se ha leído el artículo
array:25 [ "pii" => "S000173101930393X" "issn" => "00017310" "doi" => "10.1016/j.ad.2019.01.014" "estado" => "S300" "fechaPublicacion" => "2020-04-01" "aid" => "2291" "copyright" => "AEDV" "copyrightAnyo" => "2019" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "sco" "cita" => "Actas Dermosifiliogr. 2020;111:192-5" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 32 "formatos" => array:2 [ "HTML" => 19 "PDF" => 13 ] ] "Traduccion" => array:1 [ "en" => array:20 [ "pii" => "S1578219020300287" "issn" => "15782190" "doi" => "10.1016/j.adengl.2020.03.005" "estado" => "S300" "fechaPublicacion" => "2020-04-01" "aid" => "2291" "copyright" => "AEDV" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "sco" "cita" => "Actas Dermosifiliogr. 2020;111:192-5" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "en" => array:11 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Opinion Article</span>" "titulo" => "Deep Learning and Mathematical Models in Dermatology" "tienePdf" => "en" "tieneTextoCompleto" => "en" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "192" "paginaFinal" => "195" ] ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "<span class="elsevierStyleItalic">Deep learning</span> y DerMATología" ] ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "fig0010" "etiqueta" => "Fig. 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 2238 "Ancho" => 2508 "Tamanyo" => 346979 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at0025" "detalle" => "Fig. " "rol" => "short" ] ] "descripcion" => array:1 [ "en" => "<p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">A, Example of a convolution operation. A computer sees an image (L) as a 4<span class="elsevierStyleHsp" style=""></span>×<span class="elsevierStyleHsp" style=""></span>4 matrix of numbers. Each value of the input image is multiplied by a filter or kernel. Consequently, a new, reduced representation is obtained (a 2<span class="elsevierStyleHsp" style=""></span>×<span class="elsevierStyleHsp" style=""></span>2 feature map). B, Example of a specific operation for the values in the blue box.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Á. Iglesias-Puzas, P. Boixeda" "autores" => array:2 [ 0 => array:2 [ "nombre" => "Á." "apellidos" => "Iglesias-Puzas" ] 1 => array:2 [ "nombre" => "P." "apellidos" => "Boixeda" ] ] ] ] ] "idiomaDefecto" => "en" "Traduccion" => array:1 [ "es" => array:9 [ "pii" => "S000173101930393X" "doi" => "10.1016/j.ad.2019.01.014" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S000173101930393X?idApp=UINPBA000044" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S1578219020300287?idApp=UINPBA000044" "url" => "/15782190/0000011100000003/v1_202005050702/S1578219020300287/v1_202005050702/en/main.assets" ] ] "itemSiguiente" => array:20 [ "pii" => "S0001731019301917" "issn" => "00017310" "doi" => "10.1016/j.ad.2019.02.013" "estado" => "S300" "fechaPublicacion" => "2020-04-01" "aid" => "2226" "copyright" => "AEDV" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "rev" "cita" => "Actas Dermosifiliogr. 2020;111:196-204" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 86 "formatos" => array:2 [ "HTML" => 53 "PDF" => 33 ] ] "es" => array:14 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">REVISIÓN</span>" "titulo" => "Dermatosis purpúricas pigmentadas. Revisión de la literatura científica" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:3 [ 0 => "es" 1 => "es" 2 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "196" "paginaFinal" => "204" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Pigmented Purpuric Dermatosis: A Review of the Literature" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 1 "multimedia" => array:5 [ "identificador" => "fig0045" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => false "mostrarDisplay" => true "figura" => array:1 [ 0 => array:4 [ "imagen" => "fx1.jpeg" "Alto" => 1001 "Ancho" => 1333 "Tamanyo" => 87985 ] ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "I. Martínez Pallás, R. Conejero del Mazo, V. Lezcano Biosca" "autores" => array:3 [ 0 => array:2 [ "nombre" => "I." "apellidos" => "Martínez Pallás" ] 1 => array:2 [ "nombre" => "R." "apellidos" => "Conejero del Mazo" ] 2 => array:2 [ "nombre" => "V." "apellidos" => "Lezcano Biosca" ] ] ] ] "resumen" => array:1 [ 0 => array:3 [ "titulo" => "Graphical abstract" "clase" => "graphical" "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall"><elsevierMultimedia ident="fig0045"></elsevierMultimedia></p></span>" ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S1578219020300317" "doi" => "10.1016/j.adengl.2020.03.007" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S1578219020300317?idApp=UINPBA000044" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0001731019301917?idApp=UINPBA000044" "url" => "/00017310/0000011100000003/v3_202009190646/S0001731019301917/v3_202009190646/es/main.assets" ] "itemAnterior" => array:20 [ "pii" => "S0001731018305295" "issn" => "00017310" "doi" => "10.1016/j.ad.2018.10.013" "estado" => "S300" "fechaPublicacion" => "2020-04-01" "aid" => "2111" "copyright" => "AEDV" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "sco" "cita" => "Actas Dermosifiliogr. 