierStyleItalic">capa de salida</span> es una capa preparada para ofrecer la informaci&#243;n de salida&#44; como&#44; por ejemplo&#44; en los problemas de clasificaci&#243;n&#44; la clase a la que corresponde la imagen de entrada seg&#250;n la predicci&#243;n de la red&#46;</p>"
        ]
      ]
      3 => array:7 [
        "identificador" => "fig0020"
        "etiqueta" => "Figura 4"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr4.jpeg"
            "Alto" => 1143
            "Ancho" => 2841
            "Tamanyo" => 134729
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">El proceso de aprendizaje supervisado &#40;el entrenamiento&#41;&#46; Mediante la <span class="elsevierStyleItalic">funci&#243;n de</span><span class="elsevierStyleItalic">p&#233;rdida</span> se cuantifica la diferencia entre la predicci&#243;n de la red y la etiqueta de cada entrada&#59; a continuaci&#243;n&#44; a trav&#233;s de la <span class="elsevierStyleItalic">propagaci&#243;n hacia atr&#225;s</span> de este error y del algoritmo de optimizaci&#243;n&#44; se ajustan los pesos de las distintas neuronas hasta que correspondan con un m&#237;nimo en <span class="elsevierStyleItalic">la funci&#243;n de p&#233;rdida</span>&#46;</p>"
        ]
      ]
      4 => array:7 [
        "identificador" => "fig0025"
        "etiqueta" => "Figura 5"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr5.jpeg"
            "Alto" => 787
            "Ancho" => 1505
            "Tamanyo" => 63828
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Las redes neuronales buscan la mejor representaci&#243;n de los datos que les permita resolver el problema&#46; En este ejemplo&#44; si tratamos de clasificar los puntos en negros y blancos tendr&#237;amos que trazar una recta que corresponder&#237;a con una ecuaci&#243;n no intuitiva&#46; Sin embargo&#44; si aplicamos una transformaci&#243;n en los datos que hagan que la imagen rote&#44; el problema&#44; de repente&#44; se vuelve mucho m&#225;s sencillo &#40;x<span class="elsevierStyleHsp" style=""></span>&#61;<span class="elsevierStyleHsp" style=""></span>0&#41;&#46;</p>"
        ]
      ]
      5 => array:7 [
        "identificador" => "fig0030"
        "etiqueta" => "Figura 6"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr6.jpeg"
            "Alto" => 736
            "Ancho" => 2925
            "Tamanyo" => 179808
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0050" class="elsevierStyleSimplePara elsevierViewall"><span class="elsevierStyleItalic">Filtros</span> y <span class="elsevierStyleItalic">pooling</span>&#58; El <span class="elsevierStyleItalic">filtro</span> es una matriz que va recorriendo la imagen y va realizando una operaci&#243;n de multiplicaci&#243;n elemento a elemento y suma para obtener un valor &#40;convoluci&#243;n&#41;&#46; Obtenemos valores altos cuando aplicamos el <span class="elsevierStyleItalic">filtro</span> sobre una caracter&#237;stica similar al mismo y valores bajos cuando lo aplicamos sobre una distinta&#46; En un <span class="elsevierStyleItalic">filtro</span> que detecte bordes verticales&#44; si obtenemos valores altos significa que se ha detectado un borde vertical&#46; &#191;Recuerda esto a las c&#233;lulas de la corteza visual primaria&#63; Por otro lado&#44; la capa de <span class="elsevierStyleItalic">pooling&#44;</span> de tipo <span class="elsevierStyleItalic">average</span> y de tama&#241;o 2 &#215; 2 en este ejemplo&#44; realiza la media de los valores del rango&#44; reduciendo la dimensionalidad del mapa de caracter&#237;sticas&#46;</p>"
        ]
      ]
      6 => array:7 [
        "identificador" => "fig0035"
        "etiqueta" => "Figura 7"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr7.jpeg"
            "Alto" => 1285
            "Ancho" => 2841
            "Tamanyo" => 194453
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">Ejemplo con una imagen&#58; se muestra un ejemplo en el que la imagen de una TC de cr&#225;neo va pasando por sucesivas capas que contienen 3 <span class="elsevierStyleItalic">filtros</span> de 3 &#215; 3 y la funci&#243;n de <span class="elsevierStyleItalic">pooling</span>&#44; lo que da lugar a diferentes mapas de caracter&#237;sticas cada vez de menor resoluci&#243;n espacial&#46; A mayor profundidad en la red&#44; los mapas son cada vez m&#225;s groseros y de menor tama&#241;o&#44; transmiti&#233;ndose hacia delante solo la informaci&#243;n m&#225;s relevante&#46;</p>"
        ]
      ]
    ]
    "bibliografia" => array:2 [
      "titulo" => "Bibliograf&#237;a"
      "seccion" => array:1 [
        0 => array:2 [
          "identificador" => "bibs0015"
          "bibliografiaReferencia" => array:36 [
            0 => array:3 [
              "identificador" => "bib0185"
              "etiqueta" => "1"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "European Society of Radiology&#46; What the radiologist should know about artificial intelligence &#8212;an ESR white paper&#46; Insights Imaging&#46; 2019&#59;10&#40;1&#41;&#58;44&#46;"
                ]
              ]
            ]
            1 => array:3 [
              "identificador" => "bib0190"
              "etiqueta" => "2"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Deep learning with python&#46; 2<span class="elsevierStyleHsp" style=""></span>&#170;&#46; ed"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "F&#46; Chollet"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:2 [
                        "tituloSerie" => "Shelter Island &#40;NY&#41;&#58; Manning Publications Co&#59;"
                        "fecha" => "2021"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            2 => array:3 [
              "identificador" => "bib0195"
              "etiqueta" => "3"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A primer on deep learning and convolutional neural networks for clinicians"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "L&#46; Iglesias"
