Investigación global sobre uso de inteligencia artificial en imagenología para la detección de cáncer de mama: análisis bibliométrico

Global research on use of artificial intelligence in imaging for breast cancer detection: bibliometric analysis

Autores/as

  • Juan Guillermo Murillo León Fundación Universitaria San Martin
  • Valentina Espinosa Rivero Universidad de la Sabana
  • Isabella Saportas Peláez Fundación Universitaria San Martin
  • Luis Enrique Calderón Mina Fundación Universitaria San Martin
  • Angie Paola Cortes Sanjuanelo Universidad Simón Bolívar
  • Sebastian Alejandro Arias Tamayo Unidad Central del Valle del Cauca
  • Nury Liseida Guevara Rosero Universidad del Valle
  • Manuel Cantillo Reines Universidad del Magdalena
  • Ciro Daniel Galeano Ortiz Universidad Militar Nueva Granada
  • Yelson Alejandro Picón Jaimes Universidad Ramón Llul

DOI:

https://doi.org/10.25176/RFMH.v24i3.6407

Palabras clave:

Inteligencia Artificial, Mamografía, Ecografía Mamaria, Cáncer de Mama, Bibliometría

Resumen

Introducción: El cáncer de mama sigue siendo uno de los cánceres más frecuentes a nivel global, específicamente, el más frecuente en el sexo femenino. El uso de inteligencia artificial promete contribuir al diagnóstico precoz, a través de la imagenología. Previamente, no se ha descrito el panorama y avance de esta producción científica.

Métodos: Estudio bibliométrico de corte transversal, que usó Scopus como fuente de datos. Se utilizó el paquete bibliometrix de R para el cálculo de indicadores bibliométricos y visualización de los resultados.

Introducción: El cáncer de mama sigue siendo uno de los cánceres más frecuentes a nivel global, específicamente, el más frecuente en el sexo femenino. El uso de inteligencia artificial promete contribuir al diagnóstico precoz, a través de la imagenología. Previamente, no se ha descrito el panorama y avance de esta producción científica. 

Métodos: Estudio bibliométrico de corte transversal, que usó Scopus como fuente de datos. Se utilizó el paquete bibliometrix de R para el cálculo de indicadores bibliométricos y visualización de los resultados. 

Resultados: Se seleccionaron 1292 documentos, publicados entre 1989 y 2024. El 75,3% (n=973) fueron artículos con datos primarios, seguido de un 16,2% (n=209) correspondiente a revisiones. Se identificó una colaboración internacional del 26,5%, y un crecimiento anual de la producción del 10,78%. Se observó que, la clasificación de riesgo por screening, tomosíntesis digital de la mama, aprendizaje por transferencia, segmentación y selección por características, son las palabras clave más comúnmente usadas. En los últimos cinco años, el aprendizaje profundo y la mamografía, han sido los temas con mayor popularidad. La colaboración internacional, ha sido liderada por Estados Unidos, China y Reino Unido.

Conclusiones: Se identificó un crecimiento notable en la investigación global sobre el uso de inteligencia artificial en imagenología para la detección de cáncer de mama, marcado a partir de la década del 2010, esencialmente por medio de publicación de artículos con datos primarios. La relación entre inteligencia artificial e imagenología para diagnóstico de cáncer de mama, se ha centrado en riesgo y predicción.

Conclusiones: Se identificó un crecimiento notable en la investigación global sobre el uso de inteligencia artificial en imagenología para la detección de cáncer de mama, marcado a partir de la década del 2010, esencialmente por medio de publicación de artículos con datos primarios. La relación entre inteligencia artificial e imagenología para diagnóstico de cáncer de mama, se ha centrado en riesgo y predicción.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

World Health Organization. Breast cancer [Internet]. [Consultado 10 Febrero 2024]. Disponible en: https://www.who.int/news-room/fact-sheets/detail/breast-cancer

Pan American Health Organization. Cáncer de mama [Internet]. [Consultado 10 Febrero 2024]. Disponible en: https://www.paho.org/es/temas/cancer-mama

Martei YM, Pace LE, Brock JE, Shulman LN. Breast Cancer in Low- and Middle-Income Countries: Why We Need Pathology Capability to Solve This Challenge. Clin Lab Med. 2018; 38(1):161-173. doi: 10.1016/j.cll.2017.10.013

Francies FZ, Hull R, Khanyile R, Dlamini Z. Breast cancer in low-middle income countries: abnormality in splicing and lack of targeted treatment options. Am J Cancer Res. 2020; 10(5):1568-1591.

Reyes A, Torregrosa L, Lozada-Martinez ID, Cabrera-Vargas LF, Nunez-Ordonez N, Martínez Ibata TF. Breast cancer mortality research in Latin America: A gap needed to be filled. Am J Surg. 2023; 225(5):937-938. doi: 10.1016/j.amjsurg.2023.01.010

Reyes-Monasterio A, Lozada-Martinez ID, Cabrera-Vargas LF, Narvaez-Rojas AR. Breast cancer care in Latin America: The ghost burden of a pandemic outbreak. Int J Surg. 2022; 104:106784. doi: 10.1016/j.ijsu.2022.106784

Gerami R, Sadeghi Joni S, Akhondi N, Etemadi A, Fosouli M, Eghbal AF, et al. A literature review on the imaging methods for breast cancer. Int J Physiol Pathophysiol Pharmacol. 2022; 14(3):171-176.

