Desarrollo e implementación de algoritmo de Inteligencia Artificial basado para la detección de parásitos de malaria
Lin Lin (1), María Linares Gómez (2), María Postigo Camps (3), Adriana Mousa Urbina (1), José Miguel Rubio Muñoz (4), Quique Bassat Orellana (5), Miguel Luengo-Oroz (1)
1 SpotLab
2 Hospital 12 de Octubre Servicio de Hematología
3 SpotLab
4 Instituto de Salud Carlos III (ISCIII)
5 Instituto de Salud Global de Barcelona (ISGlobal)
Introducción
El diagnóstico de la malaria requiere la confirmación mediante microscopía óptica o test diagnóstico rápido (TDR) de la presencia de parásitos en un paciente enfermo. La microscopía es una técnica fiable que requiere personal formado adecuadamente.
La revolución de la inteligencia artificial (IA) en el campo del diagnóstico ofrece posibilidades de automatización sin precedentes, como los recientes avances en neuroimagen o patología (Topol’19) (Rajkomar’19). Sin embargo, para el análisis de enfermedades tropicales, la IA sigue estando infrautilizada.
Objetivos
Este estudio tiene como objetivo desarrollar y evaluar algoritmos de IA para el análisis de imágenes microscópicas de malaria basados en redes neuronales (deep learning). Estos algoritmos serán integrados en una plataforma web para que puedan servir de apoyo a especialistas.
Materiales y Métodos
Para este estudio se han usado 1.221 campos digitalizados, de frotis de sangre de gota gruesa con tinción de Giemsa, procedentes de pacientes diagnosticados en Uganda, Mozambique y España.
Los campos, se dividen en subimágenes de 64×64 pixeles resultando en 380.000 subimagenes que pueden contener parásitos y se usan para entrenamiento, test y evaluación independiente; clasificándose como positivas o negativas. Se han probado cuatro métodos de clasificación: VGG16, VGG19, un modelo propuesto en Quinn’18 y un modelo con 3 capas CNN.
Resultados
La IA se ha entrenado y calibrado para potenciar la sobredetección, no obviar ningún parásito y que sea el especialista el que realice el filtrado, detectando más falsos positivos para considerar todos los casos posibles. El método VGG16 ha mostrado 93.30% de sensibilidad y 32.30% de precisión, el VGG19 96.10% y 32.30%, el método adaptado de Quinn’18 77.70% y 63.00% y el método con 3 capas convolucionales, 98.10% y 43.10%, respectivamente.
Conclusiones
Nuestro modelo permite priorizar los campos positivos, lo que facilitaría la labor de análisis y ahorraría tiempo de examen. Concretamente en el caso de examinar 50 campos donde 1 fuera positivo, el método lo colocaría en las cinco primeras posiciones con una probabilidad de 86%, permitiendo así su detección temprana.
Se está trabajando la incorporación de esta herramienta en el flujo de trabajo de diagnóstico digital, la expansión a otras patologías y la utilización en imágenes de smartphone en tiempo real.
Financiación
