La revolución de las aplicaciones de imagen en enfermedades infecciosas
Recogemos novedades y principales hitos tecnológicos aplicados en el campo de las enfermedades infecciosas, medicina tropical y del viajero, zoonosis emergentes y reemergentes desde una visión one health. algunas de nuestras palabras clave son: inteligencia artificial, machine learning, sistemas expertos, diagnóstico, algoritmos, deep learning, inteligencia epidemiológica, escucha social, point of care testing…
Autor:
Manuel Linares Rufo
En medicina, un diagnóstico certero y temprano es fundamental. Lograr delimitar e identificar los síntomas que tiene un paciente de una manera rápida determina el tratamiento y, en muchos casos, cambia radicalmente el transcurso de la enfermedad.
La tecnología es, por supuesto, una gran aliada de la ciencia médica, incorporando nuevas maneras de realizar diagnósticos en los que el procesamiento de grandes cantidades de datos o imágenes ayuda al especialista (Figura 1).
Las imágenes médicas son instrumentos esenciales en el diagnóstico, ya que permiten a los profesionales observar más allá de sus ojos.
Figura 1. Cronología de las tecnologías para el diagnóstico médico. Adaptado de Ruenchit P. et al [1].
La Inteligencia Artificial y el aprendizaje automático ya están aquí
La Inteligencia Artificial (IA), un término surgido en la década de 1950 para denominar a los sistemas informáticos que emulan ciertos procesos de la mente humana [2], desde su concepción se ha aplicado a múltiples sectores, incluido el sanitario en áreas como la dermatología, el radiodiagnóstico o la oftalmología. Sin embargo, su aplicación al campo del diagnóstico por imagen en el laboratorio de microbiología no ha llegado hasta muy recientemente.
Hablamos de sistemas de aprendizaje automático capaces de dotar a máquinas y programas informáticos de habilidades de reconocimiento y resolución de problemas regidos por el funcionamiento de un conjunto de reglas. El famoso «algoritmo» [3].
¿Cómo «entrenar» a un algoritmo para que sea capaz de diagnosticar a través de imágenes?
El análisis de imágenes debe estar acompañado por información relacionada con el paciente, junto a una historia clínica y otros estudios o análisis realizados por diversos profesionales, ya que tal información y datos extra pueden aportar pistas y dar respuestas a las preguntas, dudas u observaciones que van surgiendo a medida que se realiza el análisis de las imágenes médicas.
Actualmente, los algoritmos de IA están muy desarrollados. Muchos de ellos basados en las estructuras neurológicas de descomposición y análisis de imágenes del ser humano (deep learning) donde se incluyen las redes neuronales convolucionales que se han aplicado especialmente para el procesamiento de imágenes médicas. Cuentan con la capacidad adicional de aceptar estructuras multidimensionales (como imágenes comunes, imágenes descompuestas por colores, o series de imágenes) y caracterizarlas automáticamente.
Son factores críticos en IA a la hora de dotar de precisión al aprendizaje automático: la calidad, la cantidad y las variaciones de los materiales (Figura 2).
Figura 2. Pasos principales de la Inteligencia Artificial. Elaboración propia
Procesamiento. Machine y deep learning.
Las imágenes presentan el desafío de que se encuentran compuestas por millones de píxeles los cuales contienen información numérica respecto a la intensidad de luz o color en cada punto de las mismas. Tales píxeles no pueden ser tomados como una representación secuencial de datos, sino que deben pertenecer a una representación matricial bidimensional (como una fotografía) o tridimensional (la fotografía, descompuesta por capas de colores individuales).
Dicho en otras palabras, la ubicación e información de estos píxeles en el espacio de la imagen representará, en el caso de una fotografía, si un punto en particular forma parte de un parásito, una bacteria, un hongo, o un leucocito.
El procesamiento de una imagen médica requiere de un complejo sistema de datos capturados y revelados por distintos individuos, junto con una gran base de datos de experiencia acumulada por profesionales. Lleva tiempo y esfuerzo, y es propenso a errores.
