{"id":2024,"date":"2019-06-04T18:12:58","date_gmt":"2019-06-04T17:12:58","guid":{"rendered":"http:\/\/www.madrimasd.org\/blogs\/envejecer-positivo\/?p=2024"},"modified":"2019-06-05T10:01:44","modified_gmt":"2019-06-05T09:01:44","slug":"enfermedades-neurodegenerativas-identificadas-mediante-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/envejecer-positivo\/2019\/06\/04\/2024\/","title":{"rendered":"Enfermedades neurodegenerativas identificadas mediante inteligencia artificial (actualizaci\u00f3n)"},"content":{"rendered":"

\"\"<\/a>Un grupo de investigadores de la\u00a0<\/span>Escuela de Medicina de Icahn del Monte Sina\u00ed<\/a> y publicado en la\u00a0revista m\u00e9dica Laboratory Investigation<\/a>\u00a0<\/em>han desarrollado una plataforma de inteligencia artificial<\/strong> para detectar una variedad de enfermedades neurodegenerativas<\/strong> en muestras de tejido cerebral humano, incluida\u00a0la enfermedad de Alzheimer y la encefalopat\u00eda traum\u00e1tica cr\u00f3nica.\u00a0Su descubrimiento ayudar\u00e1 a los cient\u00edficos a desarrollar biomarcadores y terapias dirigidas<\/strong>, lo que dar\u00e1 como resultado un diagn\u00f3stico m\u00e1s preciso de enfermedades cerebrales complejas que mejoren los resultados de los tratamientos a los pacientes diagnosticados.<\/p>\n

\n

La acumulaci\u00f3n de prote\u00ednas tau<\/strong> anormales en el cerebro en las mara\u00f1as neurofibrilares es una caracter\u00edstica de la enfermedad de Alzheimer, pero tambi\u00e9n se acumula en otras enfermedades neurodegenerativas, como la encefalopat\u00eda traum\u00e1tica cr\u00f3nica y otras afecciones relacionadas con la edad<\/strong>.\u00a0<\/span>El diagn\u00f3stico preciso de las enfermedades neurodegenerativas es todo un reto y requiere un especialista altamente capacitado.<\/span><\/span><\/p>\n

Los investigadores del Centro de Patolog\u00eda Computacional y de Sistemas en Mount Sinai desarrollaron y utilizaron esta plataforma para aplicar enfoques de aprendizaje autom\u00e1tico<\/strong> eficaces en portaobjetos microsc\u00f3picos digitalizados preparados con muestras de tejido de pacientes con un espectro de enfermedades neurodegenerativas.\u00a0<\/span>Aplicando el aprendizaje profundo (deep learning), estas im\u00e1genes se utilizaron para crear una red neuronal convolucional capaz de identificar enredos neurofibrilares con un alto grado de precisi\u00f3n<\/strong> directamente de las im\u00e1genes digitalizadas.<\/span><\/span><\/p>\n

La utilizaci\u00f3n 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.\u00a0<\/span>En \u00faltima instancia, este proyecto tiene el potencial de poder conseguir un diagn\u00f3stico m\u00e1s eficiente<\/strong> y preciso de las enfermedades neurodegenerativas.<\/span><\/span><\/p>\n

Este es el primer marco disponible para evaluar algoritmos de aprendizaje profundo utilizando datos de im\u00e1genes a gran escala en neuropatolog\u00eda.\u00a0<\/span>La plataforma permite la gesti\u00f3n de datos, la exploraci\u00f3n visual, la descripci\u00f3n de objetos, la revisi\u00f3n de m\u00faltiples usuarios y la evaluaci\u00f3n de los resultados del algoritmo de aprendizaje profundo.<\/span><\/span><\/p>\n

Los investigadores han usado t\u00e9cnicas avanzadas de computaci\u00f3n y matem\u00e1ticas junto con tecnolog\u00eda de microscopio de vanguardia, visi\u00f3n computacional e inteligencia artificial para clasificar con mayor precisi\u00f3n una amplia gama de enfermedades.<\/span><\/p>\n

El departamento de patolog\u00eda acad\u00e9mica del\u00a0Mount Sinai es de los m\u00e1s grandes de USA y procesa m\u00e1s de 80 millones de pruebas al a\u00f1o, 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 diagn\u00f3sticos.<\/span><\/p>\n

Actualizaci\u00f3n (05\/06\/2019)<\/span><\/p>\n

Otro grupo de investigadores del Departamento de Patolog\u00eda y Medicina del Laboratorio de la Universidad Davis en California<\/a>, han dise\u00f1ado\u00a0una \u00abred neuronal convolucional\u00bb (CNN), un programa de computadora dise\u00f1ado para reconocer patrones basados en miles de ejemplos etiquetados por humanos. Para ello, el equipo de investigaci\u00f3n ha ideado un m\u00e9todo para etiquetar r\u00e1pidamente decenas de miles de im\u00e1genes de una colecci\u00f3n de medio mill\u00f3n de im\u00e1genes de primer plano de tejido de 43 muestras de cerebro sano y enfermo y donde demostraron que su algoritmo podr\u00eda procesar una diapositiva completa de todo el cerebro con 98.7% de precisi\u00f3n, con una velocidad limitada solo por la cantidad de procesadores de computadora que utilizaron. Estas<\/span>\u00a0herramientas de aprendizaje autom\u00e1tico no es mejor para identificar las placas que los propios neuropat\u00f3logos (que son los encargados de etiquetar los casos para posteriormente entrenar el algoritmo), pero es incansable y escalable. Se podr\u00eda decir que estas nuevas t\u00e9cnicas son un copiloto, un multiplicador de fuerza que extiende el alcance de lo que podemos lograr y nos permite hacer preguntas que nunca hubi\u00e9ramos conseguido manualmente. Por ejemplo, podemos buscar placas raras en lugares inesperados que podr\u00edan darnos pistas importantes sobre el curso de la enfermedad, etc.<\/p>\n

Referencias<\/strong>:<\/p>\n