Οι Εφαρμογές της Τεχνητής Νοημοσύνης στην Ακτινοτεχνολογία και οι Απαραίτητες Αλλαγές στην Εκπαίδευση των Τεχνολόγων Ακτινολόγων

PDF
Δημοσιευμένα: Ιουλ 1, 2022
DOI: https://doi.org/10.12681/akttech.40673
Λέξεις-κλειδιά:
Τεχνητή Νοημοσύνη Τεχνολογία Υγεία Εκπαίδευση
Νικόλαος Στογιάννος
Τμήμα Μαιευτικής & Ακτινοτεχνολογίας, Πανεπιστήμιο City St. George, Λονδίνο, Ηνωμένο Βασίλειο
Ελένη Γεωργιάδου
Ειδικό Αντικαρκινικό Νοσοκομείο Πειραιά "Μεταξά", Ελλάδα
Χαράλαμπος Μπούγιας
Πανεπιστημιακό Γενικό Νοσοκομείο Ιωαννίνων, Ελλάδα
Χριστίνα Μαλαματένιου
Τμήμα Μαιευτικής & Ακτινοτεχνολογίας, Πανεπιστήμιο City St. George, Λονδίνο, Ηνωμένο Βασίλειο
Περίληψη

Η επιστήμη της Τεχνητής Νοημοσύνης (ΤΝ), η σημερινή εξέλιξη της οποίας ξεκινά τη δεκαετία του 1950, αποτελεί πεδίο συνάντησης διαφόρων επιστημών, όπως πληροφορικής, εφαρμοσμένων μαθηματικών, φυσικής κ.α. ενώ τροφοδοτεί και προάγει αρκετούς τομείς της τεχνολογίας. Πιο συγκεκριμένα, στον τομέα της Ύγείας η χρήση της ΤΝ έχει ήδη αρχίσει να παράγει πλεονεκτήματα και διαδικασίες που οδηγούν σε καλύτερα αποτελέσματα.


Στα τμήματα ιατρικής απεικόνισης συναντάμε ήδη συστήματα τα οποία βελτιστοποιούν την ποιότητα της εικόνας, βοηθούν στον αυτόματο σχεδιασμό θεραπειών, επιτελούν αυτοματοποιημένη ανακατασκευή εικόνων, αυτόματο σχεδιασμό εξετάσεων, μείωση χρόνου εξέτασης, δομημένη γνωμάτευση κ.α. Τέτοιου είδους συστήματα καλούμαστε ως Τεχνολόγοι Ακτινολογίας Ακτινοθεραπείας να κάνουμε χρήση σε καθημερινή βάση στο χώρο απασχόλησης μας στα τμήματα τόσο της απεικόνισης όσο και της θεραπείας.


Αυτές οι τεχνολογίες έχουν μπει σε κάθε πτυχή της ζωής μας, συμπεριλαμβανομένης και της υγειονομικής περίθαλψης. Ο μόνος τρόπος με τον οποίο θα επιτύχουμε την ομαλή ένταξη μας σε αυτή την νέα πραγματικότητα είναι μέσω της βελτίωσης και του εμπλουτισμού της ακαδημαϊκής μας εκπαίδευσης. Είναι σημαντικό λοιπόν να αποφασίσουμε ποια θα είναι η στάση μας ως Επαγγελματίες Υγείας απέναντι στη νέα αυτή εποχή.

Λεπτομέρειες άρθρου
  • Ενότητα
  • Ανασκοπήσεις
Μετρικά
Φόρτωση Μετρικών...
Αναφορές
Noguerol TM, Paulano-Godino F, Martin-Valdivia MT, Menias CO, Luna A. Strengths, Weaknesses, Opportunities, and Threats Analysis of Artificial Intelligence and Machine Learning Applications in Radiology. J Am Coll Radiol 2019;16(9):1239-1247. https://doi.org/10.1016/j.jacr.2019.05.047
Pinto dos Santos D, Brodehl S, Baebler B, Arnhold G, Dratsch T, Chon S-H, et al. Structured report data can be used to develop deep learning algorithms: a proof of concept in ankle radiographs. Insights Imaging 2019;10(1):93. https://doi.org/10.1186/s13244-019-0777-8
Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJ. Artificial intelligence in radiology. Nat Rev Cancer 2018;18(8):500-510. https://doi.org/10.1038/s41568-018-0016-5
Lewis SJ, Gandomkar Z, Brennan PC. Artificial Intelligence in medical imaging practice: looking to the future. J Med Radiat Sci 2019;66(4):292-295. https://doi.org/10.1002/jmrs.369
Hardy M, Harvey H. Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol 2020;93(1108):20190840. https://doi.org/10.1259/bjr.20190840
Malamateniou C, Knapp KM, Pergola M, Woznitza N, Hardy M. Artificial intelligence in radiography: Where are we now and what does the future hold? Radiography 2021;27(suppl 1):S58-S62. https://doi.org/10.1016/j.radi.2021.07.0157
Higaki T, Nakamura Y, Tatsugami F, Nakaura T, Awai K. Improvement of image quality at CT and MRI using deep learning. Jpn J Radiol 2019;37(1):73-80. https://doi.org/10.1007/s11604-018-0796-2
Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac imaging: walking towards fully-automated machine analysis & interpretation. Expert Rev Med Devices 2017;149(3):197-212. https://doi.org/10.1080/17434440.2017.1300057
The Society of Radiographers (2021) Why radiographers should be driving forward AI. https://www.sor.org/news/cpd/why-radiographers-should-be-driving-forward-ai
Rainey C, O’Regan T, Matthew J, Skelton E, Woznitza N, Chu KY, et al. Beauty Is in the AI of the Beholder: Are We Ready for the Clinical Integration of Artificial Intelligence in Radiography? An Exploratory Analysis of Perceived AI Knowledge, Skills, Confidence, and
Education Perspectives of UK Radiographers. Front Digit Health 2021;3:739327. https://doi.org/10.3389/fdgth.2021.739327
Malamateniou C, McFadden S, McQuinlan Y, England A, Woznitza N, Goldsworthy S, et al. Artificial Intelligence: Guidance for clinical imaging and therapeutic radiography professionals, a summary by the Society of Radiographers AI Working Group. Radiography 2021;27(4):1192-1202. https://doi.org/10.1016/j.radi.2021.07.028
Bougias H, Georgiadou E, Malamateniou C, Stogiannos N. Identifying cardiomegaly in chest X-rays: a cross-sectional study of evaluation and comparison between different transfer learning methods. Acta Radiol 2021;62(12):1601-1609. https://doi.org/10.1177/0284185120973630