2020;111:189-91" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 18 "formatos" => array:2 [ "HTML" => 11 "PDF" => 7 ] ] "es" => array:11 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Artículo de opinión</span>" "titulo" => "El tratamiento de las verrugas con guarumbo por los zapotecos" "tienePdf" => "es" "tieneTextoCompleto" => "es" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "189" "paginaFinal" => "191" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Guarumbo <span class="elsevierStyleItalic">(Cecropia obtusifolia)</span> for Warts in Zapotec Medicine" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2326 "Ancho" => 1416 "Tamanyo" => 640341 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">A) Ejemplar de guarumbo en el asentamiento zapoteco de Monte Albán en Oaxaca, México. B) Exudado lechoso similar al de la higuera y con propiedades curativas sobre las verrugas.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "A. Fernandez-Flores, M. Llamas Velasco, M. Saeb Lima" "autores" => array:3 [ 0 => array:2 [ "nombre" => "A." "apellidos" => "Fernandez-Flores" ] 1 => array:2 [ "nombre" => "M." "apellidos" => "Llamas Velasco" ] 2 => array:2 [ "nombre" => "M." "apellidos" => "Saeb Lima" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S157821902030038X" "doi" => "10.1016/j.adengl.2018.10.027" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S157821902030038X?idApp=UINPBA000044" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0001731018305295?idApp=UINPBA000044" "url" => "/00017310/0000011100000003/v3_202009190646/S0001731018305295/v3_202009190646/es/main.assets" ] "es" => array:14 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">ARTÍCULO DE OPINIÓN</span>" "titulo" => "<span class="elsevierStyleItalic">Deep learning</span> y DerMATología" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "192" "paginaFinal" => "195" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "Á. Iglesias-Puzas, P. Boixeda" "autores" => array:2 [ 0 => array:4 [ "nombre" => "Á." "apellidos" => "Iglesias-Puzas" "email" => array:1 [ 0 => "alvaroigpu@gmail.com" ] "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">*</span>" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "P." "apellidos" => "Boixeda" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0015" ] ] ] ] "afiliaciones" => array:3 [ 0 => array:3 [ "entidad" => "Servicio de Dermatología, Complejo Hospitalario Universitario de Pontevedra, EOXI Pontevedra-Salnés, Pontevedra, España" "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:3 [ "entidad" => "Unidad de Láser, Servicio de Dermatología, Hospital Ramón y Cajal, Universidad de Alcalá, Madrid, España" "etiqueta" => "b" "identificador" => "aff0010" ] 2 => array:3 [ "entidad" => "Clínica Bioláser La Moraleja, Alcobendas, Madrid, España" "etiqueta" => "c" "identificador" => "aff0015" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Deep Learning and Mathematical Models in Dermatology" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 2185 "Ancho" => 2508 "Tamanyo" => 350436 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">a. Ejemplo de una operación convolucional. Un ordenador ve una imagen (L) como una matriz de números de 4<span class="elsevierStyleHsp" style=""></span>×<span class="elsevierStyleHsp" style=""></span>4. Cada valor de la imagen de entrada se multiplica por un filtro o <span class="elsevierStyleItalic">kernel</span>. Como resultado se obtiene una nueva representación reducida (mapa de características de 2<span class="elsevierStyleHsp" style=""></span>×<span class="elsevierStyleHsp" style=""></span>2). b. Ejemplo de una operación concreta para los valores en el recuadro azul.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><p id="par0005" class="elsevierStylePara elsevierViewall">La irrupción de nuevas tecnologías y el manejo de una cantidad enorme de datos han revolucionado el conocimiento en todas sus áreas. Su influencia es cada vez más determinante en la medicina, la economía, la educación, las humanidades y en cualquier otro aspecto de nuestras sociedades.</p><p id="par0010" class="elsevierStylePara elsevierViewall">La práctica clínica del dermatólogo se ve afectada por la inevitabilidad del cambio<a class="elsevierStyleCrossRef" href="#bib0105"><span class="elsevierStyleSup">1</span></a>. La aplicación de las nuevas terapias dirigidas ha cambiado nuestros protocolos de tratamiento para algunas enfermedades como la psoriasis, la dermatitis atópica o el melanoma avanzado. Gracias a estos avances, nos hemos posicionado a la vanguardia de la inmunología, la terapia génica, la nanotecnología o la telemedicina<a class="elsevierStyleCrossRef" href="#bib0110"><span class="elsevierStyleSup">2</span></a>.