                            1 => "P&#46; Bell&#243;n"
                            2 => "A&#46; del Barrio"
                            3 => "P&#46; Fern&#225;ndez-Miranda"
                            4 => "D&#46; Gonz&#225;lez"
                            5 => "J&#46; Vega"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1186/s13244-021-01052-z"
                      "Revista" => array:5 [
                        "tituloSerie" => "Insights Imaging&#46;"
                        "fecha" => "2021"
                        "volumen" => "12"
                        "paginaInicial" => "117"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34383173"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            3 => array:3 [
              "identificador" => "bib0200"
              "etiqueta" => "4"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The perceptron&#58; A probabilistic model for information storage and organization in the brain"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "F&#46; Rosenblatt"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1037/h0042519"
                      "Revista" => array:6 [
                        "tituloSerie" => "Psychol Rev&#46;"
                        "fecha" => "1958"
                        "volumen" => "65"
                        "paginaInicial" => "386"
                        "paginaFinal" => "408"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/13602029"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            4 => array:3 [
              "identificador" => "bib0205"
              "etiqueta" => "5"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial intelligence in radiology"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "A&#46; Hosny"
                            1 => "C&#46; Parmar"
                            2 => "J&#46; Quackenbh"
                            3 => "L&#46; Schwartz"
                            4 => "H&#46; Aerts"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41568-018-0016-5"
                      "Revista" => array:6 [
                        "tituloSerie" => "Nat Rev Cancer&#46;"
                        "fecha" => "2018"
                        "volumen" => "18"
                        "paginaInicial" => "500"
                        "paginaFinal" => "510"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29777175"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            5 => array:3 [
              "identificador" => "bib0210"
              "etiqueta" => "6"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The four-color theorem and mathematical proof"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "M&#46; Detlefsen"
                            1 => "M&#46; Luker"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "J Philos&#46;"
                        "fecha" => "1980"
                        "volumen" => "65"
                        "paginaInicial" => "803"
                        "paginaFinal" => "820"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            6 => array:3 [
              "identificador" => "bib0215"
              "etiqueta" => "7"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Augmented intelligence&#58; The Web and human intelligence"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "L&#46; Von Ahn"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:3 [
                        "tituloSerie" => "Philos Trans R Soc A Math Phys Eng Sci&#46;"
                        "fecha" => "2013"
                        "volumen" => "371"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            7 => array:3 [
              "identificador" => "bib0220"
              "etiqueta" => "8"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Feng Hsiung Hsu F-H"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "C&#46; Murray"
                            1 => "A&#46;J&#46; Hoane"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:6 [
                        "tituloSerie" => "Deep blue&#46; Artif Intell&#46;"
                        "fecha" => "2002"
                        "volumen" => "134"
                        "numero" => "1&#8211;2"
                        "paginaInicial" => "57"
                        "paginaFinal" => "83"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            8 => array:3 [
              "identificador" => "bib0225"
              "etiqueta" => "9"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The evolution of computing&#58; AlphaGo"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "J&#46; Chen"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Comput Sci Eng&#46;"
                        "fecha" => "2016"
                        "volumen" => "18"
                        "paginaInicial" => "4"
                        "paginaFinal" => "7"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            9 => array:3 [
              "identificador" => "bib0230"
              "etiqueta" => "10"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "AlphaZero &#8212;what&#39;s missing&#63;"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "I&#46; Bratko"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Informatica&#46;"
                        "fecha" => "2018"
                        "volumen" => "42"
                        "paginaInicial" => "7"
                        "paginaFinal" => "11"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            10 => array:3 [
              "identificador" => "bib0235"
              "etiqueta" => "11"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Machine learning for medical imaging"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "B&#46; Erickson"
                            1 => "P&#46; Korfiatis"
                            2 => "Z&#46; Akkus"
                            3 => "T&#46; Kline"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/rg.2017160130"
                      "Revista" => array:7 [
                        "tituloSerie" => "Radiographics&#46;"
