Herramienta de IA diagnostica enfermedad celíaca en imágenes de biopsia con precisión superior al 97%

La enfermedad celíaca es un trastorno autoinmune desencadenado por el consumo de gluten, que causa síntomas como calambres estomacales, diarrea, erupciones cutáneas, pérdida de peso, fatiga y anemia. Debido a la amplia variación de síntomas entre individuos, los pacientes a menudo tienen dificultades para obtener un diagnóstico preciso. El método estándar para diagnosticar la enfermedad celíaca consiste en realizar una biopsia del duodeno (la primera parte del intestino delgado). Posteriormente, los patólogos examinan la muestra al microscopio o en una computadora para identificar daños en las vellosidades, que son diminutas estructuras similares a pelos que recubren el intestino delgado. Interpretar estas biopsias puede ser difícil, ya que los cambios suelen ser sutiles. Los patólogos suelen utilizar la escala de Marsh-Oberhuber para evaluar la gravedad de la afección, que va de cero (vellosidades normales, lo que indica una baja probabilidad de enfermedad celíaca) a cuatro (vellosidades completamente aplanadas, lo que indica una enfermedad grave). Una nueva investigación muestra que un algoritmo de aprendizaje automático logró determinar con precisión, en 97 de cada 100 casos, si una persona padecía enfermedad celíaca basándose en su biopsia.

Esta herramienta de IA, desarrollada por científicos de la Universidad de Cambridge (Cambridge, Reino Unido), podría acelerar el diagnóstico de la enfermedad celíaca, aliviar la presión sobre los sistemas de salud sobrecargados y mejorar los diagnósticos en los países en desarrollo, donde hay una escasez significativa de patólogos. En una investigación publicada en The New England Journal of Medicine AI, los investigadores de Cambridge presentaron su algoritmo de aprendizaje automático diseñado para clasificar datos de imágenes de biopsia. El algoritmo se entrenó con un conjunto de datos completo de más de 4.000 imágenes obtenidas de cinco hospitales, utilizando cinco escáneres diferentes de cuatro fabricantes diferentes. El equipo también probó su algoritmo en un conjunto de datos independiente de casi 650 imágenes de una fuente invisible. En comparación con los diagnósticos originales realizados por los patólogos, el modelo identificó correctamente la presencia o ausencia de enfermedad celíaca en más de 97 casos de cada 100.

El modelo demostró una sensibilidad superior al 95 %, lo que significa que identificó con precisión a más de 95 de cada 100 personas con enfermedad celíaca. Además, tuvo una especificidad cercana al 98 %, lo que significa que identificó correctamente a casi 98 de cada 100 personas sin la enfermedad. Investigaciones previas del equipo han demostrado que incluso los patólogos pueden tener opiniones diferentes. En un estudio, al solicitar el diagnóstico de la enfermedad celíaca en una serie de 100 portaobjetos, más de uno de cada cinco casos generó desacuerdos entre los patólogos. En este nuevo estudio, los investigadores pidieron a cuatro patólogos que revisaran 30 portaobjetos y descubrieron que un patólogo tenía la misma probabilidad de estar de acuerdo con el modelo de IA que con otro.

“Esta es la primera vez que se ha demostrado que la IA diagnostica con la misma precisión que un patólogo experimentado, independientemente de si una persona padece celiaquía o no. Dado que la hemos entrenado con conjuntos de datos generados en diversas condiciones, sabemos que debería funcionar en una amplia gama de entornos, donde las biopsias se procesan y se obtienen imágenes de forma diferente”, afirmó el Dr. Florian Jaeckle, del Departamento de Patología e investigador en Hughes Hall, Cambridge. “Este es un paso importante para agilizar los diagnósticos y liberar tiempo de los patólogos para que se centren en casos más complejos o urgentes. Nuestro próximo paso es probar el algoritmo en una muestra clínica mucho mayor, lo que nos permitirá compartir este dispositivo con el organismo regulador y nos acercará a su uso en el NHS”.

Visitar la expo >

Miembro Oro

CONTROL DE CALIDAD DE TROPONINA T

Troponin T Quality Control

Verification Panels for Assay Development & QC
Seroconversion Panels

New

Respiratory Bacterial Panel

Real Respiratory Bacterial Panel 2

New

Multi-Function Pipetting Platform

apricot PP5