</p><p id="par0015" class="elsevierStylePara elsevierViewall">De forma paralela, el impulso tecnológico ha supuesto una explosión en la generación de datos digitales, la mejora de algoritmos y el perfeccionamiento del hardware informático<a class="elsevierStyleCrossRef" href="#bib0115"><span class="elsevierStyleSup">3</span></a>. En la era de la tecnología, la innovación exige no solo el desarrollo de nuevos fármacos, sino también de nuevas técnicas y métodos diagnósticos que mejoren la atención de nuestros pacientes<a class="elsevierStyleCrossRef" href="#bib0105"><span class="elsevierStyleSup">1</span></a>.</p><p id="par0020" class="elsevierStylePara elsevierViewall">La aplicación de modelos matemáticos para la explicación de cuestiones médicas y biológicas es una realidad. Recientemente, la descripción de los «escutoides» como una nueva forma geométrica ha permitido explicar la arquitectura y el empaquetamiento de los epitelios curvos, abriendo el camino para entender la organización tridimensional de los órganos epiteliales<a class="elsevierStyleCrossRef" href="#bib0120"><span class="elsevierStyleSup">4</span></a>. En el ámbito de la dermatología, la geometría «fractal» se ha utilizado como un método para la evaluación de las lesiones melanocíticas. El análisis de la «lagunaridad», inicialmente descrita para caracterizar objetos geométricos irregulares cuya estructura se repite en diferentes escalas («fractales»), permitió distinguir entre un nevus y un melanoma con una sensibilidad y una especificidad del 92 y el 81%, respectivamente<a class="elsevierStyleCrossRef" href="#bib0125"><span class="elsevierStyleSup">5</span></a>.</p><p id="par0025" class="elsevierStylePara elsevierViewall">En la era del conocimiento globalizado en que estamos entrando, todo lo que pueda ser automatizado o calculado, probablemente acabará siéndolo. Durante los últimos años, la medicina se ha estandarizado y regulado para facilitar el diagnóstico y el tratamiento de un gran número de enfermedades. Sin embargo, el uso de algoritmos en la práctica clínica potencia la aplicación de la inteligencia artificial en la toma de decisiones médicas<a class="elsevierStyleCrossRef" href="#bib0105"><span class="elsevierStyleSup">1</span></a>.</p><p id="par0030" class="elsevierStylePara elsevierViewall">El denominado <span class="elsevierStyleItalic">machine learning</span>, aprendizaje automático o automatizado en español, es una forma de inteligencia artificial que tiene como objetivo desarrollar técnicas para que los ordenadores aprendan. De forma genérica, se refiere a la amplia gama de algoritmos que realizan predicciones inteligentes derivadas del análisis automático de un amplio conjunto de datos<a class="elsevierStyleCrossRefs" href="#bib0115"><span class="elsevierStyleSup">3,6</span></a>. El aprendizaje automatizado es, por tanto, un concepto amplio que abarca desde formas simples de árboles de decisión o regresión lineal a complejas redes neuronales artificiales donde los datos se cuentan por millones<a class="elsevierStyleCrossRef" href="#bib0115"><span class="elsevierStyleSup">3</span></a>.</p><p id="par0035" class="elsevierStylePara elsevierViewall">El método científico basado en la extrapolación de datos a través de muestreos aleatorios era un síntoma de nuestra incapacidad para analizar e interpretar todos los datos<a class="elsevierStyleCrossRef" href="#bib0135"><span class="elsevierStyleSup">7</span></a>. El <span class="elsevierStyleItalic">deep learning</span>, o aprendizaje profundo, surge como una herramienta computacional para dar respuesta a esta nueva necesidad.</p><p id="par0040" class="elsevierStylePara elsevierViewall">Las redes neuronales artificiales, inspiradas en las células de la corteza cerebral, constituyen la base de aplicación del aprendizaje profundo<a class="elsevierStyleCrossRef" href="#bib0140"><span class="elsevierStyleSup">8</span></a>. Este entramado permite la representación de datos de alto nivel, creando millones de parámetros para la segmentación, la clasificación y la detección de imágenes<a class="elsevierStyleCrossRefs" href="#bib0115"><span class="elsevierStyleSup">3,9</span></a>. En concreto, las redes neuronales convolucionales (CNN, del inglés <span class="elsevierStyleItalic">convolutional neural network</span>) y su propuesta de percepción multicapa han revolucionado el concepto de detección de patrones en la imagen médica<a class="elsevierStyleCrossRefs" href="#bib0115"><span class="elsevierStyleSup">3,6</span></a>. Estas redes combinan múltiples capas de aprendizaje especializadas y jerarquizadas con filtros sofisticados que forman redes neuronales profundas para detectar formas complejas.