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.

Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
INTEGRA BIOSCIENCES AG

Deascargar La Aplicación Móvil




Eventos

09 abr 2024 - 12 abr 2024
15 abr 2024 - 17 abr 2024
23 abr 2024 - 26 abr 2024

Diagnostican la leucemia mieloide aguda mediante redes neurales convolucionales

Por el equipo editorial de LabMedica en español
Actualizado el 05 Dec 2019
Print article
Imagen: Diagrama esquemático de cómo el algoritmo de aprendizaje profundo clasifica los leucocitos en un frotis de sangre de manera automatizada y estandarizada (Fotografía cortesía del Helmholtz Zentrum München/Dr. Carsten Marr)
Imagen: Diagrama esquemático de cómo el algoritmo de aprendizaje profundo clasifica los leucocitos en un frotis de sangre de manera automatizada y estandarizada (Fotografía cortesía del Helmholtz Zentrum München/Dr. Carsten Marr)
Todos los días, se evalúan millones de células sanguíneas individuales para el diagnóstico de enfermedades en los laboratorios médicos y clínicas. La mayor parte de esta tarea repetitiva la siguen realizando manualmente los citólogos capacitados, que inspeccionan las células en frotis de sangre coloreados y las clasifican en aproximadamente 15 categorías diferentes.

Los científicos ahora han demostrado que los algoritmos de aprendizaje profundo funcionan de manera similar a los expertos humanos, al clasificar muestras de sangre de pacientes que sufren de leucemia mieloide aguda (LMA). Su estudio, de prueba de concepto, allana el camino para un análisis de muestras automatizado, estandarizado y disponible en el futuro cercano.

Los científicos del Helmholtz Zentrum München (Neuherberg, Alemania) y sus colegas compilaron un conjunto de datos de imágenes anotadas de más de 18.000 glóbulos blancos, lo utilizaron para entrenar una red neuronal convolucional para la clasificación de leucocitos y evaluaron el rendimiento de la red comparando la variabilidad inter e intra expertos. Utilizaron imágenes que se extrajeron de frotis de sangre de 100 pacientes que padecían la enfermedad sanguínea agresiva, LMA y 100 controles. El nuevo método basado en la inteligencia artificial se evaluó comparando su rendimiento con la exactitud de los expertos humanos.

La red clasifica los tipos de células más importantes con gran exactitud. También permitió a los investigadores decidir dos preguntas clínicamente relevantes con rendimiento a nivel humano: (1) si una célula dada tiene carácter de blasto y (2) si pertenece a los tipos de células normalmente presentes en los frotis de sangre no patológicos. El resultado demostró que la solución impulsada por IA fue capaz de identificar células blásticas de diagnóstico, al menos tan bien como un experto en citología capacitado.

Carsten Marr, PhD, bióloga computacional de células madre y autora principal del estudio, dijo: “Para llevar nuestro enfoque a las clínicas, se debe convertir la digitalización de las muestras de sangre de los pacientes en un proceso de rutina. Los algoritmos tienen que ser entrenados con muestras de diferentes fuentes para hacer frente a la heterogeneidad inherente en la preparación y coloración de las muestras. Junto con nuestros socios, podríamos demostrar que los algoritmos de aprendizaje profundo muestran un desempeño similar al de los citólogos humanos. En el próximo paso, evaluaremos qué tan bien se pueden predecir otras características de la enfermedad, como mutaciones genéticas o translocaciones, con este nuevo método impulsado por la IA”.

Los autores concluyeron que su método tiene el potencial de ser utilizado como una ayuda de clasificación para examinar un número mucho mayor de células en un frotis, de lo que generalmente puede hacer un experto humano. Esto permitirá a los médicos reconocer poblaciones de células malignas con menor prevalencia en una etapa más temprana de la enfermedad. El estudio fue publicado el 12 de noviembre de 2019 en la revista Nature Machine Intelligence.

Enlace relacionado:
Helmholtz Zentrum München

Miembro Platino
PRUEBA RÁPIDA COVID-19
OSOM COVID-19 Antigen Rapid Test
RECOLECCIÓN Y TRANSPORTE DE MUESTRAS
POCT Fluorescent Immunoassay Analyzer
FIA Go
New
Miembro Oro
Magnetic Bead Separation Modules
MAG and HEATMAG

Print article

Canales

Diagnóstico Molecular

ver canal
Imagen: Imagen de células de cáncer de próstata tomada usando un microscopio electrónico de barrido (Fotografía cortesía de la Unidad LRI EM)

Nuevos descubrimientos sobre evolución del cáncer de próstata allanan el camino para pruebas genéticas

El cáncer de próstata es uno de los cánceres más comunes que afectan a los hombres y, si bien representa un número significativo de muertes por cáncer en hombres,... Más

Inmunología

ver canal
Imagen: Streptococcus pyogenes en una placa de Petri (Fotografía cortesía del Colegio Imperial de Londres)

Técnicas de vanguardia para investigar respuesta inmune en infecciones mortales por estreptococo A

Anualmente, la asombrosa cifra de medio millón de personas, incluidos numerosos niños y jóvenes, sucumben a nivel mundial a infecciones graves causadas por la bacteria estreptocócica... Más

Tecnología

ver canal
Imagen: El sensor electroquímico detecta HPV-16 y HPV-18 con alta especificidad (Fotografía cortesía de 123RF)

Biosensor de ADN permite diagnóstico temprano del cáncer de cuello uterino

El disulfuro de molibdeno (MoS2), reconocido por su potencial para formar nanoláminas bidimensionales como el grafeno, es un material que llama cada vez más la atención de la comunidad... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.