La IA y los problemas difíciles del mundo ─ Medicina y descubrimiento de fármacos
Ciencia y erudición impulsadas por la IA, por disciplina
Feed RSS · 17 elementos
Un marco jerárquico interpretable de aprendizaje profundo para la detección del cáncer de pulmón y de colon
Título original: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Clasificar el cáncer de pulmón y de colon a partir de imágenes histopatológicas es difícil porque las clases se parecen y la morfología del tejido varía, y los modelos convencionales de aprendizaje profundo ofrecen poca transparencia. Los autores dividen la tarea de cinco clases en etapas de lo general a lo específico: primero tejido normal frente a cáncer, y después un clasificador especializado para las categorías de tejido normal o los subtipos de cáncer, eligiendo para cada etapa la mejor arquitectura. El marco alcanzó una exactitud del 98.50% en LC25000 y del 82.01% en el conjunto de datos independiente LungHist700, y se emplearon Grad-CAM, Grad-CAM++, LIME y Occlusion Sensitivity para resaltar las regiones de la imagen que sustentan sus predicciones.
Predicción basada en inteligencia artificial del carcinoma hepatocelular en personas sin infección por VHB o VHC en la era de la MASLD
Título original: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Las guías actuales de vigilancia del cáncer de hígado (CHC) se dirigen principalmente a personas con cirrosis o hepatitis viral. Los investigadores crearon un modelo de IA para predecir el riesgo de CHC en personas sin hepatitis viral, utilizando datos de aproximadamente 7.96 millones de adultos surcoreanos que se sometieron a exámenes de salud. De los doce modelos comparados, MHA_DNN obtuvo el mejor rendimiento y mantuvo una precisión constante en una cohorte de validación independiente. El índice de hígado graso y los triglicéridos fueron los predictores más influyentes, lo que sugiere un apoyo para una vigilancia personalizada basada en el metabolismo.
Un marco de aprendizaje profundo multitarea para la predicción automatizada del estado de salud a partir de imágenes de fondo de ojo retiniano mediante atención híbrida e IA explicable
Título original: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Los modelos de aprendizaje profundo existentes para imágenes de fondo de ojo retiniano abordan una sola tarea, ofrecen una interpretabilidad limitada y tienen dificultades ante la variación entre conjuntos de datos. Los autores proponen una red multitarea que clasifica la gravedad de la retinopatía diabética, el glaucoma, la etapa de la DMAE y el riesgo cardiovascular a partir de una sola imagen en una única pasada hacia adelante, con explicaciones mediante Grad-CAM. Alcanzó una exactitud del 94.7% y un AUC de 0.978 en cuatro conjuntos de datos, superando estadísticamente a todos los modelos de tarea única, y un AUC de al menos 0.951 en la evaluación entre conjuntos de datos sin entrenamiento previo (zero-shot).
Un marco integrado de autómatas y aprendizaje automático para el diagnóstico inteligente de la salud mental
Título original: An automata-machine learning integrated framework for intelligent mental health diagnostics
La depresión entre los estudiantes a menudo pasa desapercibida hasta que se vuelve grave, por lo que se necesita una predicción temprana. Los autores combinaron el modelado conductual basado en autómatas finitos con aprendizaje automático, generando características a partir de los estados emocionales de los estudiantes y fusionando las características redundantes. Con un conjunto de random forest y KStar, la precisión aumentó del 82.02% de la línea base con random forest al 96.88% con las características basadas en autómatas. Los autores afirman que el enfoque mantiene las características interpretables y trazables.
Un marco de validación en varias etapas para la extracción fiable de información clínica a gran escala mediante modelos de lenguaje de gran tamaño
Título original: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
Validar modelos de lenguaje de gran tamaño para la extracción de información clínica suele requerir una costosa anotación manual. Los autores propusieron un marco de varias etapas que combina filtrado basado en reglas, fundamentación semántica, evaluación mediante un LLM juez, revisión por expertos y análisis de validez predictiva. Aplicado a diagnósticos de trastornos por consumo de sustancias en 919,783 notas clínicas, eliminó el 14.59% de las extracciones positivas del LLM por considerarlas infundadas o inverosímiles. El LLM principal alcanzó una puntuación F1 de 0.80 frente a las evaluaciones del juez, y los diagnósticos que extrajo predijeron la posterior atención especializada mejor que las líneas base de datos estructurados.
La IA detecta la enfermedad coronaria a partir de fotos del rostro y la lengua en una prueba pequeña
Título original: AI detects coronary heart disease from face and tongue photos in small test
Un nuevo estudio de China entrenó un sistema de IA con fotografías del rostro y la lengua para detectar la enfermedad coronaria (EC). En una prueba pequeña, el sistema identificó correctamente a todos los pacientes con EC.
Identificación de sonidos pulmonares adventicios en niños con enfermedades respiratorias en Bangladés mediante inteligencia artificial y auscultación digital
Título original: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Las directrices de atención integrada de las enfermedades prevalentes de la infancia tienen alta sensibilidad pero baja especificidad para la neumonía. Trabajadores de salud en Bangladés registraron los sonidos pulmonares de niños menores de cinco años con sospecha de neumonía mediante un estetoscopio digital, y se comparó un algoritmo de IA con un panel de pediatras. La IA detectó sonidos anormales con una sensibilidad del 61.8% y una especificidad del 60.7% en general, y del 63.5% y el 66.8% en los casos de neumonía según la AIEPI. Los autores describen este rendimiento como moderado, con necesidad de mejora en la clasificación de grabaciones ininterpretables.
Etiquetado autónomo de márgenes de resección quirúrgica mediante un modelo fundacional
Título original: Autonomous labeling of surgical resection margins using a foundation model
La evaluación de los márgenes de resección quirúrgica en patología se ve afectada por errores de marcado manual con tinta, distorsión del tejido y daño por cauterización. Los autores desarrollaron una red de marcado virtual con tinta que utiliza un modelo fundacional congelado y un pequeño clasificador para delimitar el margen en imágenes de portaobjetos completos sin tinta física. En 20 portaobjetos de bloques de tejido no vistos, alcanzó una precisión de aproximadamente 73,3 % a nivel de región y generó superposiciones que coincidían cualitativamente con las anotaciones de expertos. Los resultados son una prueba de concepto y requieren validación en cohortes clínicas más grandes.
Caracterización fenotípica clínica de la grasa parda humana mediante inteligencia artificial
Título original: Artificial intelligence-enabled clinical phenotyping of human brown fat
Han faltado métodos para cuantificar a gran escala la actividad del tejido adiposo pardo (TAP) en humanos. Con datos de 101,243 pacientes de un gran centro oncológico, los autores cuantificaron de forma semiautomática la actividad del TAP en unos 8,700 pacientes mediante aprendizaje automático. Una mayor actividad del TAP, especialmente en el depósito axilar, se asoció con menores probabilidades de enfermedad cardiometabólica y con una distribución más saludable de la grasa blanca.
Un modelo fundacional todo en uno para la restauración y mejora de imágenes médicas multimodales
Título original: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound es un modelo fundacional que restaura y mejora imágenes médicas degradadas por ruido, artefactos de movimiento, bajo contraste o adquisición con dosis baja en siete modalidades, entre ellas TC, RM, PET, endoscopia, ecografía, fondo de ojo y rayos X. Entrenado con 3,76 millones de imágenes emparejadas, superó a 38 modelos de referencia específicos y generales en métricas de calidad de imagen, evaluación clínica y pruebas de robustez. Las imágenes mejoradas también aumentaron el rendimiento en 44 tareas de detección de enfermedades, en la predicción del estadio tumoral y en la estratificación del riesgo de supervivencia en el cáncer de pulmón de células no pequeñas.
Señales ocultas en el sueño pueden predecir la salud futura
Título original: Hidden signals in sleep can predict future health
Las herramientas de IA pueden extraer de una sola noche de sueño patrones fisiológicos que las medidas convencionales del sueño pasan por alto, y estos patrones se relacionan con enfermedades y mortalidad. Dos artículos recientes, en Nature Communications y Nature Medicine, sugieren que los datos del sueño contienen mucha más información sobre la salud que la que extraen actualmente los médicos y los investigadores. Cada vez hay más pruebas de que los cambios en el sueño pueden aparecer antes de que se diagnostique una enfermedad.
