IA detecta parásitos a partir de fotos de muestras de sangre tomadas con un teléfono inteligente

Endémica en 21 países de las Américas, la enfermedad de Chagas afecta a unos seis millones de personas, con una incidencia anual de 30.000 casos nuevos en la región, provocando un promedio de 14.000 muertes al año. Se estima que unos 70 millones de personas corren el riesgo de contraer la enfermedad porque viven en áreas expuestas a los triatominos. Una de las técnicas que se utilizan para diagnosticar el Chagas es realizada por microscopistas capacitados para detectar el parásito en muestras de sangre. Esto requiere un microscopio profesional, que puede acoplarse a una cámara de alta resolución, pero el método tiende a ser demasiado costoso e inaccesible para pacientes de bajos ingresos. Ahora, un nuevo estudio ha demostrado que la inteligencia artificial (IA) se puede utilizar para detectar el Trypanosoma cruzi en imágenes de muestras de sangre tomadas con la cámara de un teléfono inteligente y analizadas por microscopio óptico.

El método de aprendizaje automático, desarrollado por investigadores de la Universidad de São Paulo (São Paulo, Brasil), se basó en un algoritmo de bosque aleatorio entrenado para detectar y contar tripomastigotes de T. cruzi en imágenes de teléfonos móviles. Los tripomastigotes son la forma extracelular del protozoario y el único estadio que circula en el torrente sanguíneo de los pacientes con Chagas agudo. Se analizaron imágenes de muestras de frotis de sangre tomadas con una cámara con una resolución de 12 megapíxeles para llegar a un conjunto de características comunes a 1.314 parásitos, incluidos parámetros morfométricos (forma y tamaño), color y textura.

En el estudio, los especialistas en parásitos entrenaron el algoritmo para reconocer Trypanosoma cruzi, asistidos por especialistas en aprendizaje automático y procesamiento de imágenes. Las características se dividieron en conjuntos de entrenamiento y prueba y se clasificaron utilizando el algoritmo de bosque aleatorio. Los valores resultantes de precisión y sensibilidad se consideraron altos (87,6% y 90,5% respectivamente). Los investigadores también analizaron el área bajo la curva característica operativa del receptor (AUC-ROC), una representación gráfica ampliamente utilizada para evaluar la precisión del diagnóstico y el corte óptimo de la prueba. El resultado fue 0,942, considerado sobresaliente (a mayor área bajo la curva, más precisa la prueba). Los investigadores concluyeron que automatizar el análisis de imágenes adquiridas con un dispositivo móvil es una alternativa viable para reducir costos y ganar eficiencia en el uso del microscopio óptico. El algoritmo es de software abierto para que la comunidad científica pueda aportar datos y recursos.

“Obtuvimos buenos resultados en esta iniciativa de aprendizaje automático. El algoritmo funciona bien para Chagas y se puede adaptar para otros fines que dependen de las imágenes, como analizar muestras de heces, piel y colposcopias”, dijo Helder Nakaya, investigador principal del Centro de Investigación de Enfermedades Inflamatorias. “El punto es generar imágenes y analizarlas bajo un microscopio que se puedan enviar a partes remotas de Brasil. La propia aplicación debe decir si son imágenes del parásito que causa el Chagas. Por lo tanto, es importante contar con un microscopio robusto y asequible que pueda recopilar las imágenes automáticamente”.

Enlaces relacionados:
Universidad de São Paulo