Uso del poder de la inteligencia artificial para detectar enfermedades
Crédito: CC0 Public Domain
Una gran colaboración internacional, dirigida por el profesor Xiu Ying Wang y el profesor Manuel Graeber de la Universidad de Sydney, ha desarrollado un dispositivo artificial innovador y avanzado. aplicación de inteligencia artificial (IA), PathoFusion, que podría usarse para el examen de muestras de tejido de rutina con el fin de identificar indicios de cáncer.
La investigación combina contribuciones de informáticos, neuropatólogos, neurocirujanos, oncólogos médicos y científicos de imágenes médicas.
El profesor Richard Banati de ANSTO, profesor de ciencias de la radiación médica/imágenes médicas, que estudia la inmunidad innata del cerebro usando técnicas avanzadas de imágenes médicas, es coautor del artículo publicado en la revista Cancers.
«La idea detrás de PathoFusion era crear un nuevo modelo avanzado de aprendizaje profundo para reconocer las características malignas y la respuesta inmune marcadores, independientes de la intervención humana, y mapearlos simultáneamente en una imagen digital», explicó Banati.
Los científicos diseñaron específicamente un marco bifocal de aprendizaje profundo que es análogo a cómo trabaja un microscopista en el análisis de imágenes de histopatología. El marco utiliza una red neuronal convolucional (ConvNet/CNN), que se desarrolló originalmente para la clasificación natural de imágenes.
Este algoritmo de aprendizaje profundo puede tomar una imagen de entrada, asignar importancia a varios aspectos/objetos en la imagen y diferenciar uno de otro.
El experimento para evaluar el modelo involucró el examen de tejido de casos de glioblastoma, un cáncer agresivo que afecta el cerebro o la columna vertebral.
El equipo utilizó el aportes expertos de neuropatólogos para ‘entrenar’ el software para marcar características clave.
Los experimentos confirmaron que la aplicación logró un alto nivel de precisión en el reconocimiento y mapeo de seis características neuropatológicas típicas que son marcadores de malignidad.
p>
Pathofusion identificó formas y características estructurales de forma fiable con una precisión del 94 % y una sensibilidad del 94,7 %. y marcadores inmunitarios con una precisión del 96,2 % y una sensibilidad del 96,1 %.
La aplicación combina capas de información sobre tejido muerto o moribundo, la proliferación de vasos sanguíneos microscópicos y otra vasculatura con la expresión de un tumor marcador genético, CD276, en una imagen que combina los datos en un mapa de calor.
La imagen utiliza colores fuertes para representar las características y su distribución. Las técnicas de tinción convencionales a menudo son monocromáticas.
«La investigación confirmó que es posible entrenar redes neuronales de manera efectiva utilizando solo una cantidad relativamente pequeña de casos, lo que debería ser útil para algunos escenarios», dijo Banati.
La investigación tuvo éxito en el entrenamiento eficiente de una red neuronal convolucional para reconocer características clave en portaobjetos teñidos, mejorando el modelo y aumentando la efectividad del reconocimiento de características (con menos casos físicos que los necesarios convencionalmente para el entrenamiento de redes neuronales) y estableciendo un método para incluir datos inmunológicos.
Los patólogos llevan a cabo un laborioso y laborioso trabajo de diagnóstico morfológico de rutina, que examinan portaobjetos individuales bajo un microscopio para marcar y cuantificar las características que son marcadores de enfermedad y proporcionar la información a los médicos.
«Anticipándose a nuevas mejoras de hardware en computación, debería superar la velocidad del reconocimiento de características microscópicas humanas en órdenes de magnitud cuando se usan portaobjetos histológicos completos a alta resolución», dijo el profesor Manuel Graeber de la Universidad de Sydney y Brain and Mind Center. .
«En el futuro, el modelo podría mejorar el flujo de trabajo de una unidad de patología o neuropatología al facilitar los análisis microscópicos o beneficiar a los pacientes en un área sin acceso local a estos servicios», explicó Banati.
Explore más
Enfoque automático de imágenes de microscopía usando aprendizaje profundo Más información: Guoqing Bao et al. PathoFusion: un marco de IA de código abierto para el reconocimiento de características patomorfológicas y mapeo de datos inmunohistoquímicos, cánceres (2021). DOI: 10.3390/cancers13040617 Proporcionado por la Organización Australiana de Ciencia y Tecnología Nuclear (ANSTO) Cita: Uso del poder de la inteligencia artificial para detectar enfermedades (11 de marzo de 2021) consultado el 30 de agosto de 2022 en https://medicalxpress .com/news/2021-03-power-artificial-intelligence-disease.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.