                        "fecha" => "2017"
                        "volumen" => "37"
                        "paginaInicial" => "505"
                        "paginaFinal" => "515"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28212054"
                            "web" => "Medline"
                          ]
                        ]
                        "itemHostRev" => array:3 [
                          "pii" => "S1081120620304038"
                          "estado" => "S300"
                          "issn" => "10811206"
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            11 => array:3 [
              "identificador" => "bib0240"
              "etiqueta" => "12"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Fisiologia&#58; texto y atlas&#46; 7<span class="elsevierStyleHsp" style=""></span>th ed"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "S&#46; Silbernagl"
                            1 => "A&#46; Despopoulos"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.24875/ACM.M22000081"
                      "Revista" => array:3 [
                        "tituloSerie" => "M&#233;dica Panamericana&#59;"
                        "fecha" => "2021"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35275904"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            12 => array:3 [
              "identificador" => "bib0245"
              "etiqueta" => "13"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Convolutional neural networks for radiologic images&#58; A radiologist&#39;s guide"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "S&#46; Soffer"
                            1 => "A&#46; Ben-Cohen"
                            2 => "O&#46; Shimon"
                            3 => "M&#46;M&#46; Amitai"
                            4 => "H&#46; Greenspan"
                            5 => "E&#46; Klang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/radiol.2018180547"
                      "Revista" => array:6 [
                        "tituloSerie" => "Radiology&#46;"
                        "fecha" => "2019"
                        "volumen" => "290"
                        "paginaInicial" => "590"
                        "paginaFinal" => "606"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30694159"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            13 => array:3 [
              "identificador" => "bib0250"
              "etiqueta" => "14"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Receptive fields of single neurones in the cat&#39;s striate cortex"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "D&#46; Hubel"
                            1 => "T&#46; Wiesel"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1113/jphysiol.1959.sp006308"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Physiol&#46;"
                        "fecha" => "1959"
                        "volumen" => "148"
                        "paginaInicial" => "574"
                        "paginaFinal" => "591"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/14403679"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            14 => array:3 [
              "identificador" => "bib0255"
              "etiqueta" => "15"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Deep learning&#58; A primer for radiologists"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "G&#46; Chartrand"
                            1 => "P&#46;M&#46; Cheng"
                            2 => "E&#46; Vorontsov"
                            3 => "M&#46; Drozdzal"
                            4 => "S&#46; Turcotte"
                            5 => "C&#46;J&#46; Pal"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/rg.2017170077"
                      "Revista" => array:6 [
                        "tituloSerie" => "RadioGraphics&#46;"
                        "fecha" => "2017"
                        "volumen" => "37"
                        "paginaInicial" => "2113"
                        "paginaFinal" => "2131"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29131760"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            15 => array:3 [
              "identificador" => "bib0260"
              "etiqueta" => "16"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Preparing medical imaging data for machine learning"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "M&#46; Willemink"
                            1 => "W&#46; Koszek"
                            2 => "C&#46; Hardell"
                            3 => "J&#46; Wu"
                            4 => "D&#46; Fleischmann"
                            5 => "H&#46; Harvey"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/radiol.2020192224"
                      "Revista" => array:6 [
                        "tituloSerie" => "Radiology&#46;"
                        "fecha" => "2020"
                        "volumen" => "295"
                        "paginaInicial" => "4"
                        "paginaFinal" => "15"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32068507"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            16 => array:3 [
              "identificador" => "bib0265"
              "etiqueta" => "17"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial intelligence in healthcare&#58; A critical analysis of the legal and ethical implications"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "D&#46; Sch&#246;nberger"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Int J Law Inf Technol&#46;"
                        "fecha" => "2019"
                        "volumen" => "27"
                        "paginaInicial" => "171"
                        "paginaFinal" => "203"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            17 => array:3 [
              "identificador" => "bib0270"
