Investigadores de UC Davis y UC San Francisco han encontrado una manera de enseñar a una computadora a detectar con precisión uno de los sellos distintivos de la enfermedad de Alzheimer en el tejido cerebral humano, entregando una prueba de concepto para un enfoque de aprendizaje automático para distinguir marcadores críticos de laenfermedad.
Las placas de amiloide son grupos de fragmentos de proteínas en el cerebro de las personas con la enfermedad de Alzheimer que destruyen las conexiones de las células nerviosas. Al igual que la forma en que Facebook reconoce rostros en base a imágenes capturadas, la herramienta de aprendizaje automático desarrollada por un equipo de científicos de la Universidad de California puede "vea "si una muestra de tejido cerebral tiene un tipo de placa amiloide u otra, y hágalo muy rápidamente".
Los hallazgos, publicados el 15 de mayo en Comunicaciones de la naturaleza , sugiera que el aprendizaje automático puede aumentar la experiencia y el análisis de un neuropatólogo experto. La herramienta les permite analizar miles de veces más datos y hacer nuevas preguntas que no serían posibles con las capacidades limitadas de procesamiento de datos incluso de los más capacitados.expertos humanos.
"Todavía necesitamos al patólogo", dijo Brittany N. Dugger, PhD, profesora asistente en el Departamento de Patología y Medicina de Laboratorio de UC Davis en UC Davis y autora principal del estudio. "Esta es una herramienta, como un tecladoes para escribir. Como los teclados han ayudado en los flujos de trabajo de escritura, la patología digital combinada con el aprendizaje automático puede ayudar con los flujos de trabajo de neuropatología ".
En este estudio, se asoció con Michael J. Keizer, PhD, profesor asistente en el Instituto de Enfermedades Neurodegenerativas y el Departamento de Química Farmacéutica de UCSF, para determinar si podían enseñarle a una computadora a automatizar el laborioso proceso de identificación y análisis de amiloide diminutoplacas de varios tipos en grandes cortes de tejido cerebral humano autopsiado. Para este trabajo, Keizer y su equipo diseñaron una "red neuronal convolucional" CNN, un programa de computadora diseñado para reconocer patrones basados en miles de ejemplos etiquetados con humanos.
Para crear suficientes ejemplos de entrenamiento para enseñarle al algoritmo de CNN cómo Dugger analiza el tejido cerebral, el equipo de UCSF trabajó con ella para diseñar un método que le permitió anotar o etiquetar rápidamente decenas de miles de imágenes de una colección de medio millón de primeros planosimágenes de tejido de 43 muestras cerebrales sanas y enfermas.
Al igual que un servicio de citas por computadora que permite a los usuarios deslizar el dedo hacia la izquierda o hacia la derecha para etiquetar la foto de alguien como "atractiva" o "no", desarrollaron una plataforma web que le permitió a Dugger mirar de uno en uno en regiones muy ampliadasde posibles placas y etiquetar rápidamente lo que vio allí. Esta herramienta de patología digital, que los investigadores llamaron "gota o no", le permitió a Dugger anotar más de 70.000 "manchas", o placas candidatas, a una velocidad de aproximadamente 2.000 imágenes porhora.
El equipo de UCSF usó esta base de datos de decenas de miles de imágenes de ejemplo etiquetadas para entrenar su algoritmo de aprendizaje automático de CNN para identificar diferentes tipos de cambios cerebrales observados en la enfermedad de Alzheimer. Eso incluye discriminar entre las denominadas placas centrales y difusas e identificar anomalíasen los vasos sanguíneos. Los investigadores demostraron que su algoritmo podía procesar un portaobjetos de todo el cerebro con una precisión del 98,7%, con una velocidad solo limitada por la cantidad de procesadores de computadora que usaban. En el estudio actual, usaron una sola tarjeta gráfica como esasutilizado por jugadores domésticos.
El equipo luego realizó pruebas rigurosas de las habilidades de identificación de la computadora para asegurarse de que su análisis fuera biológicamente válido.
"Es notoriamente difícil saber qué está haciendo realmente un algoritmo de aprendizaje automático bajo el capó, pero podemos abrir la caja negra y pedirle que nos muestre por qué hizo sus predicciones", explicó Keizer.
Keizer enfatizó que la herramienta de aprendizaje automático no es mejor para identificar placas que Dugger, el neuropatólogo que entrenó a la computadora para encontrarlas en primer lugar.
"Pero es incansable y escalable", dijo. "Es un copiloto, un multiplicador de fuerza que amplía el alcance de lo que podemos lograr y nos permite hacer preguntas que nunca hubiéramos intentado manualmente. Por ejemplo, podemos buscaren busca de placas raras en lugares inesperados que podrían darnos pistas importantes sobre el curso de la enfermedad.
Para promover el uso de la herramienta, los investigadores la han hecho y los datos del estudio están disponibles públicamente en línea. Esto ya ha generado interacciones con otros investigadores que han evaluado los datos y los algoritmos en sus propios laboratorios. En el futuro, los investigadores esperanque tales algoritmos se convertirán en una parte estándar de la investigación en neuropatología, entrenados para ayudar a los científicos a analizar grandes cantidades de datos, buscando incansablemente patrones que puedan desbloquear nuevos conocimientos sobre las causas y los tratamientos potenciales para la enfermedad.
"Si podemos caracterizar mejor lo que estamos viendo, esto podría proporcionar más información sobre la diversidad de la demencia", dijo Dugger. "Abre la puerta a la medicina de precisión para las demencias".
Ella agregó: "Estos proyectos son ejemplos fenomenales de ciencia traslacional interdisciplinaria; neuropatólogos, un estadístico, un clínico e ingenieros que se unen, forman un diálogo y trabajan juntos para resolver un problema".
El estudio fue financiado por un NIH P30 AG010129, el Premio al Investigador Distinguido de la Fundación Familiar Paul G. Allen y el Consejo de Becas de China.
Fuente de la historia :
Materiales proporcionado por Universidad de California - Davis Health . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :