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.

La inteligencia artificial puede descubrir AML con alta confiabilidad

La inteligencia artificial puede descubrir una de las formas mas comunes del cáncer de sangre - leucemia mieloide aguda (AML) - con alta confiabilidad. Los investigadores en el centro alemán para las enfermedades de Neurodegenerative (DZNE) y la universidad de Bonn ahora han mostrado esto en un estudio del prueba-de-concepto. Su aproximación se basa en el análisis de la actividad de gen de las células encontradas en la sangre. Utilizada en la práctica, esta aproximación podía soportar diagnósticos convencionales y acelerar posiblemente el principio de la terapia. Los resultados de investigación se han publicado en el gorrón “iScience”.

La inteligencia artificial es un tema muy discutido en remedio, especialmente en el campo de diagnósticos.

Apuntamos investigar el potencial en base de un ejemplo específico. Porque esto requiere una gran cantidad de datos, evaluamos datos sobre la actividad de gen de glóbulos. Los estudios numerosos se han realizado en este tema y los resultados están disponibles a través de bases de datos. Así, hay un centro común de datos enorme. Hemos cerco virtualmente todo que está actualmente disponible.”

Profesor Joaquín Schultze, líder del grupo de investigación en el DZNE y el jefe del departamento para la genómica e Immunoregulation en el instituto de las CALES de la universidad de Bonn

Huella dactilar de la actividad de gen

Schultze y sus colegas se centraron en el “transcriptome”, que es una clase de huella dactilar de la actividad de gen. En cada célula, dependiendo de su condición, solamente ciertos genes “se encienden (con.) real”, que se refleja en sus perfiles de la actividad de gen. Tales datos - derivados de las células en muestras de sangre y atravesar muchos millares de genes - eran analizados exactamente en el estudio actual. “El transcriptome lleva a cabo la información importante sobre la condición de células. Sin embargo, los diagnósticos clásicos se basan en diversos datos. Por lo tanto quisimos descubrir lo que puede lograr un análisis del transcriptome usando la inteligencia artificial, es decir los algoritmos trainable,” dijo a Schultze, que es pieza “atado Bonn-basado de ImmunoSensation del” de la excelencia. “A largo plazo, nos preponemos aplicar esta aproximación a otros temas, particularmente en el campo de la demencia.”

El estudio actual centrado en AML. Sin el tratamiento adecuado, esta forma de la leucemia lleva a la muerte dentro de semanas. AML se asocia a la proliferación de las células patológico alteradas de la médula, que pueden entrar en final la circulación sanguínea. Final las células sanas y las células del tumor cambian en la sangre. Todas estas células exhiben las configuraciones típicas de la actividad de gen, que todas eran consideradas en el análisis. Los datos de más de 12.000 muestras de sangre - éstas vino a partir de 105 diversos estudios - fueron tenidos en cuenta: el grupo de datos más grande hasta la fecha para un metastudy en AML. Aproximadamente 4.100 de estas muestras de sangre derivadas de los individuos diagnosticados con AML, el permanecer habían sido recogidos de individuos con otras enfermedades o de individuos sanos.

Alto régimen de golpe

Los científicos introdujeron sus piezas de los algoritmos de este conjunto de datos. La entrada incluyó la información sobre si una muestra vino de un paciente de AML o no. “Los algoritmos entonces exploraron el transcriptome para las configuraciones enfermedad-específicas. Esto es un proceso en gran parte automatizado. Ha llamado el aprendizaje de máquina,” dijo a Schultze. De acuerdo con este reconocimiento de patrones, otros datos eran analizados y clasificados por los algoritmos, es decir categorizado en muestras con AML y sin AML. “Por supuesto, conocíamos la clasificación mientras que fue enumerada en los datos originales, pero el software no hizo. Entonces verificamos el régimen de golpe. Estaba encima del 99 por ciento para algunos de los métodos aplicados. De hecho, probamos diversos métodos del repertorio del aprendizaje de máquina y de la inteligencia artificial. Había real un algoritmo que era determinado bueno, pero los otros estaban cercanos detrás.”

¿Uso en la práctica?

Puesto en el uso, este método podría soportar diagnósticos convencionales y la ayuda salvar costos, dijo a Schultze. “En principio, una muestra de sangre recogida por el médico de cabecera y enviada a un laboratorio para el análisis podía ser suficiente. Conjeturo que el costo sería menos de 50 euros.” Los diagnósticos clásicos de AML incluyen una variedad de métodos. Algunos de éstos costaron unas centenas euros por corrida, Schultze observaron. “Sin embargo, todavía no hemos desarrollado una prueba realizable. Hemos mostrado solamente que la aproximación trabaja en principio. Hemos puesto tan la base para desarrollar una prueba.”

Schultze acentuó que la diagnosis de AML continuará requerir a médicos especializados en el futuro. “El objetivo es proveer de los expertos una herramienta que los soporte en su diagnosis. Además, muchos pacientes pasan con una odisea real hasta ellos finalmente terminan hacia arriba con un especialista y consiguen una diagnosis.” Porque en los primeros tiempos los síntomas de AML pueden asemejarse a los de un frío malo. Sin embargo, AML es una enfermedad peligrosa para la vida que se debe tratar lo más rápidamente posible. “Con un análisis de sangre, como parece posible en base de nuestro estudio, es concebible que el médico de cabecera clarificaría ya una sospecha de AML. Y cuando se confirma la sospecha, refieren al paciente un especialista. Posiblemente, la diagnosis entonces suceso anterior que ahora hace y la terapia podría comenzar anterior.”

Source:
Journal reference:

Warnat-Herresthal, S., et al. (2019) Scalable prediction of acute myeloid leukemia using high-dimensional machine learning and blood transcriptomics. iScience. doi.org/10.1016/j.isci.2019.100780.