Review Jurnal :

Artificial Intelligence in Cardiovascular Imaging

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.