              "etiqueta" => "18"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The Cancer Imaging Archive &#40;TCIA&#41;&#58; Maintaining and operating a public information repository"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "K&#46; Clark"
                            1 => "B&#46; Vendt"
                            2 => "K&#46; Smith"
                            3 => "J&#46; Freymann"
                            4 => "J&#46; Kirby"
                            5 => "P&#46; Koppel"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s10278-013-9622-7"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Digit Imaging&#46;"
                        "fecha" => "2013"
                        "volumen" => "26"
                        "paginaInicial" => "1045"
                        "paginaFinal" => "1057"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23884657"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            18 => array:3 [
              "identificador" => "bib0275"
              "etiqueta" => "19"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Savana&#58; A global information extraction and terminology expansion framework in the medical domain"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "L&#46; Espinosa"
                            1 => "J&#46; Tello"
                            2 => "A&#46; Pardo"
                            3 => "I&#46; Medrano"
                            4 => "A&#46; Ure&#241;a"
                            5 => "I&#46; Salcedo"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Procesamiento del Lenguaje Natural&#46;"
                        "fecha" => "2016"
                        "volumen" => "57"
                        "paginaInicial" => "23"
                        "paginaFinal" => "30"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            19 => array:3 [
              "identificador" => "bib0280"
              "etiqueta" => "20"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:1 [
                      "autores" => array:1 [
                        0 => array:3 [
                          "colaboracion" => "Construction of a machine learning dataset through collaboration&#58; The RSNA 2019 Brain CT Hemorrhage Challenge"
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46;E&#46; Flanders"
                            1 => "L&#46;M&#46; Prevedello"
                            2 => "G&#46; Shih"
                            3 => "S&#46;S&#46; Halabi"
                            4 => "J&#46; Kalpathy-Cramer"
                            5 => "R&#46; Ball"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/ryai.2020190211"
                      "Revista" => array:5 [
                        "tituloSerie" => "Radiol Artif Intell&#46;"
                        "fecha" => "2020"
                        "volumen" => "2"
                        "paginaInicial" => "e190211"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33937827"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            20 => array:3 [
              "identificador" => "bib0285"
              "etiqueta" => "21"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The OpenNeuro resource for sharing of neuroscience data"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "C&#46;J&#46; Markiewicz"
                            1 => "K&#46;J&#46; Gorgolewski"
                            2 => "F&#46; Feingold"
                            3 => "R&#46; Blair"
                            4 => "Y&#46;O&#46; Halchenko"
                            5 => "E&#46; Miller"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.7554/eLife.71774"
                      "Revista" => array:5 [
                        "tituloSerie" => "Elife&#46;"
                        "fecha" => "2021"
                        "volumen" => "10"
                        "paginaInicial" => "e71774"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34658334"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            21 => array:3 [
              "identificador" => "bib0290"
              "etiqueta" => "22"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "INCF&#46; European Network for Brain Imaging of Tumours &#40;ENBIT&#41; &#91;consultado 6 Nov 2021&#93;&#46; Disponible en&#58; https&#58;&#47;&#47;www&#46;enbit&#46;ac&#46;uk&#47;&#46;"
                ]
              ]
            ]
            22 => array:3 [
              "identificador" => "bib0295"
              "etiqueta" => "23"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The ENIGMA Consortium&#58; Large-scale collaborative analyses of neuroimaging and genetic data &#91;consultado 6 Nov 2021&#93;"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "P&#46;M&#46; Thompson"
                            1 => "J&#46;L&#46; Stein"
                            2 => "S&#46;E&#46; Medland"
                            3 => "D&#46;P&#46; Hibar"
                            4 => "A&#46;A&#46; Vasquez"
                            5 => "M&#46;E&#46; Renteria"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s11682-013-9269-5"
                      "Revista" => array:6 [
                        "tituloSerie" => "Brain Imaging Behav&#46;"
                        "fecha" => "2014"
                        "volumen" => "8"
                        "paginaInicial" => "153"
                        "paginaFinal" => "182"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/24399358"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            23 => array:3 [
              "identificador" => "bib0300"
              "etiqueta" => "24"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Learning transferable features with deep adaptation networks"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "M&#46; Long"
                            1 => "Y&#46; Cao"
                            2 => "J&#46; Wang"
                            3 => "M&#46; Jordan"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Proc 32nd Int Conf Mach Learn&#46;"
                        "fecha" => "2015"
                        "volumen" => "37"
