Future of Artificial Intelligence and Nuclear Cardiology

Abstract

In recent years, the application of artificial intelligence (AI) to medical images has advanced rapidly. Especially since the learning method called deep learning has spread, we have made remarkable progress including precision. It is application ranges from detection of abnormal lesion on the image to screening assistants or selection of drugs necessary for treatment. Study of nuclear medicine is progressing with AI, and reports are also made on bone scintigraphy and PET images. In nuclear cardiology, software for detecting abnormal lesion of myocardium using artificial neural network (ANN) by machine learning and making it useful for image interpretation aid has been developed. In the future, it is expected that study and development will also advance interpretation assistance by deep learning and abnormal lesion detection. However, for deep learning, the number of images required for study becomes enormous and it is a point of discussion.

Deep Learning in Cardiology

“…More specifically, in [245] the authors note that deep learning applications on small vessel disease have been developed using only a few representative datasets and they need to be evaluated in large multi-center datasets. Kikuchi et al [256] mention that compared with CT and MRI, nuclear cardiology imaging modalities have limited number of images per patient and only specific number of organs are depicted. Liebeskind [259] states that machine learning methods are tested on selective and homogeneous clinical data but generalizability would occur using heterogeneous and complex data.…”

“…Mayer 2015 [237] Big data in cardiology changes how insights are discovered Austin 2016 [238] overview of big data, its benefits, potential pitfalls and future impact in cardiology Greenspan 2016 [239] lesion detection, segmentation and shape modeling Miotto 2017 [240] imaging, EHR, genome and wearable data and needs for increasing interpretability Krittanawong 2017 [241] studies on image recognition technology which predict better than physicians Litjens 2017 [242] image classification, object detection, segmentation and registration Qayyum 2017 [243] CNN-based methods in image segmentation, classification, diagnosis and image retrieval Hengling 2017 [244] impact that machine learning will have on the future of cardiovascular imaging Blair 2017 [245] advances in neuroimaging with MRI on small vessel disease Slomka 2017 [246] nuclear cardiology, CT angiography, Echocardiography, MRI Carneiro 2017 [247] mammography, cardiovascular and microscopy imaging Johnson 2018 [248] AI in cardiology describing predictive modeling concepts, common algorithms and use of deep learning Jiang 2017 [249] AI applications in stroke detection, diagnosis, treatment, outcome prediction and prognosis evaluation Lee 2017 [250] AI in stroke imaging focused in technical principles and clinical applications Loh 2017 [251] heart disease diagnosis and management within the context of rural healthcare Krittanawong 2017 [252] cardiovascular clinical care and role in facilitating precision cardiovascular medicine Gomez 2018 [253] recent advances in automation and quantitative analysis in nuclear cardiology Shameer 2018 [254] promises and limitations of implementing machine learning in cardiovascular medicine Shrestha 2018 [255] machine learning applications in nuclear cardiology Kikuchi 2018 [256] application of AI in nuclear cardiology and the problem of limited number of data Awan 2018 [257] machine learning applications in heart failure diagnosis, classification, readmission prediction and medication adherence Faust 2018 [258] deep learning application in physiological data including ECG research should focus on validating and comparing existing models and investigate whether they can be improved. A popular method used for interpretable models is attention networks [263].…”

Potential Problems and Uses for Artificial Intelligence in Clinical Medicine

“…Systems using Artificial Intelligence (AI system) are being widely used with various degrees of success. Some trial systems for clinical use are already in place [1][2][3][4], and studies have shown that AI diagnosis is almost as accurate as that of human experts [5]. The practical use of AI systems in the medical field is growing, and can be expected to grow even more rapidly in the future.…”

