Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El aprendizaje de máquina puede aumentar diagnósticos de la enfermedad de riñón

Dos nuevos estudios revelan ese aprendizaje de máquina moderno--un brazo de la inteligencia artificial en el cual los sistemas aprenden de datos, determinan configuraciones, y toman decisiones--puede aumentar diagnósticos tradicionales de la enfermedad de riñón. Las conclusión aparecen en una aplicación próxima JASN.

Los patólogos clasifican a menudo diversas enfermedades de riñón en base de evaluaciones visuales de biopsias de los riñones de los pacientes; sin embargo, el aprendizaje de máquina tiene el potencial de automatizar y de aumentar la exactitud de clasificaciones.

En un estudio, las personas llevadas por Pinaki Sarder, doctorado y Brandon Ginley, BS (Facultad de Medicina de Jacobs y ciencias biomédicas en la universidad en el búfalo) desarrollaron un algoritmo de cómputo para descubrir la severidad de la enfermedad de riñón diabética sin la intervención humana. El algoritmo examina una imagen digital de la biopsia del riñón de un paciente en el nivel microscópico y extrae la información sobre los glomérulos, los pequeños vasos sanguíneos del riñón que desecho del filtro de la sangre para la excreción. Estas estructuras se saben para dañarse progresivamente y para marcarse con una cicatriz a lo largo de la diabetes.

Hay típicamente 10 a 20 glomérulos individuales por biopsia, y el algoritmo descubre la situación de cada subcomponente glomerular en las imágenes digitales, y después hace muchas mediciones en cada subcomponente. “El algoritmo entonces ve todas las características medidas a partir de la una biopsia del paciente en una serie, apenas como un doctor exploraría la biopsia de un paciente que va del glomérulo al glomérulo y examinando cada uno la estructura,” explicó al Dr. Sarder. “El algoritmo tiene una memoria larga y a corto plazo mientras que examina la estructura glomerular, así que puede recordar e información incorporada de todos los glomérulos en su análisis final,” Sr. adicional Ginley.

Los investigadores utilizaron su método digital para clasificar muestras de la biopsia a partir de 54 pacientes con enfermedad de riñón diabética y para encontrar el acuerdo sustancial entre las clasificaciones digitales y ésas de 3 diversos patólogos.

En otro artículo de JASN publicado al mismo tiempo, las personas llevadas por Jeroen van der Laak, doctorado y Meyke Hermsen, BSCA (centro médico de la universidad de Radboud, Nimega, los Países Bajos) aplicaron el aprendizaje de máquina examinar biopsias del trasplante del riñón y fueron más allá de los glomérulos a fijar clases múltiples del tejido en el riñón. Los investigadores desarrollaron un modelo del aprendizaje de máquina llamado una “red neuronal circumvolucional” (CNN) y encontraron que podría ser aplicado a los tejidos de centros múltiples, para las biopsias y las muestras de la nefrectomía, y para el análisis de tejidos sanos y enfermos. Además, validaron los resultados de CNN con métodos estándar de la clasificación.

En esta investigación aplicamos la inteligencia artificial de analizar exacto el tejido del trasplante del riñón. Esto facilitará la investigación del trasplante del riñón rindiendo los datos altamente exactos y reproductivos que caracterizan procesos de la enfermedad, y a más largo plazo también lleva a las diagnosis perfeccionadas para los pacientes trasplantados, que pueden perfeccionar supervivencia del órgano. Él observó que el funcionamiento de CNN excedió sus expectativas, especialmente la exactitud con la cual podría distinguir tubuli próximo de tubuli distal--dos diversos tipos de túbulos del riñón. “Incluimos 8 más clases del tejido y la red no realizó igualmente bueno para todos. Por ejemplo, la determinación de si un túbulo está en un estado atrófico puede ser difícil para un observador humano, y la red luchó con esto también. Estamos trabajando en la fabricación de la red mejor en esta clasificación.”

Jeroen van der Laak, doctorado, centro médico de la universidad de Radboud, Nimega, los Países Bajos

Ms Hermsen agregó que el aprendizaje de máquina se ha aplicado solamente escaso en el campo del riñón, limitado sobre todo a descubrir una única estructura. “Aserrábamos al hilo que debe mucho más información--y pueda--extráigase de tejido del riñón para soportar completo la evaluación del injerto,” ella dijo.

Un editorial que acompaña los dos estudia puntos culminantes los puntos fuertes y débiles del aprendizaje de máquina.