Mejoran el diagnóstico automatizado de malaria mediante redes neuronales profundas

La malaria por Plasmodium falciparum se mantiene como una de las mayores cargas sanitarias mundiales con más de 228 millones de casos en todo el mundo en 2018. En ese año hubo aproximadamente 405.000 muertes por malaria en todo el mundo, y la región africana representó el 93% de estas muertes, principalmente entre niños.

Aunque hay una variedad de técnicas que se han desarrollado para el diagnóstico del paludismo, la microscopía óptica convencional en un frotis de sangre de gota gruesa y un extendido delgado coloreado con Giemsa sigue siendo el estándar de oro. Técnicas como la reacción en cadena de la polimerasa, el ensayo de citometría de flujo y los métodos basados en colorantes de fluorescencia carecen de una metodología estandarizada universalmente, presentan costos elevados y requieren una mejora en el control de calidad.


Un equipo de científicos del Colegio Universitario de Londres (Londres, Reino Unido) aprovechó las etiquetas de microscopía clínica de rutina de sus clínicas de malaria con control de calidad, para capacitar a un clasificador de malaria de red neuronal convolucional profunda (DeepMCNN), para el diagnóstico automatizado de la malaria. El sistema DeepMCNN también proporciona recuentos totales de parásitos de la malaria (PM) y glóbulos blancos (WBC) que permiten un cálculo de la parasitemia en PM/μL. Los parásitos de la malaria se detectaron y contaron mediante microscopía operada por expertos humanos después de la coloración de Giemsa de frotis de sangre gruesos y delgados. El criterio para declarar a un participante libre de parásitos de la malaria fue que no hubiera parásitos detectables en 100 campos de gran aumento (100 ×) en frotis gruesos.

Los investigadores capturaron imágenes con un microscopio BX63 de campo brillante vertical (Olympus, Tokio, Japón), equipado con una lente objetivo 100 ×/1,4 NA, una plataforma de posicionamiento de muestras x-y motorizada (Prior Scientific, Cambridge, Reino Unido) y una cámara a color para capturar imágenes de muestras de gota gruesa coloreadas con Giemsa. Estos frotis preparados en sus clínicas ensayaron el uso de métodos de detección de objetos basados en el aprendizaje profundo para identificar tanto los parásitos de P. falciparum como los núcleos de glóbulos blancos (GB) en las imágenes de extensiones de sangre de gota gruesa con profundidad de campo extendida (EDoF).

El equipo informó que la validación prospectiva de DeepMCNN logró una sensibilidad/especificidad de 0,92/0,90 frente al diagnóstico de malaria a nivel de expertos. El desempeño de VPP/VPN fue de 0,92/0,90, que es clínicamente utilizable en sus entornos holoendémicos en una metrópoli densamente poblada.

Los autores concluyeron que sus datos abiertos y en DeepMCNN, fácilmente implementable, proporcionan una plataforma clínicamente relevante, donde otros proveedores de atención médica podrían aprovechar sus etiquetas de diagnóstico de nivel de paciente, fácilmente disponibles, para adaptar y mejorar aún más la exactitud del clasificador DeepMCNN para su configuración de ruta clínica. El estudio fue publicado en la edición de agosto de 2020 de la revista American Journal of Hematology.

Enlace relacionado:
Colegio Universitario de Londres
Prior Scientific