Un modelo de inteligencia artificial de “aprendizaje profundo” desarrollado en la Universidad Estatal de Washington puede reconocer signos de patología o enfermedad en imágenes de tejido animal y humano mucho más rápido y, a menudo, con mayor precisión que las personas.
Desarrollo, en detalle Informes científicospodría acelerar drásticamente el ritmo de la investigación relacionada con enfermedades. También tiene el potencial de mejorar el diagnóstico clínico, como la detección del cáncer a partir de una imagen de biopsia en minutos, un proceso que normalmente llevaría a un patólogo humano varias horas.
“Este programa de aprendizaje profundo basado en IA fue muy, muy preciso al observar estos tejidos”, dijo Michael Skinner, biólogo de WSU y coautor del artículo. “Esto podría revolucionar este tipo de medicina tanto para animales como para humanos, mejorando fundamentalmente este tipo de análisis”.
Para desarrollar el modelo de IA, el científico informático Colin Greely, ex estudiante de posgrado de WSU, y su asesor, el profesor Lawrence Holder, lo entrenaron utilizando imágenes de estudios epigenéticos anteriores realizados por el laboratorio de Scanner. Estos estudios involucraron marcadores de enfermedad a nivel molecular en tejidos de riñón, testículo, ovario y próstata de ratones y ratas. Luego, los investigadores probaron la IA con imágenes de otros estudios, incluidos estudios que identifican cáncer de mama y metástasis en los ganglios linfáticos.
Los investigadores descubrieron que el nuevo modelo de aprendizaje profundo de IA no solo identificó patologías con precisión, sino que también lo hizo mucho más rápido que los modelos anteriores y, en algunos casos, incluso encontró casos que un equipo humano capacitado había pasado por alto.
“Creo que ahora tenemos una forma de identificar enfermedades y tejidos que es más rápida y precisa que en humanos”, dijo Holder, coautor del estudio.
Tradicionalmente, este tipo de análisis requería el trabajo minucioso de equipos de personas especialmente capacitadas que examinaban e interpretaban portaobjetos de tejido bajo microscopios, a menudo entre sí para reducir el error humano.
En la investigación de Skinner sobre epigenética, que implica el estudio de cambios en los procesos moleculares que afectan el comportamiento de los genes sin cambiar el ADN en sí, el análisis tomó un año o más para estudios más grandes. También puede llevar más tiempo. Ahora, con el nuevo modelo de aprendizaje profundo de IA, pueden obtener los mismos datos en un par de semanas, afirmó Skinner.
Holder dijo que el aprendizaje profundo es un método de inteligencia artificial que intenta imitar el cerebro humano, un método que va más allá del aprendizaje automático tradicional. En cambio, se construye un modelo de aprendizaje profundo con una red de neuronas y sinapsis. Si el modelo comete un error, “aprende” de él mediante un proceso llamado retropropagación y realiza una serie de cambios en toda su red para corregir el error, de modo que no se repita.
El equipo de investigación diseñó el modelo de aprendizaje profundo WSU para manejar imágenes de gigapíxeles de resolución extremadamente alta, lo que significa que contienen miles de millones de píxeles. Para hacer frente a los grandes tamaños de archivo de estas imágenes, que pueden ralentizar incluso las mejores computadoras, los investigadores diseñaron el modelo de IA para ver mosaicos pequeños e individuales pero aún verlos en el contexto de partes más grandes pero con una resolución más baja. , un proceso que funciona como acercar y alejar el zoom en un microscopio.
Este modelo de aprendizaje profundo ya está atrayendo a otros investigadores, y el equipo de Holder está colaborando actualmente con investigadores de medicina veterinaria de WSU en el diagnóstico de enfermedades en muestras de tejido de ciervos y alces.
Los autores también señalan el potencial del modelo para mejorar la investigación y el diagnóstico en humanos, particularmente del cáncer y otras enfermedades relacionadas con los genes. Mientras los datos estén disponibles, como imágenes comentadas que indiquen cáncer en los tejidos, los investigadores pueden entrenar modelos de IA para hacer el trabajo, dijo Holder.
“La red que hemos diseñado es de última generación”, afirmó Holder. “Comparamos varios otros sistemas y otros conjuntos de datos para este artículo y los superamos a todos”.
Esta investigación fue apoyada por la Fundación John Templeton. Eric Nelson, profesor asistente de investigación en la Facultad de Ciencias Biológicas de WSU, también es coautor del artículo.
