Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the LabMedica website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Technopath Clinical Diagnostics

Deascargar La Aplicación Móvil





IA con Aprendizaje Swarm detecta la COVID-19 en datos almacenados de manera descentralizada

Por el equipo editorial de LabMedica en español
Actualizado el 28 May 2021
Print article
Ilustración
Ilustración
Usando un principio llamado “swarm learning” (aprendizaje swarm), un equipo de investigación internacional entrenó algoritmos de inteligencia artificial (IA) para detectar cánceres de sangre, enfermedades pulmonares y COVID-19 en datos almacenados de manera descentralizada.

Este enfoque de expertos del Centro Alemán de Enfermedades Neurodegenerativas (DZNE; Bonn, Alemania), la Universidad de Bonn (Bonn, Alemania) y Hewlett Packard Enterprise (HPE; Houston, TX, EUA) tiene ventajas sobre los métodos convencionales ya que inherentemente proporciona tecnologías de preservación de la privacidad, que facilitan el análisis entre sitios de datos científicos. El aprendizaje swarm podría promover y acelerar significativamente la colaboración y el intercambio de información en la investigación, especialmente en el campo de la medicina.

La ciencia y la medicina se vuelven cada vez más digitales. El análisis de los volúmenes de información resultantes, conocido como “big data”, se considera clave para mejorar las opciones de tratamiento. Sin embargo, el intercambio de datos de investigación médica en diferentes ubicaciones o incluso entre países está sujeto a las regulaciones de protección de datos y soberanía de datos. En la práctica, estos requisitos generalmente solo se pueden implementar con un esfuerzo significativo. Además, existen barreras técnicas: por ejemplo, cuando se deben transferir grandes cantidades de datos digitalmente, las líneas de datos pueden alcanzar rápidamente sus límites de rendimiento. En vista de estas condiciones, muchos estudios médicos se limitan localmente y no pueden utilizar los datos que están disponibles en otros lugares.

A la luz de esto, una colaboración de investigación internacional probó un enfoque novedoso para evaluar los datos de investigación almacenados de manera descentralizada. La base para esto fue la tecnología todavía joven “aprendizaje swarm” desarrollada por HPE. Además de la empresa de TI, participaron en este estudio numerosas instituciones de investigación de Grecia, los Países Bajos y Alemania, incluidos los miembros de la “Iniciativa alemana COVID-19 OMICS” (DeCOI).

El aprendizaje swarm combina un tipo especial de intercambio de información a través de diferentes nodos de una red con métodos de la caja de herramientas del “aprendizaje automático”, una rama de la IA. El eje del aprendizaje automático son los algoritmos que se entrenan con datos para detectar patrones en ellos y que, en consecuencia, adquieren la capacidad de reconocer los patrones aprendidos también en otros datos. Con el aprendizaje swarm, todos los datos de la investigación permanecen en el sitio. Solo se comparten algoritmos y parámetros; en cierto sentido, lecciones aprendidas. A diferencia del “aprendizaje federado”, en el que los datos también permanecen localmente, no existe un centro de comando centralizado. Por tanto, los algoritmos de IA aprenden localmente, es decir, sobre la base de los datos disponibles en cada nodo de la red. Los resultados de aprendizaje de cada nodo se recopilan como parámetros a través de la cadena de bloques y el sistema los procesa de manera inteligente. El resultado, en otras palabras, los parámetros optimizados se transmiten a todas las partes. Este proceso se repite varias veces, mejorando gradualmente la capacidad de los algoritmos para reconocer patrones en cada nodo de la red.

Los investigadores ahora proporcionan una prueba práctica de este método a través del análisis de imágenes de rayos X de los pulmones y de los transcriptomas: estos últimos son datos sobre la actividad genética de las células. En el estudio actual, la atención se centró específicamente en las células inmunitarias que circulan en la sangre, en otras palabras, los glóbulos blancos. El equipo de investigación abordó un total de cuatro enfermedades infecciosas y no infecciosas: dos variantes de cáncer de sangre (leucemia mieloide aguda y leucemia linfoide aguda), así como tuberculosis y COVID-19. Los datos incluyeron un total de más de 16.000 transcriptomas. La red de aprendizaje swarm sobre la que se distribuían los datos consistía típicamente en al menos tres y hasta 32 nodos. Independientemente de los transcriptomas, los investigadores analizaron alrededor de 100.000 imágenes de rayos X de tórax. Se trataba de pacientes con acumulación de líquido en el pulmón u otros hallazgos patológicos, así como de individuos sin anomalías. Estos datos se distribuyeron en tres nodos diferentes.

El análisis tanto de los transcriptomas como de las imágenes de rayos X siguió el mismo principio: primero, los investigadores alimentaron sus algoritmos con subconjuntos del respectivo conjunto de datos. Esto incluyó información sobre cuáles de las muestras provenían de pacientes y cuáles de individuos sin hallazgos. El reconocimiento de patrones aprendido para “enfermo” o “sano” se utilizó luego para clasificar datos adicionales, en otras palabras, se utilizó para clasificar los datos en muestras con o sin enfermedad. La exactitud, es decir, la capacidad de los algoritmos para diferenciar entre individuos sanos y enfermos fue de alrededor del 90% en promedio para los transcriptomas (cada una de las cuatro enfermedades se evaluó por separado); en el caso de los datos de rayos X, osciló entre el 76% y el 86%. El estudio también encontró que el aprendizaje swarm arrojó resultados significativamente mejores que cuando los nodos de la red aprendieron por separado.