                        "paginaInicial" => "97"
                        "paginaFinal" => "105"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            24 => array:3 [
              "identificador" => "bib0305"
              "etiqueta" => "25"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Defining the undefinable&#58; The black box problem in healthcare artificial intelligence"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "J&#46; Wadden"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:3 [
                        "tituloSerie" => "J Med Ethics&#46;"
                        "fecha" => "2021"
                        "paginaInicial" => "107529"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            25 => array:3 [
              "identificador" => "bib0310"
              "etiqueta" => "26"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Grad-cam&#58; Visual explanations from deep networks via gradient-based localization"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "R&#46; Selvaraju"
                            1 => "M&#46; Cogswell"
                            2 => "A&#46; Das"
                            3 => "R&#46; Vedantam"
                            4 => "D&#46; Parikh"
                            5 => "D&#46; Batra"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "IEEE International Conference on Computer Vision &#40;ICCV&#41;&#46;"
                        "fecha" => "2017"
                        "paginaInicial" => "618"
                        "paginaFinal" => "626"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            26 => array:3 [
              "identificador" => "bib0315"
              "etiqueta" => "27"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Ethics of artificial intelligence in Radiology&#58; Summary of the Joint European and North American Multisociety Statement"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "J&#46;R&#46; Geis"
                            1 => "A&#46;P&#46; Brady"
                            2 => "C&#46;C&#46; Wu"
                            3 => "J&#46; Spencer"
                            4 => "E&#46; Ranschaert"
                            5 => "J&#46;L&#46; Jaremko"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.jacr.2019.07.028"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Am Coll Radiol&#46;"
                        "fecha" => "2019"
                        "volumen" => "16"
                        "paginaInicial" => "1516"
                        "paginaFinal" => "1521"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31585696"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            27 => array:3 [
              "identificador" => "bib0320"
              "etiqueta" => "28"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial intelligence predictive analytics in the management of outpatient MRI appointment no-shows"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "L&#46;R&#46; Chong"
                            1 => "K&#46;T&#46; Tsai"
                            2 => "L&#46;L&#46; Lee"
                            3 => "S&#46;G&#46; Foo"
                            4 => "P&#46;C&#46; Chang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.2214/AJR.19.22594"
                      "Revista" => array:6 [
                        "tituloSerie" => "AJR Am J Roentgenol&#46;"
                        "fecha" => "2020"
                        "volumen" => "215"
                        "paginaInicial" => "1155"
                        "paginaFinal" => "1162"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32901567"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            28 => array:3 [
              "identificador" => "bib0325"
              "etiqueta" => "29"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Use of artificial intelligence in computed tomography dose optimisation"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "C&#46;H&#46; McCollough"
                            1 => "S&#46; Leng"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1177/0146645320940827"
                      "Revista" => array:7 [
                        "tituloSerie" => "Ann ICRP&#46;"
                        "fecha" => "2020"
                        "volumen" => "49"
                        "numero" => "1&#95;Suppl"
                        "paginaInicial" => "113"
                        "paginaFinal" => "125"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32870019"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            29 => array:3 [
              "identificador" => "bib0330"
              "etiqueta" => "30"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A comparison between manual and artificial intelligence-based automatic positioning in CT imaging for COVID-19 patients"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "Y&#46; Gang"
                            1 => "X&#46; Chen"
                            2 => "H&#46; Li"
                            3 => "H&#46; Wang"
                            4 => "J&#46; Li"
                            5 => "Y&#46; Guo"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s00330-020-07629-4"
                      "Revista" => array:6 [
                        "tituloSerie" => "Eur Radiol&#46;"
                        "fecha" => "2021"
                        "volumen" => "31"
                        "paginaInicial" => "6049"
                        "paginaFinal" => "6058"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33740092"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            30 => array:3 [
              "identificador" => "bib0335"
              "etiqueta" => "31"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Improvement of image quality at CT and MRI using deep learning"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "T&#46; Higaki"
                            1 => "Y&#46; Nakamura"
                            2 => "F&#46; Tatsugami"