</p><p id="par0045" class="elsevierStylePara elsevierViewall">Las capas convolucionales reciben una entrada que transforman y transmiten a la siguiente. Esta modificación (operación convolucional) se realiza a través de filtros o detectores de patrones establecidos <span class="elsevierStyleItalic">(kernel)</span> que producen una nueva representación reducida y cada vez más abstracta de la entrada (mapas de características <span class="elsevierStyleItalic">o feature maps</span>). Las capas de clasificación o <span class="elsevierStyleItalic">pooling</span> agregan datos similares tomando la media, el máximo u otras estadísticas de los mapas de características, reduciendo así la variabilidad de los datos. Las capas finales (totalmente conectadas) clasifican los datos en una determinada etiqueta tras realizar operaciones de normalización y rectificación. De esta forma, la imagen de entrada se modela a través de sucesivas operaciones convolucionales y no lineales hasta que se transforma en una distribución de probabilidad sobre la posible pertenencia a una clase de la imagen<a class="elsevierStyleCrossRef" href="#bib0145"><span class="elsevierStyleSup">9</span></a> (<a class="elsevierStyleCrossRefs" href="#fig0005">figs. 1 y 2</a>).</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia><elsevierMultimedia ident="fig0010"></elsevierMultimedia><p id="par0050" class="elsevierStylePara elsevierViewall">El aprendizaje profundo avanza hacia su objetivo último: la inteligencia artificial<a class="elsevierStyleCrossRef" href="#bib0140"><span class="elsevierStyleSup">8</span></a>. La mayoría de los modelos de predicción relevantes para la imagen médica se instruyen mediante colecciones de ejemplos etiquetados anteriormente (aprendizaje supervisado)<a class="elsevierStyleCrossRefs" href="#bib0115"><span class="elsevierStyleSup">3,8</span></a>. Los grandes avances informáticos de los últimos años permiten a las redes neuronales asimilar un gran número de datos. Esto aumenta las conexiones entre las diferentes capas (neuronas), permitiendo que trabajen cooperativamente en la resolución de casos cada vez más complejos<a class="elsevierStyleCrossRef" href="#bib0145"><span class="elsevierStyleSup">9</span></a>. Más allá de esto, el gran avance de las redes neuronales radica en que, a diferencia de la inteligencia artificial tradicional, estas pueden elaborar de forma autónoma las normas que les permitan clasificar una determinada característica a partir de datos sin procesar<a class="elsevierStyleCrossRefs" href="#bib0115"><span class="elsevierStyleSup">3,9–11</span></a>. Es decir, aprenden por sí mismas, optimizando sus predicciones y mejorando su eficacia.</p><p id="par0055" class="elsevierStylePara elsevierViewall">Por todo esto, las CNN muestran un potencial prometedor en la imagen médica. Especialidades como la dermatología, la radiología o la anatomía patológica son el ámbito de aplicación ideal para sistemas basados en la clasificación, la segmentación y la detección de imágenes<a class="elsevierStyleCrossRef" href="#bib0115"><span class="elsevierStyleSup">3</span></a>.</p><p id="par0060" class="elsevierStylePara elsevierViewall">En el año 2017, Esteva et al.<a class="elsevierStyleCrossRef" href="#bib0130"><span class="elsevierStyleSup">6</span></a> describieron la aplicación de las CNN para la evaluación clínica de lesiones cutáneas. En este trabajo compararon la capacidad diagnóstica de 21 dermatólogos expertos con una CNN entrenada con 127.463 imágenes para la clasificación binaria (benigna o maligna) de lesiones de origen epidérmico y melanocítico. Los especialistas identificaron un 95% de los tumores malignos y un 76% de las lesiones benignas, mientras que la máquina realizó diagnósticos correctos en un 96 y un 90% de los casos, respectivamente. En otro trabajo, un algoritmo de fusión de aprendizaje automatizado superó el rendimiento de la mayoría de los dermatólogos en la clasificación de 100 imágenes dermatoscópicas de nevus y melanoma<a class="elsevierStyleCrossRef" href="#bib0160"><span class="elsevierStyleSup">12</span></a>.</p><p id="par0065" class="elsevierStylePara elsevierViewall">La aplicación de las redes neuronales a la dermatología no se limita al cáncer cutáneo. DeepGestalt es un sistema diseñado para la identificación de fenotipos faciales de trastornos genéticos que combina métodos de visión e inteligencia artificial. Este programa se mostró superior a los clínicos para la detección de síndromes y podría ampliar el rendimiento de las pruebas genéticas<a class="elsevierStyleCrossRef" href="#bib0165"><span class="elsevierStyleSup">13</span></a>. Han et al. evaluaron la precisión de una CNN entrenada con 49.567 imágenes para el diagnóstico de onicomicosis. De nuevo, un sistema basado en el aprendizaje profundo superaba a la mayoría de los dermatólogos que participaron en el estudio<a class="elsevierStyleCrossRef" href="#bib0170"><span class="elsevierStyleSup">14</span></a>.</p><p id="par0070" class="elsevierStylePara elsevierViewall">En el último año se ha producido una explosión de trabajos. El avance de estos sistemas parece imparable y, en este sentido, surgen preguntas obligadas: ¿sustituirán estos sistemas algún día la figura del dermatólogo?, ¿cómo se integrarán estos cambios en el futuro de la especialidad?