Innovaciones en Inteligencia Artificial para el Diagnóstico Veterinario: Un Cambio Paradigmático en la Atención Médica Animal

Barra lateral del artículo

Imágenes de dos hermanos cachorros Jack Russell Terrier. La raza Jack Russell Terrier, también se conoce como Parson Russell Terrier, de origen inglés (Inglaterra), generada por el sacerdote John Jack Russel. En un principio, se usaron para la caza de zorros (en Devonshire y Sussex-XIX), en el presente, se consideran mascotas (XXI). Presentan un tamaño medio, peso promedio de 5-8 kg, altura aprox. 25-30 cm, esperanza de vida aprox. 13 años, así mismo, pertenecen al Grupo de la Federación Cinológica Internacional (Nomenclatura de las razas de la FCI). (Fotos de cortesía del MVyZ Andrés Abimael Torres y D.C. Claudia Mancilla Simbro, 2024).
PDF
Publicado: sept 1, 2024
DOI: https://doi.org/10.32399/CIBIOS-BUAP.fcb.2954-5218.2024.3.9.53
Palabras clave:
Inteligencia Artificial, Diagnóstico Veterinario, Redes Neuronales Convolucionales, Aprendizaje Automático, Bienestar Animal

Contenido principal del artículo

Dr. Arnulfo Villanueva Castillo
Ruby Sandy Moreno Mejía
Dra. Claudia Mancilla Simbro
https://orcid.org/0000-0003-3976-3550
M en C. Carlos Gerardo Sosa Castillo
https://orcid.org/0000-0002-5742-7772
Hermilo Lucio Castillo
Dr. César Feliciano Pastelín Roja
https://orcid.org/0000-0002-9501-2017
Dr. Alberto Ramírez Mata
https://orcid.org/0000-0002-2119-2254
Alexis cruz Espinoza

Resumen

La integración de innovaciones en inteligencia artificial (IA) en el diagnóstico veterinario, representa un avance notable en la medicina veterinaria contemporánea. La IA, al procesar vastos volúmenes de datos derivados de registros médicos y de imágenes, facilita la identificación rápida y precisa de enfermedades, lo que se traduce en una mejora del bienestar animal y en la gestión eficiente de recursos en clínicas veterinarias. A pesar de los resultados prometedores, se deben abordar retos como las cuestiones éticas, la regulación de datos y la formación continua para los profesionales, elementos cruciales para un uso responsable de la IA. La transición hacia la integración de la IA, en la práctica clínica requiere colaboración multidisciplinaria que maximice sus beneficios y minimice sus riesgos, convirtiéndose en un enfoque proactivo y basado en evidencia en el cuidado de la salud animal. En conclusión, la IA representa una oportunidad significativa para transformar el diagnóstico veterinario y mejorar la atención al paciente animal, de acuerdo con las normas de México (NOM-064-ZOO-2000, NOM-022-ZOO-1995, NOM-024-ZOO-1995, OM-051-ZOO-1995, NOM-194-SSA1-2004, NOM-042-SSA2-2006) e Internacionales OMSA_2025 (ISO/IEC 17025 2017).

Detalles del artículo

Cómo citar
Villanueva Castillo, A., Moreno Mejía, R. S., Mancilla-Simbro, C., Sosa Castillo, C. G., Lucio Castillo, H., Pastelin Roja, C. F., … Cruz Espinosa, A. (2024). Innovaciones en Inteligencia Artificial para el Diagnóstico Veterinario: Un Cambio Paradigmático en la Atención Médica Animal. CIBIOS - BUAP Revista De La Facultad De Ciencias Biológicas BUAP, 3(9), 8–17. https://doi.org/10.32399/CIBIOS-BUAP.fcb.2954-5218.2024.3.9.53
Número
Vol. 3 Núm. 9 (2024): Salud actual retos e innovaciones
Sección
Trabajo de revisión
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

De acuerdo con la licencia Creative Commons ATRIBUCIÓN-NOCOMERCIAL-COMPARTIRIGUAL 4.0 INTERNACIONAL, establece que:

Usted es libre de:

  1. Compartir : copiar y redistribuir el material en cualquier medio o formato.
  2. Adaptar : remezclar, transformar y construir a partir del material
  3. El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.

