La inteligencia artificial ayuda a diagnosticar la leucemia
Cómo el aprendizaje automático mejora la evaluación de los datos de los análisis de sangre
La presencia de un cáncer del sistema linfático suele determinarse analizando muestras de la sangre o la médula ósea. Un equipo dirigido por el Prof. Dr. Peter Krawitz, de la Universidad de Bonn, ya demostró en 2020 que la inteligencia artificial puede ayudar a diagnosticar estos linfomas y leucemias. La tecnología aprovecha al máximo el potencial de todos los valores de medición y aumenta tanto la velocidad como la objetividad de los análisis en comparación con los procesos establecidos. El método se ha perfeccionado para que incluso los laboratorios más pequeños puedan beneficiarse de este método de aprendizaje automático de libre acceso, lo que supone un paso importante hacia la práctica clínica. El estudio se ha publicado ahora en la revista "Patterns".
Representación de los datos de citometría de flujo, según la inteligencia artificial. Cada marcador está codificado en un color diferente. Se trata de una leucemia de células pilosas tan rara que sólo algunos grandes laboratorios reciben regularmente muestras de este tipo para su diagnóstico.
© Image: Max Zhao
La inflamación de los ganglios linfáticos, la pérdida de peso y la fatiga, así como la fiebre y las infecciones, son síntomas típicos de los linfomas malignos de células B y las leucemias relacionadas. Si se sospecha que se trata de un cáncer del sistema linfático, el médico toma una muestra de sangre o de médula ósea y la envía a laboratorios especializados. Aquí es donde entra en juego la citometría de flujo. La citometría de flujo es un método en el que las células sanguíneas pasan por sensores de medición a gran velocidad. Las propiedades de las células pueden detectarse en función de su forma, estructura o coloración. La detección y caracterización precisa de las células patológicas es importante a la hora de realizar un diagnóstico.
Los laboratorios utilizan "anticuerpos" que se acoplan a la superficie de las células y se acoplan a tintes fluorescentes. Estos marcadores también pueden utilizarse para detectar pequeñas diferencias entre las células cancerosas y las células sanguíneas sanas. La citometría de flujo genera grandes cantidades de datos. Por término medio, se miden más de 50.000 células por muestra. Estos datos suelen analizarse en pantalla comparando la expresión de los marcadores utilizados. "Pero con 20 marcadores, el médico ya tendría que comparar unas 150 imágenes bidimensionales", afirma el profesor Dr. Peter Krawitz, del Instituto de Estadística Genómica y Bioinformática del Hospital Universitario de Bonn. "Por eso suele ser demasiado costoso examinar a fondo todo el conjunto de datos".
Por esta razón, Krawitz, junto con los bioinformáticos Nanditha Mallesh y Max Zhao, investigó cómo se puede utilizar la inteligencia artificial para analizar los datos de citometría. El equipo consideró más de 30.000 conjuntos de datos de pacientes con linfoma de células B para entrenar la inteligencia artificial (IA). "La IA aprovecha al máximo los datos y aumenta la velocidad y la objetividad de los diagnósticos", afirma la autora principal, Nanditha Mallesh. El resultado de las evaluaciones de la IA es un diagnóstico sugerido que aún debe ser verificado por el médico. En el proceso, la IA proporciona indicaciones sobre las células llamativas.
Los especialistas revisaron los resultados de la inteligencia artificial
Las muestras de sangre y los datos del citómetro se obtuvieron del Laboratorio de Leucemia de Múnich (MLL), la Charité - Universitätsmedizin Berlin, el Hospital Universitario de Erlangen y el Hospital Universitario de Bonn. Especialistas de estas instituciones examinaron los resultados de la inteligencia artificial. "El estándar de oro es el diagnóstico de los hematólogos, que también puede tener en cuenta los resultados de las pruebas adicionales", dice Krawitz. "El objetivo de utilizar la IA no es sustituir a los médicos, sino aprovechar al máximo la información contenida en los datos". La gran novedad de la IA que ahora se presenta radica en la posibilidad de transferir conocimientos: De ello se pueden beneficiar sobre todo los laboratorios más pequeños que no pueden permitirse su propia experiencia en bioinformática y que, además, pueden tener muy pocas muestras para desarrollar su propia IA desde cero. Tras una breve fase de entrenamiento, en la que la IA aprende las particularidades del nuevo laboratorio, puede aprovechar los conocimientos derivados de muchos miles de conjuntos de datos.
Todos los datos en bruto y el software completo son de código abierto y, por tanto, de libre acceso. Además, res mechanica GmbH, que participó en el estudio, ha desarrollado un servicio web que hace que la inteligencia artificial pueda ser utilizada incluso por usuarios sin conocimientos de bioinformática. "Con https://hema.to, queremos permitir el intercambio de datos de citometría de flujo anonimizados entre laboratorios y, de esta manera, crear las condiciones para una calidad aún mayor en los diagnósticos", afirma el Dr. Hannes Lüling de res mechanica.
Gran potencial
El equipo ve un gran potencial en esta tecnología. Por ello, los investigadores también quieren colaborar con los principales fabricantes de equipos y software de análisis para seguir avanzando en el uso de la inteligencia artificial. En el caso de los linfomas de células B, por ejemplo, también se recogen datos genéticos y citomorfológicos para confirmar los diagnósticos. "Si conseguimos utilizar la IA también para estos métodos, tendríamos una herramienta aún más potente", afirma Krawitz, que también es miembro del Cluster de Excelencia ImmunoSensation2 de la Universidad de Bonn. En principio, la inteligencia artificial desarrollada también puede utilizarse para el diagnóstico de enfermedades reumáticas, que a menudo también se basa en datos de citometría de flujo.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Nanditha Mallesh, Max Zhao, Lisa Meintker, Alexander Höllein, Franz Elsner, Hannes Lüling, Torsten Haferlach, Wolfgang Kern, Jörg Westermann, Peter Brossart, Stefan W. Krause, Peter M. Krawitz; "Knowledge transfer to enhance the performance of deep learning models for automated classification of B-cell neoplasms"; Patterns; 2021
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
