Figura A: Automatizaci\u00f3n basada en aprendizaje profundo supervisada por expertos del m\u00e9todo convencional para evaluar la calidad de los gl\u00f3bulos rojos. Figura B: M\u00e9todo basado en aprendizaje profundo con supervisi\u00f3n d\u00e9bil en el que las redes neuronales aprenden sin expertos. Cr\u00e9dito: Minh Doan, Joseph Sebastian, Tracey Turner, Jason Acker, Michael Kolios, Anne Carpenter <\/p>\n
Cada a\u00f1o, casi 120 millones de unidades de sangre donada fluyen de las venas de los donantes a las bolsas de almacenamiento en los centros de recolecci\u00f3n de todo el mundo. El fluido se envasa, procesa y reserva para su uso posterior. Pero una vez fuera del cuerpo, los gl\u00f3bulos rojos (GR) almacenados sufren un deterioro continuo. Para el d\u00eda 42 en la mayor\u00eda de los pa\u00edses, los productos ya no se pueden utilizar. <\/p>\n
Durante a\u00f1os, los laboratorios han utilizado ex\u00e1menes microsc\u00f3picos expertos para evaluar la calidad de la sangre almacenada. \u00bfQu\u00e9 tan viable es una unidad para el d\u00eda 24? \u00bfQu\u00e9 tal el d\u00eda 37? Dependiendo de lo que perciban los ojos de los t\u00e9cnicos, las respuestas pueden variar. Este proceso manual es laborioso, complejo y subjetivo.<\/p>\n
Ahora, despu\u00e9s de tres a\u00f1os de investigaci\u00f3n, 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 gl\u00f3bulos rojos. puntuaci\u00f3n con resultados que igualan e incluso superan la evaluaci\u00f3n de expertos.<\/p>\n
Las metodolog\u00edas muestran el potencial de combinar inteligencia artificial con im\u00e1genes de \u00faltima generaci\u00f3n para resolver un problema biom\u00e9dico de larga data. Si se estandariza, podr\u00eda garantizar evaluaciones m\u00e1s consistentes y precisas, con mayor eficiencia y mejores resultados para los pacientes.<\/p>\n
Las m\u00e1quinas capacitadas coinciden con la evaluaci\u00f3n humana experta<\/p>\n
La colaboraci\u00f3n interdisciplinaria abarc\u00f3 cinco pa\u00edses, doce instituciones y diecinueve autores, incluidas universidades, institutos de investigaci\u00f3n y centros de extracci\u00f3n de sangre en Canad\u00e1, EE. UU., Suiza, Alemania y el Reino Unido. La investigaci\u00f3n fue dirigida por la bi\u00f3loga computacional Anne Carpenter del Instituto Broad de Harvard y el MIT, el f\u00edsico Michael Kolios del Departamento de F\u00edsica de la Universidad de Ryerson y Jason Acker de los Servicios de Sangre Canadienses.<\/p>\n
Primero investigaron si un sistema neuronal Se podr\u00eda ense\u00f1ar a la red a \u00abver\u00bb en im\u00e1genes de gl\u00f3bulos rojos las mismas seis categor\u00edas de degradaci\u00f3n celular que los expertos humanos. Para generar la gran cantidad de im\u00e1genes requeridas, la citometr\u00eda de flujo de im\u00e1genes desempe\u00f1\u00f3 un papel crucial. Joseph Sebastian, coautor y estudiante universitario de Ryerson que entonces trabajaba con Kolios, explica.<\/p>\n
\u00abCon esta t\u00e9cnica, los gl\u00f3bulos rojos se suspenden y fluyen a trav\u00e9s del cit\u00f3metro, un instrumento que toma miles de im\u00e1genes de c\u00e9lulas sangu\u00edneas individuales por segundo. . Entonces podemos examinar cada RBC sin manipularlos o da\u00f1arlos sin darnos cuenta, lo que a veces sucede durante los ex\u00e1menes microsc\u00f3picos\u00bb.<\/p>\n
Los investigadores usaron 40,900 im\u00e1genes de c\u00e9lulas para entrenar las redes neuronales en la clasificaci\u00f3n de los RBC en las seis categor\u00edas en una colecci\u00f3n que es ahora la base de datos de gl\u00f3bulos rojos disponible gratuitamente m\u00e1s grande del mundo anotada individualmente con las diversas categor\u00edas de deterioro.<\/p>\n
Cuando se prob\u00f3, el algoritmo de aprendizaje autom\u00e1tico logr\u00f3 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 est\u00e1n de acuerdo el 83 % de las veces. Por lo tanto, este modelo de aprendizaje autom\u00e1tico completamente supervisado podr\u00eda ser efectivo para reemplazar el tedioso examen visual por parte de humanos con poca p\u00e9rdida de precisi\u00f3n.<\/p>\n
A\u00fan as\u00ed, el equipo se pregunt\u00f3: \u00bfpodr\u00eda una estrategia diferente llevar m\u00e1s all\u00e1 los l\u00edmites superiores de precisi\u00f3n? ?<\/p>\n
Las m\u00e1quinas superan la visi\u00f3n humana y detectan sutilezas celulares<\/p>\n
