Big Data and the Future of Radiology Informatics

Kansagra, Akash P.; Yu, John‐Paul J.; Chatterjee, Arindam; Lenchik, Leon; Chow, Daniel; Prater, Adam; Yeh, Jean; Doshi, Ankur M.; Hawkins, C. Matthew; Heilbrun, Marta E.; Smith, Stacy E.; Oselkin, Martin; Gupta, Pushpender; Ali, Sayed

doi:10.1016/j.acra.2015.10.004

Cited by 68 publications

(29 citation statements)

References 59 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…As diagnostic imaging is an ecosystem of digital data, which is collected for each patient who undergoes any radiographic, computed tomography, magnetic resonance, ultrasound, and all nuclear medicine investigation, so much data, or big data, need an accurate interpretation related to the clinical problem for which the patient undergoes the investigation; this is the task of the radiologist, through the radiological medical act, that is summarized in the radiological report. In this context, artificial intelligence is a promising technology that allows to process so big data and extract meaningful information [12][13][14].…”

Section: Sirm Recommendations On the Use Of Artificial Intelligence Imentioning

confidence: 99%

Use of CT and artificial intelligence in suspected or COVID-19 positive patients: statement of the Italian Society of Medical and Interventional Radiology

et al. 2020

View full text Add to dashboard Cite

The COVID-19 pandemic started in Italy in February 2020 with an exponential growth that has exceeded the number of cases reported in China. Italian radiology departments found themselves at the forefront in the management of suspected and positive COVID cases, both in diagnosis, in estimating the severity of the disease and in follow-up. In this context SIRM recommends chest X-ray as first-line imaging tool, CT as additional tool that shows typical features of COVID pneumonia, and ultrasound of the lungs as monitoring tool. SIRM recommends, as high priority, to ensure appropriate sanitation procedures on the scan equipment after detecting any suspected or positive COVID-19 patients. In this emergency situation, several expectations have been raised by the scientific community about the role that artificial intelligence can have in improving the diagnosis and treatment of coronavirus infection, and SIRM wishes to deliver clear statements to the radiological community, on the usefulness of artificial intelligence as a radiological decision support system in COVID-19 positive patients.(1) SIRM supports the research on the use of artificial intelligence as a predictive and prognostic decision support system, especially in hospitalized patients and those admitted to intensive care, and welcomes single center of multicenter studies for a clinical validation of the test. (2) SIRM does not support the use of CT with artificial intelligence for screening or as first-line test to diagnose COVID-19. (3) Chest CT with artificial intelligence cannot replace molecular diagnosis tests with nose-pharyngeal swab (rRT-PCR) in suspected for COVID-19 patients.

show abstract

Section: Sirm Recommendations On the Use Of Artificial Intelligence Imentioning

confidence: 99%

Use of CT and artificial intelligence in suspected or COVID-19 positive patients: statement of the Italian Society of Medical and Interventional Radiology

et al. 2020

View full text Add to dashboard Cite

show abstract

“…On the one side, there is a bottom-up, datadriven direction which we like to refer to as "imagebased modelling" or more broadly, "phenomenological modelling". Perhaps starting with the success of statistical shape modelling (Young and Frangi, 2009;Castro-Mateos et al, 2014), and successive developments leading to computational atlasing, computational anatomy (Miller et al, 2015) and disease state fingerprinting (Kumar et al, 2012;Mattila et al, 2011), these and other developments accelerated by machine learning emphasize learning and inference of knowledge directly from vast amounts of imaging data (Kansagra et al, 2016;Medrano-Gracia et al, 2015;Margolies et al, 2016). This confluence of image-based computational modelling with developments on population imaging (Volzke et al, 2012) will increasingly underpin computational models and phenotypes of health and disease.…”

Section: The Trend: From Data To Wisdom and Backmentioning

confidence: 99%

Precision Imaging: more descriptive, predictive and integrative imaging

Frangi

Taylor

Gooya

2016

Medical Image Analysis

View full text Add to dashboard Cite

Medical image analysis has grown into a matured field challenged by progress made across all medical imaging technologies and more recent breakthroughs in biological imaging. The cross-fertilisation between medical image analysis, biomedical imaging physics and technology, and domain knowledge from medicine and biology has spurred a truly interdisciplinary effort that stretched outside the original boundaries of the disciplines that gave birth to this field and created stimulating and enriching synergies. Consideration on how the field has evolved and the experience of the work carried out over the last 15 years in our centre, has led us to envision a future emphasis of medical imaging in Precision Imaging. Precision Imaging is not a new discipline but rather a distinct emphasis in medical imaging borne at the cross-roads between, and unifying the efforts behind mechanistic and phenomenological modelbased imaging. It captures three main directions in the effort to deal with the information deluge in imaging sciences, and thus achieve wisdom from data, information, and knowledge. Precision Imaging is finally characterised by being descriptive, predictive and integrative about the imaged object. This paper provides a brief and personal perspective on how the field has evolved, summarises and formalises our vision of Precision Imaging for Precision Medicine, and highlights some connections with past research and current trends in the field.

show abstract

“…O aspecto de integração dos dados clínicos é ainda mais importante à medicina de precisão devido o potencial preditivo da mineração dos dados do paciente na atual "Era Big Data" (KEEK et al, 2018;LAMBIN et al, 2017). O volume de dados heterogêneos em saúde vem crescendo em um ritmo acelerado nos últimos anos, e esses dados eletrônicos estão disponíveis em volumosas quantidades nos sistemas de informação dos grandes hospitais e centros de saúde (Figura 5) (FILONENKO;SEERAM, 2018;KANSAGRA et al, 2016). Ou seja, a radiômica pode ser entendida como a translação dos conceitos de Big Data e medicina de precisão para o contexto do diagnóstico por imagem e está focada no desenvolvimento de ferramentas e bases de apoio à tomada de decisão clínica, que possam potencialmente melhorar o diagnóstico, o prognóstico e a precisão de uma previsão (GILLIES; KINAHAN; HRICAK, 2016).…”

