IA interpretable revela características celulares ocultas en imágenes de microscopía
Actualizado el 30 Apr 2026
Las imágenes de microscopía contienen valiosas pistas sobre la salud celular, pero muchas diferencias morfológicas relevantes para las enfermedades son demasiado sutiles para ser detectadas y difíciles de cuantificar de forma consistente. La inteligencia artificial (IA) ha sido de gran ayuda, pero muchos modelos funcionan como "cajas negras" opacas, lo que limita la confianza y la reproducibilidad en los flujos de trabajo clínicos.
Herramientas más transparentes que muestren qué características visuales influyen en las decisiones podrían acelerar la fenotipificación fiable de células individuales. Un nuevo estudio presenta un marco de IA interpretable que aprende características morfológicas reutilizables a partir de imágenes celulares para caracterizar mejor los estados celulares.
En la Universidad de Hong Kong (HKU), investigadores desarrollaron MorphoGenie, un marco de IA diseñado para analizar imágenes de células individuales y revelar patrones sutiles pero significativos relacionados con la identidad, el estado y el comportamiento celular.
A diferencia de los modelos convencionales, MorphoGenie está concebido para ser interpretable, lo que permite a los usuarios ver qué características de la imagen sustentan cada predicción. El sistema aprende un conjunto compacto de “bloques básicos” reutilizables —incluidos el tamaño y la forma celular, la textura interna general y detalles locales finos— y los recombina para describir diversas condiciones celulares.
MorphoGenie aplica el principio de composicionalidad de la IA a la morfología celular, aprendiendo conceptos directamente de las imágenes en lugar de depender de etiquetas manuales o características diseñadas manualmente. El sistema organiza la información compleja de las imágenes en una representación concisa y comprensible para el ser humano.
Funciona con diversas modalidades de microscopía, incluyendo la obtención de imágenes de fase cuantitativas sin etiquetas y la microscopía de fluorescencia, y puede transferir las características aprendidas de un conjunto de datos a otros conjuntos de datos no vistos previamente.
En demostraciones, el equipo de la HKU demostró que MorphoGenie distingue los principales subtipos de células de cáncer de pulmón, detecta cambios morfológicos inducidos por fármacos y monitoriza procesos dinámicos como la progresión del ciclo celular y la transición epitelio-mesenquimal.
El trabajo se ha publicado en Nature Communications . Este enfoque está diseñado para facilitar análisis más transparentes en biomedicina, donde la confianza, la reproducibilidad y el conocimiento científico son fundamentales.
“Uno de los objetivos a largo plazo de la IA es crear sistemas que aprendan de conceptos reutilizables, en lugar de simplemente memorizar patrones. Los humanos lo hacemos de forma natural: comprendemos el mundo combinando ideas simples para formar otras más complejas", afirmó el profesor Kevin Tsia, del Departamento de Ingeniería Eléctrica e Informática y director del Programa de Ingeniería Biomédica de la Universidad de Hong Kong.
"MorphoGenie aplica un principio similar a la morfología celular, lo que contribuye a que la IA sea más transparente, adaptable y potencialmente más útil para el diagnóstico de enfermedades en el futuro”, dijo el profesor Kevin Tsia.
"Las imágenes celulares contienen información mucho más rica de la que podemos describir fácilmente utilizando únicamente mediciones convencionales", afirmó la Dra. Rashmi Sreeramachandra Murthy, primera autora del estudio.
"Al aprender primitivas visuales interpretables, MorphoGenie ayuda a revelar patrones biológicos significativos que de otro modo permanecerían ocultos, al tiempo que permite a los investigadores comprender qué utiliza la IA para interpretar los dato", añadió la Dra. Murthy.
Enlaces relacionados
Universidad de Hong Kong