Aristokli N, Polycarpou I, Themistocleous SC, Sophocleous D, Mamais I. Comparison of the diagnostic performance of Magnetic Resonance Imaging (MRI), ultrasound and mammography for detection of breast cancer based on tumor type, breast density and patient's history: A review. Radiography (Lond). 2022; 28(3):848-856. doi: 10.1016/j.radi.2022.01.006

Ahn JS, Shin S, Yang SA, Park EK, Kim KH, Cho SI, et al. Artificial Intelligence in Breast Cancer Diagnosis and Personalized Medicine. J Breast Cancer. 2023; 26(5):405-435. doi: 10.4048/jbc.2023.26.e45

Meng G, Xu H, Yang S, Chen F, Wang W, Hu F, et al. Bibliometric analysis of worldwide research trends on breast cancer about inflammation. Front Oncol. 2023; 13:1166690. doi: 10.3389/fonc.2023.1166690

Teles RHG, Hiroki CT, Freitas VM. Bibliometric analysis of an important diagnostic technique for the treatment of breast cancer. Transl Cancer Res. 2022; 11(10):3440-3442. doi: 10.21037/tcr-22-2120

Xu J, Yu C, Zeng X, Tang W, Xu S, Tang L, et al. Visualization of breast cancer-related protein synthesis from the perspective of bibliometric analysis. Eur J Med Res. 2023; 28(1):461. doi: 10.1186/s40001-023-01364-4

Lozada-Martinez ID, Lozada-Martinez LM, Fiorillo-Moreno O. Leiden manifesto and evidence-based research: Are the appropriate standards being used for the correct evaluation of pluralism, gaps and relevance in medical research? J R Coll Physicians Edinb. 2024. Online ahead of print. doi: 10.1177/1478271524122799

Lozada-Martinez ID, Visconti-Lopez FJ, Marrugo-Ortiz AC, Ealo-Cardona CI, Camacho-Pérez D, Picón-Jaimes YA. Research and Publication Trends in Pediatric Surgery in Latin America: A Bibliometric and Visual Analysis from 2012 to 2021. J Pediatr Surg. 2023; 58(10):2012-2019. doi: 10.1016/j.jpedsurg.2023.04.003

Lozada-Martinez ID, Lozada-Martinez LM, Cabarcas-Martinez A, Ruiz-Gutierrez FK, Aristizabal Vanegas JG, Amorocho Lozada KJ, et al. Historical evolution of cancer genomics research in Latin America: a comprehensive visual and bibliometric analysis until 2023. Front Genet. 2024; 15:1327243. doi: 10.3389/fgene.2024.1327243

Aria M, Cuccurullo C. Bibliometrix: An R-Tool for Comprehensive Science Mapping Analysis. J Informetr. 2017; 11:959–975.

Rousseau R, Egghe L, Guns R. Becoming Metric-Wise: A Bibliometric Guide for Researchers. 1st edition. Belgium: Chandos Publishing; 2018.

Todeschini R, Baccini A. Handbook of Bibliometric Indicators: Quantitative Tools for Studying and Evaluating Research. 1st edition. Italy: Wiley-VCH Verlag GmbH & Co. KGaA; 2016.

Miao Z, Humphreys BD, McMahon AP, Kim J. Multi-omics integration in the age of million single-cell data. Nat Rev Nephrol. 2021; 17(11):710-724. doi: 10.1038/s41581-021-00463-x

Gao F, Huang K, Xing Y. Artificial Intelligence in Omics. Genomics Proteomics Bioinformatics. 2022; 20(5):811-813. doi: 10.1016/j.gpb.2023.01.002

Newman LA. Breast cancer screening in low and middle-income countries. Best Pract Res Clin Obstet Gynaecol. 2022; 83:15-23. doi: 10.1016/j.bpobgyn.2022.03.018

Anderson BO, Ilbawi AM, Fidarova E, Weiderpass E, Stevens L, Abdel-Wahab M, et al. The Global Breast Cancer Initiative: a strategic collaboration to strengthen health care for non-communicable diseases. Lancet Oncol. 2021; 22(5):578-581. doi: 10.1016/S1470-2045(21)00071-1

Horr C, Buechler SA. Breast Cancer Consensus Subtypes: A system for subtyping breast cancer tumors based on gene expression. NPJ Breast Cancer. 2021; 7(1):136. doi: 10.1038/s41523-021-00345-2

Bernstam EV, Shireman PK, Meric-Bernstam F, N Zozus M, Jiang X, Brimhall BB, et al. Artificial intelligence in clinical and translational science: Successes, challenges and opportunities. Clin Transl Sci. 2022; 15(2):309-321. doi: 10.1111/cts.13175

Zhang B, Shi H, Wang H. Machine Learning and AI in Cancer Prognosis, Prediction, and Treatment Selection: A Critical Approach. J Multidiscip Healthc. 2023; 16:1779-1791. doi: 10.2147/JMDH.S410301

Koh DM, Papanikolaou N, Bick U, Illing R, Kahn Jr. CE, Kalpathi-Cramer J, et al. Artificial intelligence and machine learning in cancer imaging. Commun Med. 2022; 2:133. doi: 10.1038/s43856-022-00199-0

You JS, Jones PA. Cancer genetics and epigenetics: two sides of the same coin? Cancer Cell. 2012 Jul 10;22(1):9-20. doi: 10.1016/j.ccr.2012.06.008

Publicado

2024-06-28

Cómo citar

Murillo León, J. G. ., Espinosa Rivero, V. ., Saportas Peláez, I. ., Calderón Mina , L. E. ., Cortes Sanjuanelo , A. P. ., Arias Tamayo, S. A. ., Guevara Rosero, N. L. ., Cantillo Reines , M. ., Galeano Ortiz, C. D. ., & Picón Jaimes, Y. A. (2024). Investigación global sobre uso de inteligencia artificial en imagenología para la detección de cáncer de mama: análisis bibliométrico: Global research on use of artificial intelligence in imaging for breast cancer detection: bibliometric analysis. Revista De La Facultad De Medicina Humana, 24(3). https://doi.org/10.25176/RFMH.v24i3.6407