<a class="elsevierStyleCrossRefs" href="#bib0175"><span class="elsevierStyleSup">15,16</span></a>.</p><p id="par0075" class="elsevierStylePara elsevierViewall">Las decisiones terapéuticas o los algoritmos diagnósticos podrán realizarse con una mayor evidencia científica. Los ordenadores, con su capacidad ilimitada de aprendizaje, sustituirán en muchos aspectos lo que hoy es competencia exclusiva del juicio humano. Los denominados <span class="elsevierStyleItalic">big data</span> hacen referencia a un conjunto de datos o combinación de conjunto de datos de un volumen, complejidad y velocidad de crecimiento tales que hacen imposible su procesamiento y análisis mediante tecnologías y herramientas convencionales. Su análisis nos permitirá obviar los sesgos ineludibles que genera la aleatoriedad. El éxito de la inteligencia artificial dependerá de la colaboración del dermatólogo en el desarrollo de algoritmos adecuados y grandes archivos públicos que permitan generalizar los resultados<a class="elsevierStyleCrossRef" href="#bib0185"><span class="elsevierStyleSup">17</span></a>. La tecnología del <span class="elsevierStyleItalic">blockchain</span> o «cadena de bloques» se extenderá más allá de sus aplicaciones financieras <span class="elsevierStyleItalic">(Bitcoin).</span> Esto hará posible el almacenamiento e intercambio de imágenes codificadas, ofreciendo una solución a la privacidad, la seguridad y la distribución de los datos<a class="elsevierStyleCrossRef" href="#bib0190"><span class="elsevierStyleSup">18</span></a>.</p><p id="par0080" class="elsevierStylePara elsevierViewall">A pesar de los potenciales beneficios de la inteligencia artificial, se desconocen muchos aspectos relacionados con su aplicación<a class="elsevierStyleCrossRef" href="#bib0195"><span class="elsevierStyleSup">19</span></a>. La mayoría de estos sistemas no ha sido evaluado en un entorno clínico real. En la práctica, se requieren más criterios que el morfológico para la toma de decisiones médicas<a class="elsevierStyleCrossRef" href="#bib0180"><span class="elsevierStyleSup">16</span></a>. El manejo de un paciente es un proceso complejo y multifactorial que considera, además de datos clínicos, vías alternativas (por ejemplo, el seguimiento estrecho) a las variables dicotómicas computacionales («benigno/maligno», «extirpación/no requiere tratamiento»)<a class="elsevierStyleCrossRefs" href="#bib0115"><span class="elsevierStyleSup">3,16</span></a>. Los modelos matemáticos no proporcionan un diagnóstico, sino una probabilidad diagnóstica, un valor entre 0 y 1 que en el futuro podría orientar a médicos menos experimentados o servir incluso como método de cribado, siempre como un sistema que complementa, pero no reemplaza las capacidades de un dermatólogo<a class="elsevierStyleCrossRefs" href="#bib0175"><span class="elsevierStyleSup">15,20</span></a>.</p><p id="par0085" class="elsevierStylePara elsevierViewall">Los algoritmos se incluirán en la práctica dermatológica y aumentarán su precisión diagnóstica en manos expertas<a class="elsevierStyleCrossRef" href="#bib0160"><span class="elsevierStyleSup">12</span></a>. Sin embargo, en la relación médico-paciente, la información y el conocimiento suponen solamente uno de los peldaños para ejercer una medicina de calidad. Los factores humanos seguirán teniendo un peso irremplazable por los ordenadores. Otros aspectos ineludibles en el buen hacer profesional, como la empatía y el acompañamiento del paciente, el sentido común, la creatividad, la pasión, la motivación y la innovación, harán irremplazable la figura del dermatólogo.</p><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0005">Conflicto de intereses</span><p id="par0090" class="elsevierStylePara elsevierViewall">Los autores declaran no tener ningún conflicto de intereses.</p></span></span>" "textoCompletoSecciones" => array:1 [ "secciones" => array:2 [ 0 => array:2 [ "identificador" => "sec0005" "titulo" => "Conflicto de intereses" ] 1 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "multimedia" => array:2 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1275 "Ancho" => 2508 "Tamanyo" => 336035 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Modelo de funcionamiento de una red neuronal convolucional. La imagen de entrada se transforma a través de las sucesivas capas (convolucionales y de <span class="elsevierStyleItalic">pooling</span>). Las capas finales (totalmente conectadas) clasifican los datos en un determinado diagnóstico<a class="elsevierStyleCrossRef" href="#bib0155"><span class="elsevierStyleSup">11</span></a>.