Dos nuevos estudios revelan que el aprendizaje automático moderno, una rama de la inteligencia artificial en la que los sistemas aprenden de los datos, identifican patrones y toman decisiones, puede aumentar el diagnóstico tradicional de la enfermedad renal. Los hallazgos aparecen en un próximo número de JASN .
Los patólogos a menudo clasifican diversas enfermedades renales sobre la base de evaluaciones visuales de biopsias de los riñones de los pacientes; sin embargo, el aprendizaje automático tiene el potencial de automatizar y aumentar la precisión de las clasificaciones.
En un estudio, un equipo dirigido por Pinaki Sarder, PhD y Brandon Ginley, BS Escuela de Medicina y Ciencias Biomédicas Jacobs de la Universidad de Buffalo desarrolló un algoritmo computacional para detectar la gravedad de la enfermedad renal diabética sin intervención humana.El algoritmo examina una imagen digital de la biopsia renal de un paciente a nivel microscópico y extrae información sobre los glomérulos, los pequeños vasos sanguíneos del riñón que filtran los desechos de la sangre para excretarlos. Se sabe que estas estructuras se dañan y cicatrizan progresivamente en el transcurso dediabetes.
Por lo general, hay de 10 a 20 glomérulos individuales por biopsia, y el algoritmo detecta la ubicación de cada subcomponente glomerular en las imágenes digitales, y luego realiza muchas mediciones en cada subcomponente ". El algoritmo luego ve todas las característicasmedido a partir de la biopsia de un paciente en una serie, al igual que un médico escanea la biopsia de un paciente que va de glomérulo a glomérulo y examina la estructura de cada uno ", explicó el Dr. Sarder." El algoritmo tiene una memoria a corto y largo plazo al examinar el glomerularestructura, para que pueda recordar e incorporar información de todos los glomérulos en su análisis final ", agregó el Sr. Ginley.
Los investigadores utilizaron su método para clasificar digitalmente muestras de biopsia de 54 pacientes con enfermedad renal diabética y encontraron un acuerdo sustancial entre las clasificaciones digitales y las de 3 patólogos diferentes.
en otro JASN artículo publicado al mismo tiempo, un equipo dirigido por Jeroen van der Laak, PhD y Meyke Hermsen, BSc Radboud University Medical Center, Nijmegen, Países Bajos aplicó el aprendizaje automático para examinar las biopsias de trasplante de riñón y fue más allá de los glomérulos para evaluar múltiplesClases de tejido en el riñón. Los investigadores desarrollaron un modelo de aprendizaje automático llamado "red neuronal convolucional" CNN y descubrieron que podía aplicarse a los tejidos de múltiples centros, para biopsias y muestras de nefrectomía, y para el análisis de pacientes sanos ytejidos enfermos. Además, validaron los resultados de la CNN con métodos de clasificación estándar.
"En esta investigación aplicamos inteligencia artificial para analizar con precisión el tejido de trasplante de riñón. Esto facilitará la investigación de trasplante de riñón al proporcionar datos altamente precisos y reproducibles que caracterizan los procesos de la enfermedad y, a largo plazo, también conducirá a mejores diagnósticos para los pacientes de trasplante, lo que puedemejorar la supervivencia de los órganos ", dijo el Dr. van der Laak. Señaló que el rendimiento de la CNN excedió sus expectativas, especialmente la precisión con la que podía distinguir los túbulos proximales de los túbulos distales, dos tipos diferentes de túbulos renales." Incluimos 8más clases de tejido y la red no tuvieron el mismo rendimiento para todas ellas. Por ejemplo, determinar si un túbulo está en un estado atrófico puede ser difícil para un observador humano, y la red también tuvo problemas con esto. Estamos trabajando para lograrla red mejor en esta clasificación "
La Sra. Hermsen agregó que el aprendizaje automático solo se ha aplicado escasamente en el campo de los riñones, principalmente limitado a la detección de una sola estructura. "Sentimos que mucha más información debería, y puede, ser extraída del tejido renal paraapoyar la evaluación del injerto ", dijo.
Un editorial que acompaña a los dos estudios destaca las fortalezas y debilidades del aprendizaje automático.
Fuente de la historia :
Materiales proporcionados por Sociedad Americana de Nefrología . Nota: El contenido puede ser editado por estilo y longitud.
Referencias de revistas :
Cita esta página :