Dentro de las innovaciones de la ciencia de datos, el aprendizaje automático es una clase de técnicas y un área de investigación que permite a las computadoras aprender como los humanos y extraer o clasificar patrones. Además, las máquinas pueden analizar más conjuntos de datos y extraer características de los datos que los humanos quizás no puedan hacer .Las investigaciones y los desarrollos recientes están habilitando tecnologías que son prometedoras ahora y en el futuro para las imágenes de diagnóstico.
Las tareas de aprendizaje automático se clasifican normalmente en tres categorías amplias , según el tipo de tarea: aprendizaje supervisado, no supervisado y reforzado.
Aprendizaje supervisado: Corresponde a uno de los aprendizajes más utilizados. Con este modelo, un científico de datos actúa como guía y enseña al algoritmo las conclusiones que debe hacer. en el aprendizaje supervisado, el algoritmo se capacita mediante un conjunto de datos que ya está etiquetado y tiene un resultado predefinido.
Aprendizaje no supervisado: Utiliza un enfoque más independiente, en el que una computadora aprende a identificar procesos y patrones complejos sin que un ser humano proporcione una guía cercana y constante. Implica la capacitación basada en datos que no tiene etiquetas o un resultado específico definido.
Aprendizaje por refuerzo: un programa de computadora realiza una determinada
tarea en un entorno dinámico en el que recibe retroalimentación en términos de refuerzo positivo y negativo. El aprendizaje por refuerzo es aprender de las consecuencias de las interacciones con un entorno sin que se les enseñe explícitamente.
El aprendizaje automático en los sistemas de imágenes permiten la reducción de tiempos de producción y análisis de imágenes radiológicas, generar menos imágenes innecesarias, mejorar el posicionamiento y las características del hallazgo. Estos pueden detectar patrones normales y patológicos, remarcando el hallazgo y sugerir nuevas imágenes para su mejor visualización, disminuyendo así los falsos positivos de una patología, y así determinar imágenes con patologías más difíciles de analizar, sirviendo como una herramienta de ayuda.
Con el ritmo acelerado actual que posee el desarrollo de técnicas de aprendizaje automático existe la posibilidad de una adopción clínica más generalizada del aprendizaje automático en la práctica de la radiología. No se espera que el aprendizaje automático y la inteligencia artificial reemplacen a los radiólogos en el futuro previsible. Estas técnicas pueden potencialmente facilitar el flujo de trabajo de radiología, aumentar la productividad del radiólogo, mejorar la detección e interpretación de los hallazgos, reducir la posibilidad de error y mejorar la atención y la satisfacción del paciente.
Lista de elementos