En la segunda parte del estudio, los investigadores evitaron por completo la participaci\u00f3n humana e idearon un modelo alternativo de aprendizaje profundo \u00abd\u00e9bilmente supervisado\u00bb en el que las redes neuronales aprendieron sobre la degradaci\u00f3n de los gl\u00f3bulos rojos por s\u00ed mismas.<\/p>\n
En lugar de aprender las seis categor\u00edas visuales utilizadas por los expertos, las m\u00e1quinas aprendieron \u00fanicamente mediante el an\u00e1lisis de m\u00e1s de un mill\u00f3n de im\u00e1genes de gl\u00f3bulos rojos, sin clasificar y ordenadas solo por la duraci\u00f3n del almacenamiento de sangre. tiempo. Eventualmente, las m\u00e1quinas discernieron correctamente las caracter\u00edsticas en los gl\u00f3bulos rojos individuales que corresponden al descenso de las c\u00e9lulas sanas a las no sanas.<\/p>\n
\u00abPermitir que la computadora aprenda a s\u00ed misma la progresi\u00f3n de los gl\u00f3bulos rojos almacenados a medida que se degradan es un desarrollo realmente emocionante. , dice Carpenter, \u00abparticularmente porque puede capturar cambios m\u00e1s sutiles en las c\u00e9lulas que los humanos no reconocen\u00bb. Calidad de gl\u00f3bulos rojos mejor que el m\u00e9todo de evaluaci\u00f3n actual de seis categor\u00edas utilizado por expertos.<\/p>\n
Estrategias de aprendizaje profundo: calidad de la sangre y m\u00e1s<\/p>\n
Todav\u00eda se necesita m\u00e1s capacitaci\u00f3n antes de que el modelo est\u00e9 listo para las pruebas cl\u00ednicas , pero el panorama es prometedor. El modelo de aprendizaje autom\u00e1tico totalmente supervisado pronto podr\u00eda automatizar y optimizar el m\u00e9todo manual actual, minimizando el manejo de muestras, las discrepancias y los errores de procedimiento en las evaluaciones de la calidad de la sangre.<\/p>\n
El segundo marco alternativo de supervisi\u00f3n d\u00e9bil puede eliminar a\u00fan m\u00e1s la subjetividad humana. del proceso Las predicciones objetivas y precisas de la calidad de la sangre permitir\u00edan a los m\u00e9dicos personalizar mejor los productos sangu\u00edneos para los pacientes. M\u00e1s all\u00e1 de la sangre almacenada, la estrategia de aprendizaje profundo basada en el tiempo puede transferirse a otras aplicaciones que implican una progresi\u00f3n cronol\u00f3gica, como la propagaci\u00f3n del c\u00e1ncer.<\/p>\n
\u00abLa gente sol\u00eda preguntar cu\u00e1l es la alternativa al proceso manual\u00bb. dice Kolios. \u00abAhora, hemos desarrollado un enfoque que integra desarrollos de vanguardia de varias disciplinas, incluida la biolog\u00eda computacional, la medicina transfusional y la f\u00edsica m\u00e9dica. Es un testimonio de c\u00f3mo la tecnolog\u00eda y la ciencia ahora se interconectan para resolver los problemas biom\u00e9dicos actuales\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Los gl\u00f3bulos rojos sint\u00e9ticos imitan a los naturales y tienen nuevas habilidades M\u00e1s informaci\u00f3n:<\/strong> Minh Doan et al, Evaluaci\u00f3n objetiva de la calidad de la sangre almacenada mediante aprendizaje profundo, PNAS 24 de agosto de 2020 doi.org\/10.1073\/pnas.2001227117 Informaci\u00f3n de la revista:<\/strong> Procedimientos de la Academia Nacional de Ciencias <\/p>\n Proporcionado por la Universidad de Ryerson Cita<\/strong>: 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Figura A: Automatizaci\u00f3n basada en aprendizaje profundo supervisada por expertos del m\u00e9todo convencional para evaluar la calidad de los gl\u00f3bulos rojos. Figura B: M\u00e9todo basado en aprendizaje profundo con supervisi\u00f3n d\u00e9bil en el que las redes neuronales aprenden sin expertos. Cr\u00e9dito: Minh Doan, Joseph Sebastian, Tracey Turner, Jason Acker, Michael Kolios, Anne Carpenter Cada a\u00f1o, … Continuar leyendo \u00abLas nuevas estrategias de IA automatizan las evaluaciones de la sangre almacenada y eliminan la subjetividad humana\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-33707","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/33707","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=33707"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/33707\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=33707"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=33707"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=33707"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}