                            3 => "T&#46; Nakaura"
                            4 => "K&#46; Awai"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s11604-018-0796-2"
                      "Revista" => array:6 [
                        "tituloSerie" => "Jpn J Radiol&#46;"
                        "fecha" => "2019"
                        "volumen" => "37"
                        "paginaInicial" => "73"
                        "paginaFinal" => "80"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30498876"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            31 => array:3 [
              "identificador" => "bib0340"
              "etiqueta" => "32"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Automated lung nodule detection and classification using deep learning combined with multiple strategies"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "N&#46; Nasrullah"
                            1 => "J&#46; Sang"
                            2 => "M&#46;S&#46; Alam"
                            3 => "M&#46; Mateen"
                            4 => "B&#46; Cai"
                            5 => "H&#46; Hu"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Sensors &#40;Basel&#41;&#46;"
                        "fecha" => "2019"
                        "volumen" => "19"
                        "paginaInicial" => "3722"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            32 => array:3 [
              "identificador" => "bib0345"
              "etiqueta" => "33"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Deep learning-based survival prediction of oral cancer patients"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "D&#46; Kim"
                            1 => "S&#46; Lee"
                            2 => "S&#46; Kwon"
                            3 => "W&#46; Nam"
                            4 => "I&#46; Cha"
                            5 => "H&#46; Kim"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41598-019-43372-7"
                      "Revista" => array:5 [
                        "tituloSerie" => "Sci Rep&#46;"
                        "fecha" => "2019"
                        "volumen" => "9"
                        "paginaInicial" => "6994"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31061433"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            33 => array:3 [
              "identificador" => "bib0350"
              "etiqueta" => "34"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:1 [
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "M&#46; Chieregato"
                            1 => "F&#46; Frangiamore"
                            2 => "M&#46; Morassi"
                            3 => "C&#46; Baresi"
                            4 => "S&#46; Nici"
                            5 => "C&#46; Bassetti"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:2 [
                        "tituloSerie" => "A hybrid machine learning&#47;deep learning COVID-19 severity predictive model from CT images and clinical data&#46; arxiv&#46;org&#46;"
                        "fecha" => "2021"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            34 => array:3 [
              "identificador" => "bib0355"
              "etiqueta" => "35"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Deep learning workflow in radiology&#58; a primer"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "E&#46; Montagnon"
                            1 => "M&#46; Cerny"
                            2 => "A&#46; Cadrin-Ch&#234;nevert"
                            3 => "V&#46; Hamilton"
                            4 => "T&#46; Derennes"
                            5 => "A&#46; Ilinca"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1186/s13244-019-0832-5"
                      "Revista" => array:6 [
                        "tituloSerie" => "Insights Imaging&#46;"
                        "fecha" => "2020"
                        "volumen" => "11"
                        "paginaInicial" => "22"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32040647"
                            "web" => "Medline"
                          ]
                        ]
                        "itemHostRev" => array:3 [
                          "pii" => "S0091674920314044"
                          "estado" => "S300"
                          "issn" => "00916749"
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            35 => array:3 [
              "identificador" => "bib0360"
              "etiqueta" => "36"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Natural language processing in Radiology&#58; A systematic review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "E&#46; Pons"
                            1 => "L&#46; Braun"
                            2 => "M&#46; Hunink"
                            3 => "J&#46;A&#46; Kors"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/radiol.16142770"
                      "Revista" => array:6 [
                        "tituloSerie" => "Radiology&#46;"
                        "fecha" => "2016"
                        "volumen" => "279"
                        "paginaInicial" => "329"
                        "paginaFinal" => "343"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27089187"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
          ]
        ]
      ]
    ]
  ]
  "idiomaDefecto" => "es"
  "url" => "/00338338/0000006400000003/v1_202205110735/S0033833822000972/v1_202205110735/es/main.assets"
  "Apartado" => array:4 [
    "identificador" => "8246"
    "tipo" => "SECCION"
    "en" => array:2 [
      "titulo" => "Actualizaciones"
      "idiomaDefecto" => true
    ]
    "idiomaDefecto" => "en"
  ]
  "PDF" => "https://static.elsevier.es/multimedia/00338338/0000006400000003/v1_202205110735/S0033833822000972/v1_202205110735/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/"
  "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0033833822000972?idApp=UINPBA00004N"
]

