Está en la página 1de 13

UNIDAD 3 - TAREA 4 - DETERMINAR LAS TENDENCIAS TECNOLÓGICAS EN

TELERADIOLOGÍA

PRESENTADO POR:

CESAR A. GONZALEZ LOZANO

GRUPO

154022_7

TUTOR:

LUIS ALFREDO JIMÉNEZ

TECNOLOGÍA EN RADIOLOGÍA E IMÁGENES DIAGNOSTICA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS DE LA SALUD (ECISA)

FUNDAMENTOS DE TELERADIOLOGÍA

MAYO 09-2021
INTRODUCCION

la inteligencia artificial juega un papel importante en el sustento de la telemedicina, la

teleradiología, el telediagnóstico y la telegestión están ubicadas en la inteligencia artificial,

tecnología la cual modifica la forma la cual los profesionales se emparejan medico

pacientes, y a la ves de vía libre para maximizar la eficiencia en la gestión de los recursos.

Cabe resaltar que permite automatizar e incluso excluir tareas rutinarias y de poco valor,

que le dan pasó a una conexión más profunda con los pacientes. También se vuelve una

aliada relevante en la planificación de los tratamientos y el análisis y clasificación de las

imágenes, entre otras tareas específicas.


OBJETIVOS

General:

 Reconocer las nuevas tendencias de la teleradiología que optimizan su práctica a través

de la innovación tecnológica y generar estrategias comerciales para el servicio

Específicos:

 Identificar y describir tendencia tecnológica para Teleradiología

 Realizar presentación en herramienta digital.

 Realizar video presentación de la tecnología comprendida.

.
PRESNTACION VIDEO

LINK: https://www.youtube.com/watch?

v=_CuOlYZJpew&ab_channel=cesargonzalezgonzalezlozano

DEEP LEARNING: Es un tipo de Machine Learning en el que el proceso de aprendizaje de

la máquina no requiere de supervisión humana, construyendo por sí misma el conjunto de

características para hacer la clasificación y poder posteriormente tomar una decisión

respecto a una entrada de datos.

Referencia Mojica G. Paola. Cuéllar, Sergio. & Medina, Claudia. (2018). Una propuesta

comercial de la teleradiología para el sector Salud colombiano Recuperado de:

https://www.sic.gov.co/sites/default/files/files/Propiedad

%20Industrial/Boletines_Tecnologicos/Boletin_Telerradiologia.pdf pag 48

Referencia: MinTic, Colombia. Centro de Innovación Pública Digital. (Consultado en

http://centrodeinnovacion.mintic.gov.co/es/blogs/tecnologias-emergentes)

Deep learning es el subconjunto del aprendizaje automático la cual está conformado por

redes neuronales artificiales, algoritmos que se encuentran inspirados en el cerebro humano,

los cuales se alimentan de grandes cantidades de datos.

El encéfalo humano está conformado por distintos núcleos de redes neuronales que tienen

características de percepción y respuesta muy específicas, significa que cada red se

especializa en tareas especiales y diferentes a las otras redes, esto quiere decir que;
La percepción de un olor y la respuesta de agrado o desagrado a dicho olor; la percepción de

un sonido y el paso de ese sonido a sensaciones.

Lo anterior traducido en Inteligencia Artificial podríamos ver que los modelos

computacionales de Deep Learning son la imitación de esas características arquitecturales

del sistema nervioso humano, lo que permite que cada red neuronal construida de forma

artificial esté entrenada para tareas especiales.

Fuente: https://iaarbook.github.io/inteligencia-artificial/

El área de la inteligencia artificial es básicamente, cuando las máquinas pueden realizar

tareas que generalmente requieren de inteligencia humana. Abarca el aprendizaje

automático, donde las máquinas pueden aprender por experiencia y adquirir habilidades sin

la participación de los humanos.

POR QUÉ RECIBE EL NOMBRE DE APRENDIZAJE PROFUNDO O DEEP

LEARNING?
La manera como funciona en el cerebro humano está compuesta por redes neuronales las

cuales reciben la información recibida del exterior que pasan a través de un número grande

de capas antes de convertirse en una respuesta.

Fuente: https://www.smartpanel.com/que-es-deep-learning/

Deep Learning es la unión de algoritmos no lineales que permiten aplicarse para la

modelización de los datos y el reconocimiento de patrones, cuando se habla de una forma no

lineal esto quiere decir que las fibras que componen las redes neuronales artificiales se

apilan en una grado que va desde las características de nivel de abstracción bajo hasta las de

nivel de abstracción más compleja.

La manera en la que funciona el Deep Learning es utilizando estas cascadas de capas con

elementos de procesamiento que admiten la extracción y transformación de variables, la red,

dentro de su nivel jerárquico, aplica una evolución en su capa de entrada y aplica esa

información de aprendizaje para crear un modelo estadístico de salida que repite las veces

suficientes hasta llegar a lograr un nivel de precisión en el aprendizaje y respuesta

aceptable.
Deep learning a lo largo de los días ha mostrado grandes resultados en las actividades

difíciles como reconocer objetos de una imagen, comprender el habla y los idiomas y, por

supuesto, jugar juegos de mesa. A nivel mundial muchas personas inteligentes han estado

trabajando en ello durante décadas las cuales son absolutamente de última generación.

Un punto importante es que se trata de un aprendizaje por niveles lo cual indica que cada

vez que se construyen redes neuronales más grandes y se alimentan con más y más datos, su

rendimiento continúa aumentando. Lo cual esto lo hace diferente con respecto a otras

técnicas de aprendizaje automático que logran llegar a una meseta en el rendimiento.

