Plantilla del Estado del Arte

Author (s): Ruth C. Carlos, MD, MS a , Charles E. Kahn, MD, MS b , Safwan

Halabi, MD c
Títle of paper: Data Science: Big Data, Machine Learning, and Artificial
Intelligence
pag – pag (year): 2018

Problema que el autor desea resolver

Una búsqueda rápida en PubMed.gov sobre la ciencia de los datos superó en

10.000 resultados a la inteligencia artificial. Esto nos sugiere un declive en lo que
es Inteligencia artificial que se vería afectada por la búsqueda de la ciencia de los
datos. El cambio no ha afectado con buenos ojos a los radiólogos, que se han visto
afectados por esta nueva “máquina del futuro. “Sin embargo, se detalló la opinión
de futurólogos y como se verían en un próximo futuro, el cual les dan una óptima
respuesta.

Descripción del aporte del autor

Expandir las oportunidades para que la comunidad de radiología establezca
estándares de la industria e infraestructura con respecto a la adquisición de
imágenes, validación de algoritmos de aprendizaje automático, y léxico de
comunicación para desarrollar mejores modelos categóricos para aplicaciones
clínicas y de investigación en radiología.
Especulaciones sobre los cambios pedagógicos requeridos para la residencia de
formación, que replanteará la cultura de la información en el marco de la radiología.
Giger explora en más profundidad diferentes aspectos de ciencia de datos, incluido
el diagnóstico asistido por ordenador.
Erickson realiza un análisis a profundidad sobre el aprendizaje , su diferencia con
el aprendizaje automático, y su aplicación en radiología médica, proporcionando
una matriz detallada sobre la construcción, las pruebas, y despliegue de esta
tecnología en la práctica.
En una serie de dos partes, Shaikh estudia cómo traduciríamos la radiologia que
combina el aprendizaje automático de la analítica de datos, la integración de datos
y el apoyo a la toma de decisiones clínicas en un sistema clínicamente aplicable y
comercialmente viable.
En la parte 1, describen la traducción de la tecnología de la metodología a la
práctica clínica. En la parte 2, describen la traducción tecnológica de la
implementación clínica a las soluciones empresariales.
Referencias bibliográficas referenciadas en el informe

1. Moehrle A. “Radiology” is going away. and that’s okay: Titles change, a

profession evolves. J Am Coll Radiol 2018;15:499-500.
2. King BF. Artificial intelligence and radiology: what will the future hold? J
Am Coll Radiol 2018;15:501-3.
3. Thrall JH, Li X, Li Q, et al. Artificial intelligence and machine learning in
radiology: opportunities, challenges, pitfalls and criteria for success.
J Am Coll Radiol 2018;15:504-8.
4. Jha S, Topol EJ. Information and artificial intelligence. J Am Coll Radiol
2018;15:509-11.
5. Giger ML. Machine learning in medical imaging. J Am Coll Radiol
2018;15:512-20.
6. Erickson BJ, Korfiatis P, Kline TL, et al. Deep learning in radiology:does
one size fit all? J Am Coll Radiol 2018;15:521-6.
7. Shi B, Grimm LJ, Mazurowski MA, et al. Prediction of occult
invasivedisease in ductal carcinoma in situ using deep learning features. J
Am
Coll Radiol 2018;15:527-34.
8. Kohli A, Jha S. Why CAD failed in mammography. J Am Coll Radiol
2018;15:535-7.
9. Shaikh F, Franc B, Allen E, et al. Translational radiomics—defining the
strategy pipeline and considerations for application. Part 1: From
methodology to clinical implementation. J Am Coll Radiol 2018;15: 538-42.
10. Shaikh F, Franc B, Allen E, et al. Translational radiomics—defining the
strategypipelineandconsiderationsforapplication.Part2:Fromclinical
implementation to enterprise. J Am Coll Radiol 2018;15:543-9.
11. Guimaraes CV, Grzeszczuk R, Bisset III GS, Donnelly LF. Comprarison
between manual auditing and a natural language process with machine
learning algorithm to evaluate faculty use of standardized reports in
radiology. J Am Coll Radiol 2018;550-3.
12. Huesch M, Cherian R, Labib S, Mahraj R. Evaluating report text variation
and informativeness: natural language processing of CT chest imaging for
pulmonary embolism. J Am Coll Radiol 2018;554-62.
13. Schuler A, Callahan A, Jung K, Shah NH. Performing an informatics
consult: methods and challenges. J Am Coll Radiol 2018;563-8.
14. Syeda-Mahmood T. Role of big data and machine learning in diagnostic
decision support in radiology. J Am Coll Radiol 2018;569-76.
15. McGinty GB, Allen Jr B. The ACR data science institute and AI advisory
group: harnessing the power of artificial intelligence to improve patient care.
J Am Coll Radiol 2018;15:577-9.
16. Balthazar P, Harri P, Prater A, Safdar NM. Protecting your patients’
interests in the era of big data, artificial intelligence, and predictive analytics.
J Am Coll Radiol 2018;15:580-6.
17. Gunderman—triumph of the machines. J Am Coll Radiol 2018;15:587-8.
18. Timbuk3. The future’s so bright, I gotta wear shades. Greetings from
Timbuk3 [album]. I.R.S. Records; 1986. Available at
https://en.wikipedia.org/wiki/. Accessed February 2, 2018.