Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

LabMedica

Deascargar La Aplicación Móvil
Noticias Recientes Expo COVID-19 Química Clínica Diagnóstico Molecular Hematología Inmunología Microbiología Patología Tecnología Industria Focus

IA automatiza el análisis de portaobjetos para diferenciar los subtipos de artritis reumatoide

Por el equipo editorial de LabMedica en español
Actualizado el 06 Sep 2024

La artritis reumatoide (AR) es un es un trastorno inflamatorio inmunomediado complejo que se caracteriza por una artritis inflamatoria y erosiva. Los avances recientes en la comprensión de la diversidad histopatológica del tejido sinovial de la AR han identificado tres fenotipos distintos en función de la composición celular, lo que destaca la necesidad de enfoques terapéuticos específicos. Actualmente, los patólogos clasifican manualmente los subtipos de artritis mediante el análisis de las características de las células y los tejidos en muestras de biopsias humanas, un proceso que requiere mucho tiempo y es costoso, lo que puede dar lugar a inconsistencias en el diagnóstico. Para abordar estos desafíos, se ha desarrollado una nueva herramienta de aprendizaje automático para mejorar la precisión y la eficiencia de la fenotipificación de la AR tanto en entornos preclínicos como clínicos.

En su estudio publicado el 29 de agosto en Nature Communications, los investigadores de Weill Cornell Medicine (Nueva York, NY, EUA) y Hospital for Special Surgery (HSS, Nueva York, NY, EUA) demostraron la capacidad de la inteligencia artificial (IA) y las tecnologías de aprendizaje automático para subtipificar de manera efectiva las muestras de patología de pacientes con AR. Esta diferenciación entre los subtipos de AR puede guiar a los médicos en la selección de la terapia más adecuada para cada paciente. Inicialmente, el equipo entrenó el algoritmo utilizando muestras de un modelo específico de ratón, optimizando su capacidad para identificar y categorizar tipos de tejidos y células en subtipos. Luego, se validó el algoritmo con otro conjunto de muestras, revelando su potencial para rastrear los impactos del tratamiento, como la reducción de la degradación del cartílago después de seis semanas de tratamientos estándar para la AR.


Imagen: El modelo de aprendizaje automático puede predecir células linfocitarias con alta precisión en portaobjetos de histología H&E (foto cortesía de Bell and Brindel, et al., 2024)
Imagen: El modelo de aprendizaje automático puede predecir células linfocitarias con alta precisión en portaobjetos de histología H&E (foto cortesía de Bell and Brindel, et al., 2024)

Posteriormente, la herramienta se aplicó a muestras de biopsias humanas, donde demostró ser tanto efectiva como eficiente en la clasificación de muestras clínicas. Los investigadores continúan validando esta herramienta con muestras adicionales de pacientes y explorando las mejores formas de integrarla en los flujos de trabajo patológicos existentes. Esta tecnología no solo promete optimizar el proceso de subtipificación, sino que también ofrece nuevas perspectivas sobre la artritis reumatoide al identificar cambios en los tejidos que podrían pasar desapercibidos para los observadores humanos. Los esfuerzos de desarrollo en curso por parte de los investigadores están dirigidos a crear herramientas de diagnóstico similares para otras condiciones como la osteoartritis, la degeneración discal y la tendinopatía, además de ampliar las aplicaciones del aprendizaje automático para identificar subtipos de otras enfermedades, como la enfermedad de Parkinson, basándose en conjuntos de datos biomédicos más amplios.

“Nuestra herramienta automatiza el análisis de diapositivas de patología, lo que podría, en un futuro, conducir a un diagnóstico de enfermedades más preciso y eficiente, así como a tratamientos personalizados para la AR”, dijo el Dr. Fei Wang, profesor de ciencias de la salud poblacional y director fundador del Instituto de IA para la Salud Digital (AIDH) en el Departamento de Ciencias de la Salud Poblacional en Weill Cornell Medicine. “Esto demuestra que el aprendizaje automático tiene el potencial de transformar la evaluación patológica de muchas enfermedades”.

"Al integrar diapositivas de patología con información clínica, esta herramienta demuestra el creciente impacto de la IA en el avance de la medicina personalizada", añadió la Dra. Rainu Kaushal, decana asociada senior de investigación clínica y presidenta del Departamento de Ciencias de la Salud Poblacional en Weill Cornell Medicine. "Esta investigación es particularmente emocionante ya que abre nuevas vías para la detección y el tratamiento, marcando avances significativos en cómo entendemos y cuidamos a las personas con artritis reumatoide".

Enlaces relacionados:
Weill Cornell Medicine
HSS


Miembro Oro
Turnkey Packaging Solution
HLX
Unit-Dose Packaging solution
HLX
New
DNA topoisomerase I ELISA
Anti-Scl-70 ELISA Test
New
Dengue Virus Immunochromatographic Assay
STANDARD Q Dengue IgM/IgG Test

Últimas Patología noticias

Solución de biopsia líquida permite la recolección no invasiva de muestras y la estabilización directa de ADN libre de células en la orina

Herramienta de IA utiliza imágenes digitalizadas de portaobjetos completos para el manejo del cáncer de próstata

Método de tinción de tejidos basado en IA detecta depósitos de amiloide sin necesidad de tinciones químicas ni microscopía de polarización