</p>" ] ] 1 => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 2185 "Ancho" => 2508 "Tamanyo" => 350436 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">a. Ejemplo de una operación convolucional. Un ordenador ve una imagen (L) como una matriz de números de 4<span class="elsevierStyleHsp" style=""></span>×<span class="elsevierStyleHsp" style=""></span>4. Cada valor de la imagen de entrada se multiplica por un filtro o <span class="elsevierStyleItalic">kernel</span>. Como resultado se obtiene una nueva representación reducida (mapa de características de 2<span class="elsevierStyleHsp" style=""></span>×<span class="elsevierStyleHsp" style=""></span>2). b. Ejemplo de una operación concreta para los valores en el recuadro azul.</p>" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:20 [ 0 => array:3 [ "identificador" => "bib0105" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The inevitability of change" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "R.A. El-Azhary" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.clindermatol.2018.09.003" "Revista" => array:6 [ "tituloSerie" => "Clin Dermatol." "fecha" => "2019" "volumen" => "37" "paginaInicial" => "4" "paginaFinal" => "11" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30554621" "web" => "Medline" ] ] ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib0110" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Training the next generation of innovators in dermatology" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "S. Xu" 1 => "J. Allred" 2 => "B. Kirsch" 3 => "A. Raff" 4 => "R.R. Anderson" 5 => "W. Ju" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jid.2016.08.028" "Revista" => array:6 [ "tituloSerie" => "J Invest Dermatol." "fecha" => "2016" "volumen" => "136" "paginaInicial" => "2113" "paginaFinal" => "2115" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27772542" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0115" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Machine learning: Applications of artificial intelligence to imaging and diagnosis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "J.A. Nichols" 1 => "H.W. Herbert Chan" 2 => "M.A.B. Baker" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s12551-018-0449-9" "Revista" => array:6 [ "tituloSerie" => "Biophys Rev." "fecha" => "2019" "volumen" => "11" "paginaInicial" => "111" "paginaFinal" => "118" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30182201" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0120" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Scutoids are a geometrical solution to three-dimensional packing of epithelia" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "P. Gomez-Galvez" 1 => "P. Vicente-Munuera" 2 => "A. Tagua" 3 => "C. Forja" 4 => "A.M. Castro" 5 => "M. Letran" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Nat Commun." "fecha" => "2018" "volumen" => "9" "paginaInicial" => "2960" ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0125" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Lacunarity analysis: A promising method for the automated assessment of melanocytic naevi and melanoma" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "S. Gilmore" 1 => "R. Hofmann-Wellenhof" 2 => "J. Muir" 3 => "H.P. Soyer" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1371/journal.pone.0007449" "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2009" "volumen" => "4" "paginaInicial" => "e7449" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19823688" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0130" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Dermatologist-level classification of skin cancer with deep neural networks" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Esteva" 1 => "B. Kuprel" 2 => "R.A. Novoa" 3 => "J. Ko" 4 => "S.M. Swetter" 5 => "H.M. Blau" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/nature21056" "Revista" => array:6 [ "tituloSerie" => "Nature." "fecha" => "2017" "volumen" => "542" "paginaInicial" => "115" "paginaFinal" => "118" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28117445" "web" => "Medline" ] ] ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0135" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Using “big data” to optimize public health outreach: Answering the call to action" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "R.F. Williams" 1 => "G.P. Smith" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jamadermatol.2014.3176" "Revista" => array:6 [ "tituloSerie" => "JAMA Dermatol." "fecha" => "2015" "volumen" => "151" "paginaInicial" => "367" "paginaFinal" => "368" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25390275" "web" => "Medline" ] ] ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib0140" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning and its applications in biomedicine" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C. Cao" 1 => "F. Liu" 2 => "H. Tan" 3 => "D. Song" 4 => "W. Shu" 5 => "W. Li" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.gpb.2017.07.003" "Revista" => array:6 [ "tituloSerie" => "Genomics Proteomics