Los microscopios mejorados con inteligencia artificial (IA) podrían ayudar a los microbiólogos clínicos a diagnosticar infecciones potencialmente mortales y mejorar las probabilidades de supervivencia de los pacientes.
Los científicos han demostrado que un sistema de microscopio automatizado con IA es “muy hábil” para identificar imágenes de bacterias de forma rápida y exacta. El sistema automatizado podría ayudar a aliviar la falta actual de microbiólogos altamente capacitados, que se espera empeore a medida que el 20% de los tecnólogos alcancen la edad de jubilación en los próximos cinco años.
Los científicos que trabajan con el Departamento de Patología, en el Centro Médico Beth Israel Deaconess (Boston, MA, EUA), usaron un microscopio automático diseñado para recolectar datos de imágenes de alta resolución de los portaobjetos microscópicos. En este caso, se incubaron las muestras de sangre tomadas de pacientes con sospecha de infecciones en el torrente sanguíneo para aumentar el número de bacterias. Luego, se prepararon las láminas colocando una gota de sangre en un portaobjetos de vidrio y se colorearon para hacer que las estructuras de las células bacterianas fueran más visibles.
Los investigadores luego entrenaron una red neuronal convolucional (CNN), una clase de inteligencia artificial modelada en la corteza visual de los mamíferos y utilizada para analizar datos visuales, para categorizar las bacterias en función de su forma y distribución. Estas características se seleccionaron para representar a las bacterias que, con mayor frecuencia, causan infecciones del torrente sanguíneo; las bacterias en forma de bastón que incluyen la Escherichia coli; los racimos redondos de especies de Staphylococcus y los pares o cadenas de las especies de Streptococcus. Se obtuvieron imágenes de todas las diapositivas sin usar cubreobjetos utilizando la plataforma de Escaneo e Imagenología de Láminas MetaFer (MetaSystems Group, Inc., Newton, MA, EUA) con un cargador automatizado con una capacidad de 140 portaobjetos, equipada con un objetivo de 40 × de aumento Plan-Neofluar (Abertura numérica 0,75, Carl Zeiss, Oberkochen, Alemania).
Para entrenarlo, los científicos alimentaron su red neuronal no educada con más de 25,000 imágenes de muestras de sangre preparadas durante los exámenes clínicos de rutina. Al recortar estas imágenes, en las que las bacterias ya habían sido identificadas por microbiólogos clínicos humanos, los científicos generaron más de 100.000 imágenes de entrenamiento. La inteligencia de la máquina aprendió a clasificar las imágenes en tres categorías de bacterias (con forma de bastón, agrupaciones redondas y cadenas o pares redondos), logrando, en última instancia, casi el 95% de exactitud.
El equipo desafió el algoritmo para clasificar imágenes nuevas de 189 láminas sin intervención humana. En general, el algoritmo logró una exactitud superior al 93% en las tres categorías. La sensibilidad/especificidad fue de 98,4/75,0% para los cocos Gram positivos en cadenas/pares; 93,2/97,2% para los cocos Gram positivos en racimos y de 96,3/98,1% para los bastones Gram negativos. El estudio se publicó el 29 de noviembre de 2017 en la revista Journal of Clinical Microbiology.
Fuente: Bio Lab News
