Las nuevas estrategias de IA automatizan las evaluaciones de la sangre almacenada y eliminan la subjetividad humana
Figura A: Automatización basada en aprendizaje profundo supervisada por expertos del método convencional para evaluar la calidad de los glóbulos rojos. Figura B: Método basado en aprendizaje profundo con supervisión débil en el que las redes neuronales aprenden sin expertos. Crédito: Minh Doan, Joseph Sebastian, Tracey Turner, Jason Acker, Michael Kolios, Anne Carpenter
Cada año, casi 120 millones de unidades de sangre donada fluyen de las venas de los donantes a las bolsas de almacenamiento en los centros de recolección de todo el mundo. El fluido se envasa, procesa y reserva para su uso posterior. Pero una vez fuera del cuerpo, los glóbulos rojos (GR) almacenados sufren un deterioro continuo. Para el día 42 en la mayoría de los países, los productos ya no se pueden utilizar.
Durante años, los laboratorios han utilizado exámenes microscópicos expertos para evaluar la calidad de la sangre almacenada. ¿Qué tan viable es una unidad para el día 24? ¿Qué tal el día 37? Dependiendo de lo que perciban los ojos de los técnicos, las respuestas pueden variar. Este proceso manual es laborioso, complejo y subjetivo.
Ahora, después de tres años de investigación, un estudio publicado en Proceedings of the National Academy of Sciences revela dos nuevas estrategias para automatizar el proceso y lograr la calidad objetiva de los glóbulos rojos. puntuación con resultados que igualan e incluso superan la evaluación de expertos.
Las metodologías muestran el potencial de combinar inteligencia artificial con imágenes de última generación para resolver un problema biomédico de larga data. Si se estandariza, podría garantizar evaluaciones más consistentes y precisas, con mayor eficiencia y mejores resultados para los pacientes.
Las máquinas capacitadas coinciden con la evaluación humana experta
La colaboración interdisciplinaria abarcó cinco países, doce instituciones y diecinueve autores, incluidas universidades, institutos de investigación y centros de extracción de sangre en Canadá, EE. UU., Suiza, Alemania y el Reino Unido. La investigación fue dirigida por la bióloga computacional Anne Carpenter del Instituto Broad de Harvard y el MIT, el físico Michael Kolios del Departamento de Física de la Universidad de Ryerson y Jason Acker de los Servicios de Sangre Canadienses.
Primero investigaron si un sistema neuronal Se podría enseñar a la red a «ver» en imágenes de glóbulos rojos las mismas seis categorías de degradación celular que los expertos humanos. Para generar la gran cantidad de imágenes requeridas, la citometría de flujo de imágenes desempeñó un papel crucial. Joseph Sebastian, coautor y estudiante universitario de Ryerson que entonces trabajaba con Kolios, explica.
«Con esta técnica, los glóbulos rojos se suspenden y fluyen a través del citómetro, un instrumento que toma miles de imágenes de células sanguíneas individuales por segundo. . Entonces podemos examinar cada RBC sin manipularlos o dañarlos sin darnos cuenta, lo que a veces sucede durante los exámenes microscópicos».
Los investigadores usaron 40,900 imágenes de células para entrenar las redes neuronales en la clasificación de los RBC en las seis categorías en una colección que es ahora la base de datos de glóbulos rojos disponible gratuitamente más grande del mundo anotada individualmente con las diversas categorías de deterioro.
Cuando se probó, el algoritmo de aprendizaje automático logró un 77 % de acuerdo con los expertos humanos. Aunque una tasa de error del 23 % puede parecer alta, es imposible coincidir perfectamente con el juicio de un experto en esta prueba: incluso los expertos humanos solo están de acuerdo el 83 % de las veces. Por lo tanto, este modelo de aprendizaje automático completamente supervisado podría ser efectivo para reemplazar el tedioso examen visual por parte de humanos con poca pérdida de precisión.
Aún así, el equipo se preguntó: ¿podría una estrategia diferente llevar más allá los límites superiores de precisión? ?
Las máquinas superan la visión humana y detectan sutilezas celulares
En la segunda parte del estudio, los investigadores evitaron por completo la participación humana e idearon un modelo alternativo de aprendizaje profundo «débilmente supervisado» en el que las redes neuronales aprendieron sobre la degradación de los glóbulos rojos por sí mismas.
En lugar de aprender las seis categorías visuales utilizadas por los expertos, las máquinas aprendieron únicamente mediante el análisis de más de un millón de imágenes de glóbulos rojos, sin clasificar y ordenadas solo por la duración del almacenamiento de sangre. tiempo. Eventualmente, las máquinas discernieron correctamente las características en los glóbulos rojos individuales que corresponden al descenso de las células sanas a las no sanas.
«Permitir que la computadora aprenda a sí misma la progresión de los glóbulos rojos almacenados a medida que se degradan es un desarrollo realmente emocionante. , dice Carpenter, «particularmente porque puede capturar cambios más sutiles en las células que los humanos no reconocen». Calidad de glóbulos rojos mejor que el método de evaluación actual de seis categorías utilizado por expertos.
Estrategias de aprendizaje profundo: calidad de la sangre y más
Todavía se necesita más capacitación antes de que el modelo esté listo para las pruebas clínicas , pero el panorama es prometedor. El modelo de aprendizaje automático totalmente supervisado pronto podría automatizar y optimizar el método manual actual, minimizando el manejo de muestras, las discrepancias y los errores de procedimiento en las evaluaciones de la calidad de la sangre.
El segundo marco alternativo de supervisión débil puede eliminar aún más la subjetividad humana. del proceso Las predicciones objetivas y precisas de la calidad de la sangre permitirían a los médicos personalizar mejor los productos sanguíneos para los pacientes. Más allá de la sangre almacenada, la estrategia de aprendizaje profundo basada en el tiempo puede transferirse a otras aplicaciones que implican una progresión cronológica, como la propagación del cáncer.
«La gente solía preguntar cuál es la alternativa al proceso manual». dice Kolios. «Ahora, hemos desarrollado un enfoque que integra desarrollos de vanguardia de varias disciplinas, incluida la biología computacional, la medicina transfusional y la física médica. Es un testimonio de cómo la tecnología y la ciencia ahora se interconectan para resolver los problemas biomédicos actuales».
Explore más
Los glóbulos rojos sintéticos imitan a los naturales y tienen nuevas habilidades Más información: Minh Doan et al, Evaluación objetiva de la calidad de la sangre almacenada mediante aprendizaje profundo, PNAS 24 de agosto de 2020 doi.org/10.1073/pnas.2001227117 Información de la revista: Procedimientos de la Academia Nacional de Ciencias
Proporcionado por la Universidad de Ryerson Cita: Las nuevas estrategias de IA automatizan las evaluaciones de sangre almacenada, eliminar la subjetividad humana (24 de agosto de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-08-ai-strategies-automate-blood-human.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.