Los algoritmos de machine learning (Figura 3), han dado la capacidad a las computadoras de aprender basándose en ejemplos, generando modelos con los cuales analizar diferentes datos de entrada en busca de patrones conocidos, determinando la existencia de estos y clasificando casos nunca vistos por tales modelos. Estas herramientas ayudan a identificar patrones característicos de forma rápida, descartando los casos de normalidad o anormalidad con seguridad.
«El análisis de las imágenes médicas es un proceso complejo que requiere años de experiencia médica»
Procesamiento. Machine y deep learning.
Las imágenes presentan el desafío de que se encuentran compuestas por millones de píxeles los cuales contienen información numérica respecto a la intensidad de luz o color en cada punto de las mismas. Tales píxeles no pueden ser tomados como una representación secuencial de datos, sino que deben pertenecer a una representación matricial bidimensional (como una fotografía) o tridimensional (la fotografía, descompuesta por capas de colores individuales).
Dicho en otras palabras, la ubicación e información de estos píxeles en el espacio de la imagen representará, en el caso de una fotografía, si un punto en particular forma parte de un parásito, una bacteria, un hongo, o un leucocito.
El procesamiento de una imagen médica requiere de un complejo sistema de datos capturados y revelados por distintos individuos, junto con una gran base de datos de experiencia acumulada por profesionales. Lleva tiempo y esfuerzo, y es propenso a errores.
Los algoritmos de machine learning (Figura 3), han dado la capacidad a las computadoras de aprender basándose en ejemplos, generando modelos con los cuales analizar diferentes datos de entrada en busca de patrones conocidos, determinando la existencia de estos y clasificando casos nunca vistos por tales modelos. Estas herramientas ayudan a identificar patrones característicos de forma rápida, descartando los casos de normalidad o anormalidad con seguridad.
Figura 3. Categorías del Machine learning. Adaptado de Tran NK et al [4].
Un microscopio Point of Care Testing (POC), ideal para entornos desfavorecidos
Existe una necesidad apremiante de implantar técnicas diagnósticas de análisis de imagen fáciles de usar que sean adecuadas para su uso en entornos de atención médica [5,6]. En los países en desarrollo y en las regiones rurales más remotas, el uso de pruebas en el lugar de atención busca las mejores opciones para hacer que el diagnóstico y el tratamiento de enfermedades como la malaria, el Virus de la Inmunodeficiencia Humana (VIH) o la tuberculosis estén al alcance de las personas.
Los microscopios basados en teléfonos móviles están recibiendo cada vez más atención, son livianos y fáciles de transportar. Estas herramientas pueden digitalizar, guardar y transferir imágenes a sistemas en la nube para su posterior análisis. Una emulación de la visualización microscópica mediante la captura y el procesamiento de imágenes podría ser una alternativa rápida y eficiente para realizar el diagnóstico. Ya se han utilizado para detectar distintas parasitosis, incluida la malaria (figura 4) [7,8]. Se están desarrollando varias aplicaciones de software y herramientas para detectar los parásitos de la malaria en imágenes de muestras de frotis de sangre gruesa y fina utilizando microscopía óptica convencional [9]. Los métodos de imágenes microscópicas computacionales para la detección de objetos han logrado gran importancia en los estudios biomédicos [10].
Figura 4. Diagnóstico de malaria basado en Inteligencia Artificial. Adaptado de Maturana C et al [11].
Hacia donde vamos…
Los métodos tradicionales de análisis de imagen todavía se consideran el estándar de oro para el diagnóstico en enfermedades infecciosas. Sin embargo, sus limitaciones en sensibilidad y especificidad debido al factor humano y su alto coste a nivel de recursos humanos son factores que considerar.
El desarrollo y la llegada de herramientas de diagnóstico alternativas han demostrado tener una precisión elevada. No requiriendo el uso equipos costosos; ni necesidad de técnicos altamente cualificados (solo la preparación de muestras, el funcionamiento de la máquina y el procesamiento informático están controlados por técnicos humanos con una formación básica, disminuyendo el sesgo de interpretación). Este enfoque las convierte en instrumentos muy prometedores para el diagnóstico. Sin embargo, aún existen muchas limitaciones en su aplicación en entornos clínicos reales, sobre todo en áreas de baja renta con acceso limitado a determinadas técnicas o a Internet.
