Tecnología detecta de forma autónoma alucinaciones de IA en patología digital

La tinción tisular tradicional, herramienta fundamental para el diagnóstico de enfermedades como el cáncer, utiliza colorantes químicos para resaltar las características microscópicas en muestras de tejido. Si bien es eficaz, el proceso es lento, destructivo y depende de recursos físicos. La tinción virtual —un método basado en inteligencia artificial (IA) que simula la tinción histoquímica de la microscopía de autofluorescencia— ofrece una alternativa más rápida y no destructiva. Sin embargo, presenta un gran desafío: las alucinaciones, o características generadas por IA que no existen en el tejido real, que pueden confundir incluso a patólogos expertos. Investigadores han presentado una herramienta autónoma de evaluación de la calidad de imagen para detectar alucinaciones en imágenes teñidas virtualmente.

Desarrollada por un equipo de investigación de la Universidad de California, Los Ángeles (UCLA, Los Ángeles, CA, EUA), en colaboración con patólogos de diversas instituciones, la herramienta de IA AQuA (sigals en inglés para Evaluación Autónoma de Calidad) está diseñada específicamente para identificar inconsistencias en imágenes sin necesidad de datos de tinción histoquímica ni acceso al propio modelo de tinción virtual. AQuA funciona mediante ciclos iterativos de traducción de imágenes entre los dominios de autofluorescencia y hematoxilina-eosina. Estos ciclos amplifican discrepancias mínimas en la imagen, generando secuencias que son evaluadas por un conjunto de redes neuronales. Este panel digital de jueces evalúa la calidad de la imagen y detecta alucinaciones antes de que las imágenes lleguen a los expertos clínicos. El sistema funciona de forma independiente del modelo de tinción original y se adapta a diversos tipos de tejido y métodos de tinción, lo que lo hace escalable y de amplia aplicación en patología digital.

Los investigadores validaron AQuA usando muestras de biopsia de riñón y pulmón humano. Los hallazgos, publicados en Nature Biomedical Engineering, muestran que la herramienta logró una precisión del 99,8 % y 97,8 %, respectivamente, al distinguir imágenes teñidas virtualmente de alta calidad de imágenes defectuosas, sin depender de imágenes de tinción tradicionales. Además, AQuA mostró más del 98 % de acuerdo con patólogos certificados por la junta y, en ciertos escenarios, los superó, particularmente en la identificación de alucinaciones engañosas en ausencia de referencias de verdad fundamental. El equipo también demostró la versatilidad de AQuA al aplicarlo a portaobjetos teñidos convencionalmente, donde detectó con éxito artefactos clínicos comunes. Con las herramientas de IA volviéndose más integrales a los flujos de trabajo de diagnóstico, los sistemas de garantía de calidad como AQuA son esenciales para ofrecer confiabilidad y seguridad. AQuA permite una validación rápida, precisa y automatizada de imágenes de patología generadas por IA, allanando el camino para la adopción escalable y confiable de la tinción virtual y la patología digital en la práctica clínica.

“Con AQuA, añadimos un nivel de confianza a las imágenes generadas por IA en medicina”, afirmó el profesor Aydogan Ozcan de la UCLA, autor principal del estudio. “Actúa como una segunda opinión digital, revisando incansablemente cada portaobjetos de tejido teñido virtualmente para garantizar su seguridad para el diagnóstico”.

Enlaces relacionados:
Universidad de California en Los Ángeles (UCLA)

Visitar la expo >

Miembro Oro

Automatic Hematology Analyzer

CF9600

Software de laboratorio
Acusera 24•7

New

Urine Analyzer

respons® UDS100

New

LAIR2 Antibody Pair Set

LAIR2 Antibody Pair [Biotin]