Bioinformatics." "fecha" => "2018" "volumen" => "16" "paginaInicial" => "17" "paginaFinal" => "32" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29522900" "web" => "Medline" ] ] ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib0145" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning for image analysis: Personalizing medicine closer to the point of care" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Q. Xie" 1 => "K. Faust" 2 => "R. van Ommeren" 3 => "A. Sheikh" 4 => "U. Djuric" 5 => "P. Diamandis" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/10408363.2018.1536111" "Revista" => array:6 [ "tituloSerie" => "Crit Rev Clin Lab Sci." "fecha" => "2019" "volumen" => "56" "paginaInicial" => "61" "paginaFinal" => "73" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30628494" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0150" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Successful treatment of scleromyxedema with melphalan and dexamethasone followed by thalidomide maintenance therapy" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "X.X. Cao" 1 => "T. Wang" 2 => "Y.H. Liu" 3 => "D.B. Zhou" 4 => "J. Li" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/10428194.2016.1177183" "Revista" => array:6 [ "tituloSerie" => "Leuk Lymphoma." "fecha" => "2016" "volumen" => "57" "paginaInicial" => "2934" "paginaFinal" => "2936" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27118492" "web" => "Medline" ] ] ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib0155" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A guide to deep learning in healthcare" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Esteva" 1 => "A. Robicquet" 2 => "B. Ramsundar" 3 => "V. Kuleshov" 4 => "M. DePristo" 5 => "K. Chou" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41591-018-0316-z" "Revista" => array:6 [ "tituloSerie" => "Nat Med." "fecha" => "2019" "volumen" => "25" "paginaInicial" => "24" "paginaFinal" => "29" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30617335" "web" => "Medline" ] ] ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib0160" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Results of the 2016 International Skin Imaging Collaboration International Symposium on Biomedical Imaging challenge: Comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M.A. Marchetti" 1 => "N.C.F. Codella" 2 => "S.W. Dusza" 3 => "D.A. Gutman" 4 => "B. Helba" 5 => "A. Kalloo" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jaad.2017.08.016" "Revista" => array:6 [ "tituloSerie" => "J Am Acad Dermatol." "fecha" => "2018" "volumen" => "78" "paginaInicial" => "270" "paginaFinal" => "277.e1" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28969863" "web" => "Medline" ] ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib0165" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Identifying facial phenotypes of genetic disorders using deep learning" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "Y. Gurovich" 1 => "Y. Hanani" 2 => "O. Bar" 3 => "G. Nadav" 4 => "N. Fleischer" 5 => "D. Gelbman" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41591-018-0279-0" "Revista" => array:6 [ "tituloSerie" => "Nat Med." "fecha" => "2019" "volumen" => "25" "paginaInicial" => "60" "paginaFinal" => "64" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30617323" "web" => "Medline" ] ] ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib0170" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep neural networks show an equivalent and often superior performance to dermatologists in onychomycosis diagnosis: Automatic construction of onychomycosis datasets by region-based convolutional deep neural network" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "S.S. Han" 1 => "G.H. Park" 2 => "W. Lim" 3 => "M.S. Kim" 4 => "J.I. Na" 5 => "I. Park" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1371/journal.pone.0191493" "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2018" "volumen" => "13" "paginaInicial" => "e0191493" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29352285" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib0175" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Cutting edge technology in dermatology: Virtual reality and artificial intelligence" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "G. Prado" 1 => "C. Kovarik" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Cutis." "fecha" => "2018" "volumen" => "101" "paginaInicial" => "236" "paginaFinal" => "237" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29763481" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib0180" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence and melanoma diagnosis: Ignoring human nature may lead to false predictions" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "A. Lallas" 1 => "G. Argenziano" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.5826/dpc.0804a01" "Revista" => array:6 [ "tituloSerie" => "Dermatol Pract