Nueva herramienta de inteligencia artificial puede ayudar a diagnosticar enfermedades neurodegenerativas

Mount Sinai crea un novedoso sistema de aprendizaje profundo para enfermedades neurodegenerativas.

geralt/pixabay

Fuente: geralt / pixabay

Recientemente, un equipo de investigadores liderados por la Escuela de Medicina Mount Sinai en la ciudad de Nueva York creó una de las primeras plataformas que utilizan datos de imágenes a gran escala en neuropatología para construir y evaluar algoritmos de aprendizaje profundo.

En un estudio publicado hace unas semanas en Nature’s Laboratory Investigation , la revista oficial de los Estados Unidos y la Academia Canadiense de Patología, los investigadores de Mount Sinai desarrollaron un nuevo algoritmo de aprendizaje profundo utilizando redes neuronales convolucionales. El algoritmo puede reconocer, clasificar y cuantificar los elementos diagnósticos de las tauopatías: desórdenes neurodegenerativos que pueden tener inclusiones gliales o neuronales hechas de tau, una proteína de unión a microtúbulos.

El material histopatológico utilizado para el estudio se derivó de veintidós cerebros de autopsias humanos de pacientes con tauopatías. La tau patológica en las neuronas forma ovillos neurofibrilares (NFT). Las secciones se digitalizaron y se cargaron a una plataforma informática en el Centro de patología computacional y de sistemas de Mount Sinai. Más de 80 millones de pruebas al año se procesan en el Departamento de Patología de Mount Sinai, uno de los departamentos de patología académica más grandes del país, con 62 patólogos a tiempo completo y 900 histólogos y técnicos de laboratorio.

El sistema de red convolucional fue entrenado por las imágenes digitalizadas. El equipo implementó una versión modificada de la arquitectura SegNet totalmente convolucional para la generación de redes neuronales convolucionales profundas, y utilizó el descenso de gradiente estocástico para la función de pérdida diferencial.

Curiosamente, las iteraciones de actualización se realizaron en “hardware de GPU de productos básicos” para un procesamiento paralelo eficiente. El modelo de red neuronal se construyó utilizando el paquete de software PyTorch.

Los investigadores descubrieron un método que utiliza el aprendizaje profundo para mejorar el examen de tejidos y complementar las técnicas de uso común, tanto cuantitativas como cualitativas. Como resultado, el nuevo sistema de aprendizaje profundo del equipo proporciona un método rápido, reproducible e imparcial para “aumentar el recuento manual intensivo de mano de obra de las características histopatológicas”.

Actualmente no se sabe exactamente cómo la tau patológica afecta a los trastornos neuronales. Con este marco innovador, los científicos tienen una forma de acceder a datos cuantitativos reproducibles para las correlaciones clínico-patológicas para ayudar en la investigación de la patogénesis de las tauopatías como la enfermedad de Alzheimer.

Copyright © 2019 Cami Rosso Todos los derechos reservados.

Referencias

Signaevsky, Maxim, Prastawa, Marcel, Farrell, Kurt, Tabish, Nabil, Baldwin, Elena, Han, Natalia, Lida, Megan A., Koll, John, Bryce, Clare, Purohit, Dushyant, Haroutunian, Vahram, McKee, Ann C ., Stein, Thor D., White III, Charles L., Walker, Jamie, Richardson, Timothy E., Hanson, Russell, Donovan, Michael J., Cordon-Cardo, Carlos, Zeineh, Jack, Fernández, Gerardo, Crary , John F .. “Inteligencia artificial en neuropatología: evaluación profunda basada en el aprendizaje de la tauopatía” . Investigación de laboratorio. 15 de febrero de 2019.

Irwin, David. “Tauopatías como entidades clínico-patológicas” . Trastornos relacionados con el parkinsonismo. 22 de enero de 2016.

El Hospital Mount Sinai / Escuela de Medicina Mount Sinai (2 de octubre de 2018). “La prueba de patología utiliza la IA para predecir la progresión del cáncer de próstata después de la cirugía”. Obtenido el 3-7-2019 de https://www.eurekalert.org/pub_releases/2018-10/tmsh-ptu100218.php