“La metodología funcionó mejor en la leucemia. En esta enfermedad, la firma de la actividad genética es particularmente llamativa y, por lo tanto, más fácil de detectar para la inteligencia artificial. Las enfermedades infecciosas son más variables. Sin embargo, la exactitud también fue muy alta para la tuberculosis y la COVID-19. Para los datos de rayos X, la tasa fue algo más baja, lo que se debe a la menor calidad de los datos o de la imagen”, dijo Joachim Schultze, Director de Medicina de Sistemas de la DZNE y profesor del Instituto de Ciencias Médicas y de la Vida (LIMES) de la Universidad. de Bonn. “Nuestro estudio demuestra que el Swarm Learning se puede aplicar con éxito a datos muy diferentes. En principio, esto se aplica a cualquier tipo de información para la que sea útil el reconocimiento de patrones mediante inteligencia artificial. Ya sean datos del genoma, imágenes de rayos X, datos de imágenes cerebrales u otros datos complejos”.

Enlace relacionado:
Centro Alemán de Enfermedades Neurodegenerativas
Universidad de Bonn
Hewlett Packard Enterprise

Proveedor de oro
Virus Transport and Preservation Medium – Inactivated
Virus Transport and Preservation Medium – Inactivated
New
SARS-CoV-2 Real-Time RT-PCR Test
GB SARS-CoV-2 Real-Time RT-PCR [E/N/ORF1ab (RdRp)]
New
Portable Nucleic Acid Detection System
Mini8 Plus
New
COVID-19 IgM/IgG Antibody Test
MosaiQ COVID-19 Antibody Microarray

Print article

Canales

Química Clínica

ver canal
Imagen: Histología de la pancreatitis aguda. Microscópicamente, la necrosis grasa consiste en esteatocitos (adipocitos) que han perdido su núcleo y cuyo citoplasma tiene una apariencia rosada granular como se ve a la derecha. Se observa algo de hemorragia a la izquierda en este caso de pancreatitis aguda (Fotografía cortesía de la Universidad Texas A&M)

Biomarcadores diagnostican y predicen la pancreatitis aguda

La pancreatitis aguda (PA) es una reacción inflamatoria causada por las enzimas pancreáticas activadas en el páncreas, que conduce a una posterior autodigestión pancreática, edema, hemorragia, necrosis... Más

Diagnóstico Molecular

ver canal
Imagen: Representación artística de las moléculas de estrés en la sangre que se detectan electrónicamente dentro de los nanopozos (Fotografía cortesía de Ella Marushchenko)

Sensor novedoso en array de nanopozos para la medición de hormonas del estrés en los POC

Los investigadores han construido un “nanosensor” de microchip para medir las hormonas del estrés como el cortisol en una matriz de nanopozos dedicada, que no requiere etiquetas moleculares ni pasos de lavado.... Más

Hematología

ver canal
Imagen: Aspirado de médula ósea de un paciente con linfoma difuso de células B grandes (Fotografía cortesía del Dr. Peter G. Maslak, MD)

Validan la amplificación de un locus dirigido para el linfoma

La variación estructural (VS) en el genoma es una característica recurrente del cáncer. Las translocaciones (reordenamientos genómicos entre cromosomas) en particular se encuentran como promotores recurrentes... Más

Inmunología

ver canal
Imagen: El CrAg LFA (ensayo de flujo lateral) puede detectar antígenos criptocócicos en la sangre de pacientes asintomáticos antes del desarrollo de meningitis criptocócica, permitiendo el tratamiento preventivo de pacientes CrAg positivos (Fotografía cortesía de Immy Diagnostics)

Evalúan la detección de antígeno del criptococo entre personas que viven con el VIH

La criptococosis es una enfermedad fúngica potencialmente mortal causada por algunas especies de Cryptococcus (con mayor frecuencia Cryptococcus neoformans o Cryptococcus gattii). Se cree que la criptococosis... Más

Patología

ver canal
Imagen: Los cortes estándar de hematoxilina-eosina no se ven afectados por el procesamiento y la obtención de imágenes mediante la limpieza de la histología con microscopía multifotónica (CHiMP). Porciones de la misma biopsia de núcleo se enviaron directamente al procesamiento estándar (A) o fueron procesadas por CHiMP y posteriormente se incluyeron en parafina, se seccionaron y se colorearon (B), mostrando una coloración y morfología equivalentes (Fotografía cortesía de la Facultad de Medicina de Yale)

Evalúan la patología de la biopsia prostática rápida, directa a digital

La adopción, cada vez mayor, de la patología digital promete mejoras notables en la reproducibilidad, la eficiencia y la exactitud de los diagnósticos basados en tejidos al facilitar la consulta de expertos... Más

Tecnología

ver canal
Imagen: El nanoanálisis de compuestos orgánicos volátiles en plasma utilizó nuevos sensores de vapor de nanotubos de carbono decorados con ADN para diferenciar de manera no invasiva el cáncer de ovario y páncreas de las muestras benignas y de los controles (Fotografía cortesía de la Universidad de Pensilvania)

Sensor en nariz electrónica detecta los cánceres de ovario y páncreas con exactitud

El cáncer de ovario es un cáncer que se forma en un ovario o sobre él. Da lugar a células anormales que tienen la capacidad de invadir o diseminarse a otras partes del cuerpo. Cuando comienza este proceso,... Más

Industria

ver canal
ilustración

PerkinElmer comprará la compañía de diagnóstico in vitro del Reino Unido Immunodiagnostic Systems

PerkinElmer, Inc. (Waltham, MA; EUA) e Immunodiagnostic Systems Holdings PLC (IDS; Boldon, Tyne and Wear, Reino Unido), llegaron a un acuerdo mediante el cual PerkinElmer adquirirá IDS por aproximadamente... Más
Copyright © 2000-2021 Globetech Media. All rights reserved.