En los siguientes términos:

  1. Atribución — Debe dar el crédito adecuado , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
  2. No comercial — No puede utilizar el material con fines comerciales .
  3. CompartirIgual : si remezclas, transformas o construyes a partir del material, debes distribuir tus contribuciones bajo la misma licencia que el original.
  4. Sin restricciones adicionales : no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.

Licencias Creative Commons: Qué son, cómo funcionan y ejemplos

Avisos:

No tiene que cumplir con la licencia para los elementos del material en el dominio público o donde su uso esté permitido por una excepción o limitación aplicable.

No se ofrecen garantías. Es posible que la licencia no le otorgue todos los permisos necesarios para el uso previsto. Por ejemplo, otros derechos, como la publicidad, la privacidad o los derechos morales, pueden limitar la forma en que utiliza el material.

Citas

Awaysheh, A., Awaysheh, A., Wilcke, J. R., Wilcke, J. R., Wilcke, J. R., Elvinger, F., Elvinger, F., Elvinger, F., Rees, L. P., Rees, L. P., Fan, W., Fan, W., Zimmerman, K., & Zimmerman, K. L. (2019). Review of Medical Decision Support and Machine-Learning Methods. Veterinary Pathology. https://doi.org/10.1177/0300985819829524

Awaysheh, A., Awaysheh, A., Wilcke, J. R., Wilcke, J. R., Wilcke, J. R., Elvinger, F., Elvinger, F., Rees, L. P., Rees, L. P., Fan, W., Fan, W., Fan, W., Fan, W., Zimmerman, K., & Zimmerman, K. L. (2016). Evaluation of supervised machine-learning algorithms to distinguish between inflammatory bowel disease and alimentary lymphoma in cats. Journal of Veterinary Diagnostic Investigation. https://doi.org/10.1177/1040638716657377

Banzato, T., Banzato, T., Bernardini, M., Bernardini, M., Cherubini, G. B., Cherubini, G. B., Zotti, A., & Zotti, A. (2018). A methodological approach for deep learning to distinguish between meningiomas and gliomas on canine MR-images. BMC Veterinary Research. https://doi.org/10.1186/s12917-018-1638-2.

Banzato, T., Banzato, T., Causin, F., Causin, F., Puppa, A. Della, Puppa, A. Della, Cester, G., Cester, G., Mazzai, L., Mazzai, L., Zotti, A., & Zotti, A. (2019). Accuracy of deep learning to differentiate the histopathological grading of meningiomas on MR images: A preliminary study. Journal of Magnetic Resonance Imaging. https://doi.org/10.1002/jmri.26723.

Banzato, T., Bonsembiante, F., Aresu, L., Gelain, M. E., Burti, S., & Zotti, A. (2018). Use of transfer learning to detect diffuse degenerative hepatic diseases from ultrasound images in dogs: A methodological study. Veterinary Journal, 233, 35–40. https://doi.org/10.1016/j.tvjl.2017.12.026.

Boissady, E., Boissady, E., Comble, A. de La, Comble, A. de La, Zhu, X., Zhu, X., Hespel, A., & Hespel, A.-M. (2020). Artificial intelligence evaluating primary thoracic lesions has an overall lower error rate compared to veterinarians or veterinarians in conjunction with the artificial intelligence. Veterinary Radiology & Ultrasound. https://doi.org/10.1111/vru.12912.

Burti, S., Longhin Osti, V., Zotti, A., & Banzato, T. (2020). Use of deep learning to detect cardiomegaly on thoracic radiographs in dogs. The Veterinary Journal, 262, 105505. https://doi.org/https://doi.org/10.1016/j.tvjl.2020.105505.

Carmen Marcelo, W. L., & Roque Seminario, J. J. (2022). Chatbot para el aprendizaje de la prevención de enfermedades de mascotas para veterinarias Piura-2022.

Estrada-Carvajal, V., Calvo, M. C., Montero, R. M., & Madrigal, W. P. (2019). Detección de mastitis subclínica en vacas lecheras por modelos de regresión lineal y algoritmos de inteligencia artificial, San Carlos, Costa Rica. Revista AgroInnovación En El Trópico Húmedo, 2(1), 18–30.