Deep learning permite a las máquinas solucionar dificultades complejas e incluso cuando se

aplican en un conjunto de datos diversos, no estructurados e interconectados, uanto más

aprenden los algoritmos de aprendizaje profundo, mejor se desempeñan.

Cabe resaltar que la escalabilidad, otro beneficio a menudo citado de los modelos del Deep

learning es su capacidad para realizar la extracción automática de características de los

datos sin procesar, también llamado aprendizaje de características.

Las funciones de aprendizaje automático en múltiples niveles de abstracción permiten que

un sistema aprenda funciones difíciles que mapean la entrada a la salida directamente de

los datos, sin depender completamente de las características creadas por el hombre.
Ejemplos donde se aplica el Deep learning

Traducciones

Los algoritmos de Deep learning usan conjuntos de datos masivos de oraciones para

entrenar un modelo capaz de traducir automáticamente entre idiomas.

Fuente:https://www.20minutos.es/noticia/4426400/0/lista-mejores-traductores-online-

mundo/

Asistentes virtuales

Ya sea Alexa o Siri o Cortana, los asistentes virtuales de los proveedores de servicios en

línea utilizan el Deep learning para ayudar a comprender su discurso y el lenguaje que los

humanos usan cuando interactúan con ellos.

Fuente: https://domotizados.co/asistentes-digitales-tomando-el-control/
Chatbots y bots de servicio

Los chatbots y los bots de servicio se han convertido en una herramienta útil para muchas

empresas (aunque algunas la desaprovechan pidiendo solo el nombre y el email sin generar

conversación). Es una oportunidad para responder a una cantidad de preguntas auditivas y

de texto gracias al aprendizaje de Deep learning.

Fuente: https://www.grupoftp.com/noticias/el-futuro-de-los-chatbots/

Reconocimiento facial

El Deep learning se está utilizando para el reconocimiento facial no solo con fines de

seguridad, sino también para etiquetar a las personas en las publicaciones de Facebook y, es

posible, que en un futuro cercano podamos pagar los artículos en una tienda simplemente

usando nuestras caras.

Fuente: https://compromiso.atresmedia.com/levanta-la-cabeza/actualidad/109-paises-

utilizan-han-aprobado-vigilancia-reconocimiento-

facial_202006095edf4294f8f8bb0001657e86.html
Automóviles sin conductor

De la manera en la que un vehículo sin conductor comprende las realidades en la carretera y

cómo responder a ellas, ya sea una persona, una señal de tránsito, un semáforo, una pelota

en la calle u otro vehículo, es a través de algoritmos de Deep learning.

Cuantos más datos reciban los algoritmos, mejor podrán actuar como humanos en su

procesamiento de información: saber que una señal de _no estacionar _cubierta de nieve

sigue siendo una señal de no estacionar.

Fuente: http://libro.ai/como-pueden-los-coches-sin-conductor-mejorar-nuestras-vidas/
CONCLUSIONES

 Se reconocer las nuevas tendencias de la teleradiología que optimizan su práctica a través

de la innovación tecnológica y generar estrategias comerciales para el servicio, las cuales

nos brindan un avance importante en salud donde se puede aplicar con mayor rapidez una

interacción medico paciente ya que estas eliminan practicas muy poco útiles que juegan

en contra del paciente.

 En salud se han venido implementando algoritmos de patrones cancerígenos con los

cuales se pretende lograr identificar mediante un examen de mastografía.

 Se identificar y describe las tendencia tecnológica para Teleradiología las cuales se han

venido implementado en los Deep learning.


REFERENCIAS BIBLIOGRAFÍCAS

Superintendencia de Industria y Comercio, Centro de Información Tecnológica y

Apoyo a la Gestión de la Propiedad Industrial – CIGEPI (2018). Boletín

Tecnológico Teleradiología, Una propuesta de la telemedicina para el sector Salud

colombiano. Recuperado de:

https://www.sic.gov.co/sites/default/files/files/Propiedad

%20Industrial/Boletines_Tecnologicos/Boletin_Telerradiologia.pdf

Mojica G. Paola. Cuéllar, Sergio. & Medina, Claudia. (2018). Una propuesta

comercial de la teleradiología para el sector Salud colombiano Recuperado de:

https://www.sic.gov.co/sites/default/files/files/Propiedad

%20Industrial/Boletines_Tecnologicos/Boletin_Telerradiologia.pdf

Rey López, A. (2016). Estudio y validación de técnicas de inteligencia artificial

aplicadas al análisis de imágenes médicas. : Desarrollo de un CAD para la detección

de nódulos pulmonares. Recuperado de:

http://search.ebscohost.com.bibliotecavirtual.unad.edu.co/login.aspx?

direct=true&db=edsdnp&AN=edsdnp.47596TES&lang=es&site=eds-

live&scope=site

Referencia: MinTic, Colombia. Centro de Innovación Publica Digital. (Consultado

en http://centrodeinnovacion.mintic.gov.co/es/blogs/tecnologias-emergentes)

https://platzi.com/blog/deep-learning-guia-ejemplos/?

utm_source=google&utm_medium=cpc&utm_campaign=12915366154&utm_adgroup=&utm_c

ontent=&gclid=CjwKCAjw7diEBhB-
EiwAskVi11MmIav1KUrDWD_H9Gl6xaQsv982PZLVRGet8zka795Uf-

50EZGZWBoC59MQAvD_BwE&gclsrc=aw.ds

También podría gustarte