Enfermedades neurodegenerativas identificadas mediante inteligencia artificial (actualización)

Un grupo de investigadores de la Escuela de Medicina de Icahn del Monte Sinaí y publicado en la revista médica Laboratory Investigation han desarrollado una plataforma de inteligencia artificial para detectar una variedad de enfermedades neurodegenerativas en muestras de tejido cerebral humano, incluida la enfermedad de Alzheimer y la encefalopatía traumática crónica. Su descubrimiento ayudará a los científicos a desarrollar biomarcadores y terapias dirigidas, lo que dará como resultado un diagnóstico más preciso de enfermedades cerebrales complejas que mejoren los resultados de los tratamientos a los pacientes diagnosticados.

La acumulación de proteínas tau anormales en el cerebro en las marañas neurofibrilares es una característica de la enfermedad de Alzheimer, pero también se acumula en otras enfermedades neurodegenerativas, como la encefalopatía traumática crónica y otras afecciones relacionadas con la edadEl diagnóstico preciso de las enfermedades neurodegenerativas es todo un reto y requiere un especialista altamente capacitado.

Los investigadores del Centro de Patología Computacional y de Sistemas en Mount Sinai desarrollaron y utilizaron esta plataforma para aplicar enfoques de aprendizaje automático eficaces en portaobjetos microscópicos digitalizados preparados con muestras de tejido de pacientes con un espectro de enfermedades neurodegenerativas. Aplicando el aprendizaje profundo (deep learning), estas imágenes se utilizaron para crear una red neuronal convolucional capaz de identificar enredos neurofibrilares con un alto grado de precisión directamente de las imágenes digitalizadas.

La utilización de la inteligencia artificial tiene un gran potencial para mejorar nuestra capacidad de detectar y cuantificar enfermedades neurodegenerativas, lo que representa un gran avance sobre los enfoques existentes que requieren mucha mano de obra y son poco reproducibles. En última instancia, este proyecto tiene el potencial de poder conseguir un diagnóstico más eficiente y preciso de las enfermedades neurodegenerativas.

Este es el primer marco disponible para evaluar algoritmos de aprendizaje profundo utilizando datos de imágenes a gran escala en neuropatología. La plataforma permite la gestión de datos, la exploración visual, la descripción de objetos, la revisión de múltiples usuarios y la evaluación de los resultados del algoritmo de aprendizaje profundo.

Los investigadores han usado técnicas avanzadas de computación y matemáticas junto con tecnología de microscopio de vanguardia, visión computacional e inteligencia artificial para clasificar con mayor precisión una amplia gama de enfermedades.

El departamento de patología académica del Mount Sinai es de los más grandes de USA y procesa más de 80 millones de pruebas al año, lo que da lugar a una oferta para los investigadores para el acceso a un amplio conjunto de datos que pueden utilizarse para mejorar las pruebas y los diagnósticos.

Actualización (05/06/2019)

Otro grupo de investigadores del Departamento de Patología y Medicina del Laboratorio de la Universidad Davis en California, han diseñado una “red neuronal convolucional” (CNN), un programa de computadora diseñado para reconocer patrones basados en miles de ejemplos etiquetados por humanos. Para ello, el equipo de investigación ha ideado un método para etiquetar rápidamente decenas de miles de imágenes de una colección de medio millón de imágenes de primer plano de tejido de 43 muestras de cerebro sano y enfermo y donde demostraron que su algoritmo podría procesar una diapositiva completa de todo el cerebro con 98.7% de precisión, con una velocidad limitada solo por la cantidad de procesadores de computadora que utilizaron. Estas herramientas de aprendizaje automático no es mejor para identificar las placas que los propios neuropatólogos (que son los encargados de etiquetar los casos para posteriormente entrenar el algoritmo), pero es incansable y escalable. Se podría decir que estas nuevas técnicas son un copiloto, un multiplicador de fuerza que extiende el alcance de lo que podemos lograr y nos permite hacer preguntas que nunca hubiéramos conseguido manualmente. Por ejemplo, podemos buscar placas raras en lugares inesperados que podrían darnos pistas importantes sobre el curso de la enfermedad, etc.

Referencias:

  • Maxim Signaevsky, Marcel Prastawa, Kurt Farrell, Nabil Tabish, Elena Baldwin, Natalia Han, Megan A. Iida, John Koll, Clare Bryce, Dushyant Purohit, Vahram Haroutunian, Ann C. McKee, Thor D. Stein, Charles L. White, Jamie Walker, Timothy E. Richardson, Russell Hanson, Michael J. Donovan, Carlos Cordon-Cardo, Jack Zeineh, Gerardo Fernandez, John F. Crary. Artificial intelligence in neuropathology: deep learning-based assessment of tauopathyLaboratory Investigation, 2019; DOI: 10.1038/s41374-019-0202-4
  • Ziqi Tang, Kangway V. Chuang, Charles DeCarli, Lee-Way Jin, Laurel Beckett, Michael J. Keiser, Brittany N. Dugger. Interpretable classification of Alzheimer’s disease pathologies with a convolutional neural network pipelineNature Communications, 2019; 10 (1) DOI: 10.1038/s41467-019-10212-1
Etiquetas: , , , , , ,

Si te gustó esta entrada anímate a escribir un comentario o suscribirte al feed y obtener los artículos futuros en tu lector de feeds.

Comentarios

This is the first framework available for evaluating deep learning algorithms using large-scale imaging data in neuropathology. The platform allows the management of data, the visual exploration, the description of objects, the revision of multiple users and the evaluation of the results of the deep learning algorithm.

Mi abuela tiene esta enfermedad, Alzheimer, la terapia a través de pinturas de pantallas o cualquier otro tipo de actividad relacionada con el diseño puede ayudar en la desaceleración de ese mal?

Information about neurodegenerative diseases you share very well. articles with lots of useful information. I hope that you will have more interesting articles for readers.

Your article is very good. i will follow you together. Thank you so much!

(requerido)

(requerido)


*