González, N., Río, P., Río, P., Leyva, M. Y., & Faggioni, K. M. (2018). Estudio comparado de las técnicas de Inteligencia Artificial para el diagnóstico de enfermedades en la ganadería.

Gutiérrez, J. F., Frías, T. E. R., Ledesma, M. Á. G., Pérez, N. V. R., & Montalvo, A. F. (2016). Sistema basado en inteligencia artificial para el diagnóstico sobre tipos de cólicos en equinos desarrollado en PROLOG. Pistas Educativas, 38(122).

Kaul, V., Kaul, V., Enslin, S., Enslin, S., Gross, S. A., Gross, S. A., & Gross, S. A. (2020). History of artificial intelligence in medicine. Gastrointestinal Endoscopy. 92 (4), 807 – 812. https://doi.org/10.1016/j.gie.2020.06.040.

Keene, B. W., Keene, B. W., Atkins, C. E., Atkins, C. E., Bonagura, J. D., Bonagura, J. D., Fox, P. R., Fox, P. R., Häggström, J., Häggström, J., Fuentes, V. L., Fuentes, V. L., Oyama, M. A., Oyama, M. A., Rush, J. E., Rush, J. E., Stepien, R. L., Stepien, R. L., Uechi, M., & Uechi, M. (2019). ACVIM consensus guidelines for the diagnosis and treatment of myxomatous mitral valve disease in dogs. Journal of Veterinary Internal Medicine. https://doi.org/10.1111/jvim.15488.

Kim, I., Kang, K., Song, Y., & Kim, T. J. (2022). Application of Artificial Intelligence in Pathology: Trends and Challenges. In Diagnostics (Vol. 12, Issue 11). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/diagnostics12112794

Lakhani, P., Lakhani, P., Sundaram, B., & Sundaram, B. (2017). Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Radiology. https://doi.org/10.1148/radiol.2017162326.

McEvoy, F. J., McEvoy, F. J., Amigo, J. M., & Amigo, J. M. (2013). Using machine learning to classify image features from canine pelvic radiographs: evaluation of partial least squares discriminant analysis and artificial neural network models. Veterinary Radiology & Ultrasound. https://doi.org/10.1111/vru.12003.

Medici, V., Czlonkowska, A., Litwin, T., & Giulivi, C. (2023). Diagnóstico de la enfermedad de Wilson y sus fenotipos usando inteligencia artificial. Magna Scientia UCEVA, 3(1), 54–64.

Pérez, R. S., Olivera, M. V. M., García, O. S., & de la Cruz, D. D. (2017). Desarrollo de una base de datos con imágenes termográficas para uso en algoritmos de visión e inteligencia artificial. Pistas Educativas, 39(125).

Shen, L., Shen, L., Wang, Z., Wang, Z., Visser, L. C., Visser, L. C., Wisner, E. R., Wisner, E. R., Cheng, H., & Cheng, H. (2020). Pilot study: Application of artificial intelligence for detecting left atrial enlargement on canine thoracic radiographs. Veterinary Radiology & Ultrasound. https://doi.org/10.1111/vru.12901.

Wanamaker, M. W., Wanamaker, M. W., Vernau, K. M., Vernau, K. M., Taylor, S. L., Taylor, S. L., Cissell, D. D., Cissell, D. D., Abdelhafez, Y., Abdelhafez, Y., Zwingenberger, A. L., & Zwingenberger, A. L. (2021). Classification of neoplastic and inflammatory brain disease using MRI texture analysis in 119 dogs. Veterinary Radiology & Ultrasound. https://doi.org/10.1111/vru.12962.

Ye, Y., Ye, Y., Ye, Y., Sun, W. W., Sun, W. W., Xu, R. X., Xu, R. X., Selmic, L. E., Selmic, L. E., Sun, M., & Sun, M. (2021). Intraoperative assessment of canine soft tissue sarcoma by deep learning enhanced optical coherence tomography. Veterinary and Comparative Oncology. https://doi.org/10.1111/vco.12747

Zech, J. R., Zech, J., Badgeley, M. A., Badgeley, M. A., Liu, M., Liu, M., Liu, M., Liu, M., Liu, M., Costa, A., Costa, A. B., Titano, J., Titano, J. J., Oermann, E. K., & Oermann, E. K. (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLOS Medicine. https://doi.org/10.1371/journal.pmed.1002683.