La enfermedad renal sigue a otros trastornos como un objetivo para el aprendizaje automático nuevo y mejorado. Como se publicó en una edición reciente de Science Daily, los patólogos a menudo han clasificado las enfermedades renales en función de las evaluaciones visuales de los riñones.

El aprendizaje automático, técnicamente una rama de la IA, ha demostrado potencial para aumentar la precisión para clasificar estas enfermedades. Fue concebido con la idea de que las máquinas no solo pueden procesar datos, sino que también pueden aprender sin supervisión humana. El aprendizaje automático incluye aprender de los datos, identificar patrones y tomar decisiones.

Dos estudios sobre el tema fueron publicados por (JASN) Journal of the American Society of Nephrology.

El primer estudio involucró a dos médicos de la Escuela de Medicina de Jacobs que lideraron a su equipo en el desarrollo de una fórmula computacional (algoritmo) que funciona completamente por sí sola para evaluar el trastorno renal diabético.

La fórmula ha sido desarrollada para examinar imágenes digitales de una biopsia renal. Se extrae información sobre los glomérulos. Estos son pequeños vasos sanguíneos capilares en el riñón donde los desechos se filtran y forman orina. La diabetes causa daño progresivo y cicatrices en los glomérulos.

Cada biopsia renal implica de diez a veinte glomérulos individuales. El algoritmo encuentra su subcomponente en las imágenes digitales y registra las mediciones para cada uno.

Al igual que un médico escanea la biopsia de un paciente, el algoritmo examina la estructura de cada uno de los glomérulos que ha registrado e incorpora esa información en su análisis.

Las muestras de cincuenta y cuatro diabéticos con enfermedad renal fueron clasificadas digitalmente por los investigadores. Se descubrió que se ajustaban a las clasificaciones presentadas por tres patólogos.

El Segundo Estudio

Un segundo artículo de JASN describió otro estudio que se realizó en el Centro Médico de la Universidad Radboud en los Países Bajos. El equipo utilizó el aprendizaje automático en su examen de biopsias tomadas de pacientes que recibieron trasplantes de riñón. Además de examinar los glomérulos, este estudio evaluó varias clases de tejido renal.

Red neuronal convolucional (CNN, por sus siglas en inglés)

CNN es un modelo de aprendizaje profundo en una clase de redes neuronales. CNN se puede aplicar a los tejidos de biopsias y muestras de nefrectomías (extirpación renal). El modelo es efectivo para analizar tejidos enfermos y sanos. Sus métodos de clasificación se ajustan a los utilizados en los métodos estándar.

Inteligencia Artificial (IA)

Los investigadores aplicaron IA para la precisión en el análisis de tejido del trasplante de riñón. El Dr. Van der Laak, el co-líder del estudio, explicó que el uso de IA generará datos más precisos. También mejorará el diagnóstico y la supervivencia de los órganos de los pacientes que se sometieron a trasplantes.

El médico se complació en anunciar que el desempeño de CNN superó sus expectativas. Sin embargo, el equipo incluyó ocho clases adicionales de tejido. En este caso, la red no superó al observador humano.

El equipo debía determinar si ciertas estructuras esenciales (túbulos renales) estaban en un estado atrófico (desapareciendo). El equipo actualmente se esfuerza por mejorar la precisión en esta clasificación.

En este momento, el aprendizaje automático solo se ha aplicado a los riñones y se ha limitado al análisis de una estructura.

Los investigadores que trabajan con el aprendizaje automático creen que en el futuro pueden extraer más información del tejido renal para apoyar la evaluación de un trasplante de riñón. La red ofrece una oportunidad para aplicaciones de aprendizaje profundo en diagnósticos estándar.

¿Qué piensas de esta emocionante rama de la Inteligencia Artificial? ¡Comparta sus anécdotas, ideas y deseos con la comunidad Patient Worthy! Este artículo ha sido traducido al español lo mejor posible dentro de nuestras habilidades. Reconocemos que tal vez no hayamos captado todas las matices y especificidades de su región, por lo que si tiene alguna sugerencia o desea ayudarnos a refinar nuestras traducciones, envíe un correo electrónico a [email protected].

Rose Duesterwald 19 de Marzo de 2020