Section: Metabol-unclassified

“…Ou seja, a radiômica pode ser entendida como a translação dos conceitos de Big Data e medicina de precisão para o contexto do diagnóstico por imagem e está focada no desenvolvimento de ferramentas e bases de apoio à tomada de decisão clínica, que possam potencialmente melhorar o diagnóstico, o prognóstico e a precisão de uma previsão (GILLIES; KINAHAN; HRICAK, 2016). Fonte: Kansagra et al (2016).…”

Section: Metabol-unclassified

“…A análise de similaridade de imagens é uma tarefa paralelizável, pois pode ocorrer a execução simultânea de uma mesma função (medida de distância) sobre elementos de um conjunto de dados (vetores de atributos das imagens). Como o volume de dados em saúde vem crescendo em um ritmo acelerado nos últimos anos, especialmente na radiologia (FILONENKO; SEERAM, 2018;KANSAGRA et al, 2016), neste trabalho foi realizada a otimização da análise de similaridade de imagens em arquiteturas paralelas com o objetivo de criar um modelo CBIR de alto desempenho computacional. Os resultados da otimização do tempo de execução na comparação de imagens em um algoritmo CBIR foram publicados no periódico The Journal of Supercomputing (Fator de Impacto 2017: 1,532, Qualis CAPES 2013-2016 na área Engenharias IV: B2) em forma de artigo científico (Anexo H) (FERREIRA JUNIOR; OLIVEIRA; AZEVEDO-MARQUES, 2017).…”

Section: Apêndice B -Otimização De Cbir Em Unidade De Processamento Gunclassified

See 1 more Smart Citation

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Ferreira¹,

Santos²,

Azevedo-Marques³

View full text Add to dashboard Cite

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão São Carlos 2019 1. Câncer de pulmão. 2. Radiômica. 3. Reconhecimento de padrões. 4. Classificação de imagens médicas. 5. Recuperação de imagens baseada em conteúdo. 6. Análise de imagens médicas. I. Título. Eduardo Graziosi Silva -CRB -8/8907 Aos meus pais, Raniery e Magal, pelo amor e pela educação que sempre me deram. À minha esposa, Priscilla, por sua "paxão" e compreensão em todos os momentos. AGRADECIMENTOS À toda a minha família, em especial, meus irmãos, Bruno e Lígia, meus sogros, Junior e Wirlene, e meus cunhados, Anderson e Deysi, pelo apoio dado durante todo o caminho de pós-graduação percorrido. Aos meus orientadores, Paulo, Marcel e Yoshida, pelas oportunidades dadas, pelos ensinamentos e, principalmente, pela paciência. Aos doutores Marcello, Tinós, Alexandre e Federico por todas as valiosas contribuições dadas durante meu período na USP. Aos amigos do LaTIM/UFAL, Marcelo, Lucas, Ailton e Tércio, pelas sugestões e discussões sempre produtivas para a pesquisa. Aos amigos do CCIFMpelos bons momentos de convivência e todo o suporte dado para o desenvolvimento do trabalho. Aos amigos do MGH, Yasuka, Toru e Janne, por todo o auxílio prestado durante meu estágio no exterior de doutorado sanduíche. Ao pessoal da Bioengenharia, Profa Ana Plepis, Marcia e Janete, pela ajuda nos processos burocráticos desde a seleção do doutorado até o depósito da tese. Aos amigos de SP que fiz ou reencontrei, Diógenes, Felipe, Amanda, Samara, Karina, Juninho, Inaê, Danilo e D. Miralda, pela amizade, incentivo e bons momentos compartilhados. Às instituições e programas CAPES (Código de Financiamento 001), USP, PAE, PDSE (processo nº 88881.134004/2016-01), AUCANI, PROAP e FAPESP (processo nº 2016/17078-0), pelas bolsas e apoios financeiros durante todo o curso e pesquisa. E a todos aqueles que me ajudaram direta ou indiretamente, torceram por mim e acreditaram no meu trabalho. "No meio da dificuldade encontra-se a oportunidade." Albert Einstein Palavras-chave: Câncer de pulmão. Radiômica. Reconhecimento de padrões. Classificação de imagens médicas. Recuperação de imagens baseada em conteúdo. Análise de imagens médicas. ABSTRACT FERREIRA JUNIOR, J.R. Framework for Classification, Content-Based Retrieval, and Radiomics of Medical Images: an investigation of quantitative biomarkers for lung cancer. 2019. 183p. Tese (Doutorado) -Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2019.Systems of computer-aided diagnosis (CAD), content-based image retrieval (CBIR), and radiomics have been developed to increase diagnostic accuracy, medical image interpretation consistency, patient prognostic assessment, and therapy decision support. Those tools have great potential to recognize objectively and precisely patterns in images, despite still having several limitations. This work aimed to decrease the feature gap, which refers to inefficient numeric representa...

show abstract

Big Data and the Future of Radiology Informatics

Cited by 68 publications

References 59 publications

Use of CT and artificial intelligence in suspected or COVID-19 positive patients: statement of the Italian Society of Medical and Interventional Radiology

Use of CT and artificial intelligence in suspected or COVID-19 positive patients: statement of the Italian Society of Medical and Interventional Radiology

Precision Imaging: more descriptive, predictive and integrative imaging

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Contact Info

Product

Resources

About