El análisis de imágenes basado en el aprendizaje automático identifica de forma fiable las neoplasias malignas hematológicas
Aspirado de médula ósea que muestra leucemia mieloide aguda. Varias voladuras tienen varillas de Auer. Crédito: Wikipedia
El síndrome mielodisplásico (SMD) es una enfermedad de las células madre de la médula ósea, que altera la maduración y diferenciación de las células sanguíneas. Anualmente, unos 200 finlandeses son diagnosticados con MDS, que puede convertirse en leucemia aguda. A nivel mundial, la incidencia de MDS es de 4 casos por 100.000 años-persona.
Para diagnosticar MDS, se necesita una muestra de médula ósea para investigar también los cambios genéticos en las células de la médula ósea. El síndrome se clasifica en grupos para determinar la naturaleza del trastorno con más detalle.
En el estudio realizado en la Universidad de Helsinki, se examinaron imágenes microscópicas de muestras de médula ósea de pacientes con SMD utilizando una técnica de análisis de imágenes. basado en el aprendizaje automático. Las muestras se tiñeron con hematoxilina y eosina (tinción H&E), un procedimiento que forma parte del diagnóstico de rutina de la enfermedad. Las diapositivas se digitalizaron y analizaron con la ayuda de modelos computacionales de aprendizaje profundo.
El estudio se publicó en Blood Cancer Discovery, una revista de la Asociación Estadounidense para la Investigación del Cáncer, y los resultados también se pueden explorar con una herramienta interactiva: hruh-20.it.helsinki.fi/mds_visualization/ .
Al emplear el aprendizaje automático, el conjunto de datos de imágenes digitales podría analizarse para identificar con precisión las mutaciones genéticas más comunes que afectan la progresión del síndrome , como mutaciones adquiridas y aberraciones cromosómicas. Cuanto mayor sea el número de células aberrantes en las muestras, mayor será la fiabilidad de los resultados generados por los modelos de pronóstico.
Diagnóstico respaldado por análisis de datos
Uno de los mayores desafíos de utilizar modelos de redes neuronales es comprender los criterios en los que basan sus conclusiones extraídas de los datos, como la información contenida en las imágenes. El estudio publicado recientemente logró determinar qué ven los modelos de aprendizaje profundo en muestras de tejido cuando se les ha enseñado a buscar, por ejemplo, mutaciones genéticas relacionadas con MDS. La técnica proporciona nueva información sobre los efectos de enfermedades complejas en las células de la médula ósea y los tejidos circundantes.
«El estudio confirma que el análisis computacional ayuda a identificar características que escapan al ojo humano. Además, el análisis de datos ayuda a recopilar datos cuantitativos sobre los cambios celulares y su relevancia para el pronóstico del paciente», dice el profesor Satu Mustjoki.
Parte de los análisis realizados en el estudio se implementaron utilizando el entorno de lago de datos del Hospital Universitario de Helsinki (HUS), que permite la recopilación y el análisis eficientes de extensos conjuntos de datos clínicos.
«Hemos desarrollado soluciones para estructurar y analizar los datos almacenados en el lago de datos HUS. El análisis de imágenes nos ayuda a analizar grandes cantidades de biopsias y producir rápidamente diversos información sobre la progresión de la enfermedad. Las técnicas desarrolladas en el proyecto también se adaptan a otros proyectos, y son ejemplos perfectos de la ciencia médica digitalizadora», dice el estudiante de doctorado Os car Bruck.
«[Este] estudio proporciona nuevos conocimientos sobre la patobiología de los síndromes mielodisplásicos y allana el camino para un mayor uso de la inteligencia artificial para la evaluación y el diagnóstico de neoplasias malignas hematológicas», dice Ph.D. Olivier Elemento del Caryl and Israel Englander Institute for Precision Medicine en su comentario al artículo en Blood Cancer Discovery, una revista de la Asociación Estadounidense para la Investigación del Cáncer.
Explore más
Los investigadores identifican dos fármacos que retrasan el desarrollo del cáncer de médula ósea Más información: Oscar Brck et al, Aprendizaje automático de la histopatología de la médula ósea identifica determinantes genéticos y clínicos en pacientes con SMD, Sangre Descubrimiento del cáncer (2021). DOI: 10.1158/2643-3230.BCD-20-0162 Proporcionado por la Universidad de Helsinki Cita: El análisis de imágenes basado en el aprendizaje automático identifica de manera confiable las neoplasias hematológicas (22 de marzo de 2021) recuperado el 30 de agosto de 2022 de https: //medicalxpress.com/news/2021-03-image-analysis-based-machine-reliably.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.