Data science cenderung menyebabkan perubahan besar dalam pencitraan kardiovaskular. Seperti dalam bidang ilmu biomedis lain yang banyak data (seperti proteomik, metabolomik, lipidomik, dan genetika), integrasi pencitraan dan data klinis, termasuk catatan kesehatan elektronik (EHR) dan patologi, dapat memberikan penemuan baru dan menjadikannya kontributor potensial yang penting untuk pendekatan klinis. Pencitraan model saat ini dari akuisisi gambar, interpretasi, dan pengambilan keputusan menghadirkan masalah dengan waktu, efisiensi, diagnosa yang terlewat, dan diagnosa positif palsu. Perkembangan dari pencitraan kardiovaskular lebih efisien dengan memfasilitasi akuisisi gambar, pengukuran, pelaporan, dan jalur-jalur klinis lainnya, Artificial Intelligence (AI) dapat mengurangi biaya dan meningkatkan nilai secara spesifik. Artificial Intelligence (AI) merupakan komputasi program yang dapat melakukan tugas-tugas yang merupakan karakteristik kecerdasan manusia seperti pattern recognition dan identifikasi, perencanaan, memahami bahasa, mengenali benda dan suara, dan pemecahan masalah. Secara praktis AI dianalogikan bekerja seperti mesin, atau perangkat, untuk membuat keputusan ototmatis berdasarkan data yang dikumpulkannya. Dalam ilmu kedokteran Artificial Intelligence (AI) melibatkan data (catatan kesehatan, dan informasi yang didapatkan dari gambar), yang digunakan untuk memprediksi kemungkinan diagnosis, mengidentifikasi penyakit baru, atau memilih pilihan perawatan terbaik. Bidang utama AI untuk pencitraan akan berkaitan dengan fenotip penyakit, dukungan diagnostik, dan interpretasi gambar. Pengelompokan informasi klinis dan pencitraan yang relevan dengan analisis kluster dapat memberikan peluang untuk meningkatkan karakteristik penyakit. Dukungan diagnostik akan disediakan oleh segmentasi gambar otomatis dan pengukuran otomatis. Langkah-langkah awal sedang diambil menuju akuisisi dan analisis gambar otomatis. Selain itu, pencitraan kardiovaskular jika dikombinasikan dengan "big data" dari catatan kesehatan dan patologi elektronik, kemungkinan dapat lebih mengkategorikan penyakit dan terapi secara personal. "Big data" digunakan untuk menggambarkan sejumlah besar data yang dikumpulkan. Dalam perawatan kesehatan, ini termasuk catatan kesehatan medis, hasil pasien, data hasil, data genomik, dan yang penting, informasi yang diturunkan gambar "Big data" dari pencitraan akan berinteraksi dengan data volume tinggi dari catatan kesehatan elektronik dan patologi untuk memberikan wawasan dan peluang baru untuk mempersonalisasi terapi. “Biobanks” dan “bioresources” adalah bentuk khusus dari pengumpulan “big data” terorganisir yang biasanya sebagai bagian dari program penelitian formal dengan pengumpulan data yang ketat dan kontrol kualitas. "Atlases" adalah kumpulan data besar di mana data digabungkan untuk memberikan informasi referensi tentang variasi dalam sistem yang terorganisir, seperti struktur jantung. kualitas, akurasi, dan kekayaan fitur dalam data akan menentukan seberapa efektif teknik komputasi dapat menghasilkan AI.
Peran AI dalam penegakan diagnostik
Sebagian besar penegakan diagnostik untuk pencitraan kardiovaskular melingkupi segmentasi struktur anatomi seperti ventrikel, katup, atau koroner, dan pengukuran tepat berbagai parameter, termasuk EF, perfusion defect, atau tingkat stenosis koroner.
Machine-learning (ML) adalah teknik yang digunakan yang mengoptimalkan Arificial
Intelligence (AI) Secara khusus, teknik ini dapat mempelajari aturan dan mengidentifikasi pola secara progresif dari kumpulan data besar, tanpa diprogram secara eksplisit. Teknik Machine-Learning (ML) telah digunakan secara efektif untuk prediksi dan pengambilan keputusan pada banyak bidang di kehidupan sehari-hari, termasuk mesin pencari internet, iklan yang disesuaikan, penyaringan email spam, pengenalan karakter dan pemrosesan bahasa, dan robotika. Machine-learning (ML) berpotensi mengenali cardiac phenotype dengan menggunakan fitur dari perubahan bentuk jaringan. Aspek penting dari ML untuk aplikasi pencitraan jantung adalah ketersediaan data untuk pembelajaran dan pelatihan. Kualitas dan ruang lingkup data akan menentukan penerapan dan akurasi algoritma. Mengingat tujuan menerjemahkan ML ke dalam praktik klinis yang lebih luas, sangat penting bahwa basis data ini mencakup heterogenitas, yang mencerminkan spektrum praktik dan protokol pencitraan di lapangan.