Por lo tanto, la combinación de métodos convencionales y avanzados puede disminuir las limitaciones y mejorar la precisión del diagnóstico utilizando las ventajas de cada técnica.
En un futuro cercano, se espera que tanto la digitalización como las máquinas y procesos automatizados tengan un impacto crítico en la forma en que funcionan los laboratorios de microbiología. Agilizando procesos y brindando herramientas que ayuden a encontrar anomalías de forma rápida, y descartando los casos de pacientes sanos con seguridad y rapidez.
«Los algoritmos de Deep Learning son la alternativa para el análisis automático de imágenes médicas, y para la detección de patologías basada en miles de casos previos y de la experiencia recolectada por cientos de profesionales capaces de reconocer patrones que les permitan detectar anomalías o signos que puedan indicar algún tipo de patología»
Referencias:
- Ruenchit P. State-of-the-Art Techniques for Diagnosis of Medical Parasites and Arthropods. Diagnostics (Basel). 2021 Aug 26;11(9):1545. doi: 10.3390/diagnostics11091545. PMID: 34573887; PMCID: PMC8470585.
- Hamet,P.; Tremblay, J. Artificial intelligence in medicine. Metabolism 2017, 69S, S36–S40.
- Smith, K.P.; Kirby, J.E. Image analysis and artificial intelligence in infectious disease diagnostics. Microbiol. Infect. 2020, 26, 1318–1323
- Tran NK, Albahra S, May L, Waldman S, Crabtree S, Bainbridge S, Rashidi H. Evolving Applications of Artificial Intelligence and Machine Learning in Infectious Diseases Testing. Clin Chem. 2021 Dec 30;68(1):125-133. doi: 10.1093/clinchem/hvab239. PMID: 34969102; PMCID: PMC9383167.
- Yang,H.C.; Islam, M.M.; Jack Li, Y.C. Development of user-friendly tools for biomedical research and healthcare. Methods Programs Biomed. 2018, 167, A1.
- Chen, H.; Liu, K.; Li, Z.; Wang, P. Point of care testing for infectious diseases. Chim. Acta 2019, 493, 138–147.
- Coulibaly, J.T.; Ouattara, M.; D’Ambrosio, M.V.; Fletcher, D.A.; Keiser, J.; Utzinger, J.; N’Goran, E.K.; Andrews, J.R.; Bogoch, I.I. Accuracy of mobile phone and handheld light microscopy for the diagnosis of schistosomiasis and intestinal protozoa infections in Côte d’Ivoire. PLoS Negl. Trop. Dis. 2016, 10, e0004768.
- Stemple, C.C.; Angus, S.V.; Park, T.S.; Yoon, J.Y. Smartphone-based optofluidic lab-on-a-chip for detecting pathogens from blood. Lab. Autom. 2014, 19, 35–41.
- Yu, H., Yang, F., Rajaraman, S., Ersoy, I., Moallem, G., and Poostchi, M. (2020). Malaria screener: a smartphone application for automated malaria screening. BMC Infect. 20, 825–828. doi: 10.1186/s12879-020-05453-1
- Das, D. K., Mukherjee, R., and Chakraborty, C. (2015). Computational microscopic imaging for malaria parasite detection: a systematic review. Microsc. 260, 1–19. doi: 10.1111/jmi.12270
- Maturana CR, de Oliveira AD, Nadal S, Bilalli B, Serrat FZ, Soley ME, Igual ES, Bosch M, Lluch AV, Abelló A, López-Codina D, Suñé TP, Clols ES, Joseph-Munné J. Advances and challenges in automated malaria diagnosis using digital microscopy imaging with artificial intelligence tools: A review. Front Microbiol. 2022 Nov 15;13:1006659. doi: 10.3389/fmicb.2022.1006659. PMID: 36458185; PMCID: PMC9705958.