Información del artículo

ISSN: 00338338
Idioma original: Español

DOI:10.1016/j.rx.2022.03.003

Datos actualizados diariamente

año/Mes	Html	Pdf	Total

2024 Octubre	17	1	18
2024 Septiembre	23	13	36
2024 Agosto	26	7	33
2024 Julio	20	6	26
2024 Junio	16	0	16
2024 Mayo	41	24	65
2024 Abril	67	6	73
2024 Marzo	28	17	45
2024 Febrero	27	21	48
2024 Enero	21	5	26
2023 Diciembre	30	2	32
2023 Noviembre	53	15	68
2023 Octubre	34	22	56
2023 Septiembre	20	12	32
2023 Agosto	23	16	39
2023 Julio	867	24	891
2023 Junio	47	11	58
2023 Mayo	56	29	85
2023 Abril	15	7	22
2023 Marzo	24	10	34
2023 Febrero	157	52	209
2023 Enero	36	24	60
2022 Diciembre	26	25	51
2022 Noviembre	54	21	75
2022 Octubre	30	28	58
2022 Septiembre	173	19	192
2022 Agosto	24	16	40
2022 Julio	94	34	128
2022 Junio	157	77	234
2022 Mayo	479	144	623

Mostrar todo

Indexada en:

Síguenos:

Suscribirse:

Estadísticas

Indexada en:

Síguenos:

Suscribirse:

Estadísticas

Suscríbase a la newsletter