Concept." "fecha" => "2018" "volumen" => "8" "paginaInicial" => "249" "paginaFinal" => "251" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30479851" "web" => "Medline" ] ] ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib0185" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Skin cancer classification using convolutional neural networks: Systematic review" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "T.J. Brinker" 1 => "A. Hekler" 2 => "J.S. Utikal" 3 => "N. Grabe" 4 => "D. Schadendorf" 5 => "J. Klode" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2196/11936" "Revista" => array:5 [ "tituloSerie" => "J Med Internet Res." "fecha" => "2018" "volumen" => "20" "paginaInicial" => "e11936" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30333097" "web" => "Medline" ] ] ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib0190" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Beyond Bitcoin: Potential applications of blockchain technology in dermatology" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "J.K. Tung" 1 => "V.E. Nambudiri" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1111/bjd.16922" "Revista" => array:6 [ "tituloSerie" => "Br J Dermatol." "fecha" => "2018" "volumen" => "179" "paginaInicial" => "1013" "paginaFinal" => "1014" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29947078" "web" => "Medline" ] ] ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib0195" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "How should artificial intelligence screen for skin cancer and deliver diagnostic predictions to patients?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "G.A. Zakhem" 1 => "C.C. Motosko" 2 => "R.S. Ho" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jamadermatol.2018.2714" "Revista" => array:6 [ "tituloSerie" => "JAMA Dermatol." "fecha" => "2018" "volumen" => "154" "paginaInicial" => "1383" "paginaFinal" => "1384" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30140854" "web" => "Medline" ] ] ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib0200" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "How I learned to stop worrying and love machine learning" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "S. Mattessich" 1 => "M. Tassavor" 2 => "S.M. Swetter" 3 => "J.M. Grant-Kels" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.clindermatol.2018.06.003" "Revista" => array:6 [ "tituloSerie" => "Clin Dermatol." "fecha" => "2018" "volumen" => "36" "paginaInicial" => "777" "paginaFinal" => "778" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30446202" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/00017310/0000011100000003/v3_202009190646/S000173101930393X/v3_202009190646/es/main.assets" "Apartado" => array:4 [ "identificador" => "6218" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Artículos de opinión" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/00017310/0000011100000003/v3_202009190646/S000173101930393X/v3_202009190646/es/main.pdf?idApp=UINPBA000044&text.app=https://actasdermo.org/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S000173101930393X?idApp=UINPBA000044" ]
año/Mes | Html | Total | |
---|---|---|---|
2024 Noviembre | 19 | 11 | 30 |
2024 Octubre | 140 | 63 | 203 |
2024 Septiembre | 106 | 34 | 140 |
2024 Agosto | 148 | 69 | 217 |
2024 Julio | 108 | 37 | 145 |
2024 Junio | 121 | 59 | 180 |
2024 Mayo | 139 | 37 | 176 |
2024 Abril | 116 | 30 | 146 |
2024 Marzo | 126 | 48 | 174 |
2024 Febrero | 108 | 38 | 146 |
2024 Enero | 144 | 32 | 176 |
2023 Diciembre | 110 | 25 | 135 |
2023 Noviembre | 95 | 32 | 127 |
2023 Octubre | 97 | 40 | 137 |
2023 Septiembre | 84 | 30 | 114 |
2023 Agosto | 72 | 20 | 92 |
2023 Julio | 106 | 36 | 142 |
2023 Junio | 88 | 25 | 113 |
2023 Mayo | 131 | 28 | 159 |
2023 Abril | 72 | 28 | 100 |
2023 Marzo | 106 | 46 | 152 |
2023 Febrero | 93 | 21 | 114 |
2023 Enero | 51 | 21 | 72 |
2022 Diciembre | 89 | 30 | 119 |
2022 Noviembre | 91 | 39 | 130 |
2022 Octubre | 152 | 48 | 200 |
2022 Septiembre | 111 | 51 | 162 |
2022 Agosto | 110 | 55 | 165 |
2022 Julio | 115 | 43 | 158 |
2022 Junio | 113 | 45 | 158 |
2022 Mayo | 94 | 36 | 130 |
2022 Abril | 70 | 34 | 104 |
2022 Marzo | 79 | 50 | 129 |
2022 Febrero | 97 | 27 | 124 |
2022 Enero | 127 | 35 | 162 |
2021 Diciembre | 58 | 38 | 96 |
2021 Noviembre | 106 | 46 | 152 |
2021 Octubre | 80 | 56 | 136 |
2021 Septiembre | 76 | 51 | 127 |
2021 Agosto | 92 | 46 | 138 |
2021 Julio | 71 | 34 | 105 |
2021 Junio | 89 | 29 | 118 |
2021 Mayo | 91 | 55 | 146 |
2021 Abril | 208 | 46 | 254 |
2021 Marzo | 93 | 32 | 125 |
2021 Febrero | 97 | 39 | 136 |
2021 Enero | 75 | 19 | 94 |
2020 Diciembre | 59 | 30 | 89 |
2020 Noviembre | 73 | 30 | 103 |
2020 Octubre | 57 | 23 | 80 |
2020 Septiembre | 96 | 31 | 127 |
2020 Agosto | 89 | 37 | 126 |
2020 Julio | 73 | 17 | 90 |
2020 Junio | 79 | 45 | 124 |
2020 Mayo | 249 | 69 | 318 |
2020 Abril | 28 | 22 | 50 |
2020 Marzo | 20 | 10 | 30 |
2020 Febrero | 17 | 5 | 22 |
2020 Enero | 11 | 11 | 22 |