El análisis con aprendizaje automático del transporte de partículas impulsado por cilios distingue la discinesia ciliar primaria de los cilios normales
Título original: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
La discinesia ciliar primaria (DCP) es una enfermedad genética con cilios disfuncionales en su movimiento, y su diagnóstico sigue siendo difícil. Los autores desarrollaron CiliaTracks, un marco de aprendizaje automático que analiza el transporte de partículas en células de las vías respiratorias cultivadas, captado mediante microscopía de alta velocidad. Modelos clásicos de aprendizaje automático y una red neuronal convolucional clasificaron grabaciones de 14 personas con DCP y 10 donantes sanos con una precisión del 95-97%.
Segmentación de tumores cerebrales mediante ecualización de histograma optimizada por enjambre de partículas y una U-Net basada en VGG19
Título original: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
La segmentación de tumores cerebrales en resonancia magnética es lenta, propensa a errores y está afectada por el sesgo del operador, y los modelos de aprendizaje profundo a menudo carecen de interpretabilidad. Los autores proponen SPOHE-VGGNet, que combina una U-Net modificada con VGG-19 y una ecualización de histograma optimizada mediante enjambre de partículas para mejorar el contraste de las imágenes de resonancia magnética. Alcanzó coeficientes de Dice de 0,9522 (meningioma), 0,9428 (glioma) y 0,9518 (tumor hipofisario) en el conjunto de datos de Figshare y de 0,9463 para la segmentación del tumor completo en BraTS 2021, aunque los autores señalan que aún se requiere validación externa, volumétrica y centrada en los clínicos antes del uso clínico.
Aprovechando los modelos fundacionales geoespaciales planetarios de Earth AI para la salud pública mundial
Título original: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Las decisiones de salud pública suelen verse frenadas por los retrasos en la notificación, los datos aislados en silos y la escasez de datos. El Population Dynamics Foundation Model (PDFM) de Google comprime tendencias de búsqueda que preservan la privacidad, movilidad humana, densidad del entorno construido y factores ambientales en incrustaciones de ubicación. Estas incrustaciones pueden integrarse en los modelos epidemiológicos existentes sin un ajuste fino específico para cada tarea, y se presentaron cinco estudios de caso con socios.
Un pipeline basado en aprendizaje profundo para diferenciar la miocardiopatía hipertrófica de la amiloidosis cardíaca mediante ecocardiografía bidimensional de múltiples vistas
Título original: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
La miocardiopatía hipertrófica (MCH) y la amiloidosis cardíaca (AC) se parecen en la ecocardiografía, lo que dificulta distinguirlas. El estudio desarrolló un marco de aprendizaje profundo que clasifica imágenes de eco 2D en cinco vistas clínicamente relevantes, extrae características de cada vista y las fusiona. En una validación cruzada de cinco pliegues con 212 pacientes con MCH, 119 con AC y 200 controles, alcanzó una precisión de 0.83, una sensibilidad de 0.81, una especificidad de 0.89 y un micro-F1 de 0.82, y los autores lo describen como una herramienta diagnóstica fiable.
Una nueva formulación ayuda a las vacunas de ARN a resistir altas temperaturas
Título original: New formulation helps RNA vaccines withstand high temperatures
Las vacunas de ARN suelen requerir almacenamiento ultrafrío, por lo que investigadores del MIT usaron un algoritmo de IA para ajustar la formulación de las nanopartículas lipídicas que transportan las vacunas de ARNm. El algoritmo predijo formulaciones óptimas, lo que redujo el número de experimentos necesarios y aceleró el desarrollo. Las vacunas resultantes se mantuvieron estables hasta un año a temperatura ambiente o dos meses a casi 100°F, y en ratones una vacuna contra el Covid-19 produjo una respuesta inmunitaria tan fuerte como la de una vacuna de ARN similar a la de Moderna.
Estimación del riesgo de suicidio a partir de texto
Título original: Estimating suicide risk from text
Identificar a las personas con alto riesgo de suicidio es una prioridad para los consejeros durante las crisis de salud mental. Investigadores del McGovern Institute del MIT desarrollaron una herramienta de procesamiento del lenguaje que busca en el texto palabras y frases vinculadas a 49 factores de riesgo de suicidio para estimar el riesgo de una persona. En conversaciones de texto con consejeros de crisis, la herramienta predijo con precisión el riesgo de suicidio y, con más validación, podría respaldar la evaluación del riesgo en entornos clínicos y de apoyo en crisis.