Δίκτυα Αραιής Ενεργοποίησης

“…Qayyum 2017 [141] μέθοδοι βασισμένοι στο CNN στην τμηματοποίηση εικόνας, ταξινόμηση, διάγνωση και ανάκτηση εικόνας Hengling 2017 [142] επίπτωση που θα έχει η μηχανική μάθηση στο μέλλον της καρδιαγγειακής απεικόνισης Blair 2017 [143] πρόοδος στη νευροεπιστήμη με MRI στην νόσο των μικρών αγγείων Slomka 2017 [144] πυρηνική καρδιολογία, CT αγγειογραφία Ηχοκαρδιογράφημα, MRI Carneiro 2017 [145] μαστογραφία, καρδιαγγειακή και μικροσκοπική απεικόνιση Johnson 2018 [146] AI στην καρδιολογία, έννοιες προβλεπτικών μοντέλων, κοινοί αλγόριθμοι και χρήση της βαθιάς μάθησης Jiang 2017 [147] εφαρμογές του AI στην αναγνώριση της καρδιακής προσβολής, διάγνωση, θεραπεία, πρόβλεψη και εκτίμηση πρόγνωσης Lee 2017 [148] AI στην απεικονιστική καρδιακής προσβολής εστιασμένο στις τεχνικές αρχές και κλινικές εφαρμογές Loh 2017 [149] διάγνωση καρδιακής ασθένειας και διαχείριση μέσα στο πλαίσιο της υγειονομικής περίθαλψης Krittanawong 2017 [150] καρδιαγγειακή κλινική περίθαλψη και ο ρόλος της ακριβής καρδιαγγειακής ιατρικής Gomez 2018 [151] πρόσφατη πρόοδος στην αυτοματοποίηση και ποσοτική ανάλυση στην πυρηνική καρδιολογία Shameer 2018 [152] υποσχέσεις και περιορισμοί της υλοποίησης της μηχανικής μάθησης στην καρδιαγγειακή ιατρική Shrestha 2018 [153] εφαρμογές μηχανικής μάθησης στην πυρηνική καρδιολογία Kikuchi 2018 [154] εφαρμογές του AI στην πυρηνική καρδιολογία και το πρόβλημα των περιορισμένων αριθμών δεδομένων Awan 2018 [155] εφαρμογές μηχανικής μάθησης στην διάγνωση καρδιακής ανεπάρκειας, ταξινόμηση και πρόβλεψη επανεισδοχής Faust 2018 [156] εφαρμογές βαθιάς μάθησης στα φυσιολογικά δεδομένα συμπεραλαμβανομένου του ECG 4.9 Συζήτηση και μελλοντικές κατευθύνσεις 83 δεδομένα, λόγω του ότι η διαδικασία επισήμανσης των ιατρικών δεδομένων είναι δαπανηρή; απαιτεί χειρωνακτική εργασία από ιατρικούς εμπειρογνώμονες. Επιπλέον, τα περισσότερα ιατρικά δεδομένα ανήκουν στις κανονικές περιπτώσεις αντί στις μηκανονικές, καθιστώντας τα εξαιρετικά μη-ισορροπημένα.…”

“…Πιο συγκεκριμένα, στο [143] οι συγγραφείς σημειώνουν ότι οι εφαρμογές βαθιάς μάθησης στην ασθένεια μικρών αγγείων, έχουν αναπτυχθεί χρησιμοποιώντας μόνο λίγα αντιπροσωπευτικά σύνολα δεδομένων και πρέπει να αξιολογηθούν σε μεγάλα σύνολα δεδομένων πολλαπλών κέντρων. Οι Kikuchi et al [154] αναφέρουν ότι σε σύγκριση με τα CT και MRI, οι απεικονιστικές της πυρηνικής καρδιολογίας έχουν περιορισμένο αριθμό εικόνων ανά ασθενή και απεικονίζεται μόνο συγκεκριμένος αριθμός οργάνων. Ο Liebeskind [158] αναφέρει ότι οι μέθοδοι μηχανικής μάθησης δοκιμάζονται σε επίλεκτα και ομοιογενή κλινικά δεδομένα, αλλά η γενικευσιμότητα θα προέκυπτε χρησιμοποιώντας ετερογενή και πολύπλοκα δεδομένα.…”