La inteligencia artificial (IA), con el uso de sistemas de visión, se está convirtiendo cada vez más en un componente importante de la informática de la microbiología clínica.
Los investigadores, microbiólogos, laboratoristas y diagnosticadores están interesados en las pruebas basadas en la IA porque estas soluciones tienen el potencial de mejorar el tiempo de respuesta, la calidad y el costo de una prueba.
Un estudio realizado por Mathison et al. utilizó la IA de visión computarizada, pero existen oportunidades adicionales para aplicaciones de IA dentro del laboratorio de microbiología clínica.
Los grandes conjuntos de datos dentro de la microbiología clínica que son susceptibles de desarrollo de diagnósticos de IA incluyen información genómica de bacterias aisladas, hallazgos microbianos metagenómicos de especímenes primarios, espectros de masa capturados de aislamientos bacterianos cultivados e imágenes digitales de gran tamaño.
La IA en general y los sistemas de visión por computador en particular son herramientas emergentes que los microbiólogos clínicos necesitan estudiar, desarrollar e implementar para mejorar la microbiología clínica.
La inteligencia artificial (IA) es un tema candente en la sociedad y la medicina. La idea de que las máquinas pueden aprender y que los ordenadores pueden «pensar» es intrigante para muchos de nosotros.
Una aplicación de la IA es en el área de la interpretación de imágenes en la que el software puede reconocer y caracterizar objetos. Esta aplicación de la IA se describe comúnmente como «visión por computador».
La visión por computador a menudo utiliza el aprendizaje por máquina para desarrollar algoritmos de software, y el software de visión por computador ya se ha empleado en laboratorios de diagnóstico.
Por ejemplo, CellaVision utiliza la visión por computadora para clasificar la morfología de los glóbulos blancos, y se han realizado estudios para evaluar su capacidad para detectar los parásitos de la malaria. Se dispone de plataformas para clasificar los patrones de los anticuerpos antinucleares (ANA).
En los laboratorios de microbiología, los sistemas de visión por computador pueden utilizarse para ayudar en las pruebas de susceptibilidad, la detección de Enterococos resistentes a la vancomicina (VRE) o de Staphylococcus aureus resistente a la meticilina (MRSA).
Los cuales crecen en los cultivos de detección, y reconocer eventos raros en las imágenes microscópicas (por ejemplo, bacilos acidorresistentes o parásitos de la malaria.
Ahora, Mathison y otros describen una validación de la visión por computadora para una nueva aplicación: la detección de protozoos en frotis fecales teñidos de tricrómico.
La práctica rutinaria actual en la parasitología clínica incluye muchas horas de examen de frotis que carecen de protozoos y otros parásitos, pero este estudio describe la posibilidad de descargar el examen de muchos de estos frotis libres de parásitos a la computadora.
Lo que permitiría a los parasitólogos centrarse en la confirmación y caracterización de los protozoos que se detectan. El estudio de Mathison y otros no es un estudio experimental, pero es una validación completa del programa informático de visión artificial, que incluye la exactitud, la precisión y el límite de los análisis de detección.
Estos análisis son necesarios antes de implementar una prueba de diagnóstico con sistemas de visión por computadora desarrollada en un laboratorio clínico, y el artículo demuestra un estudio de validación bien realizado.
Para aquellos interesados en desarrollar soluciones de IA en el área de las pruebas de diagnóstico clínico, se pueden aprender algunos puntos importantes y generalizables a partir del ejemplo de este estudio.
En primer lugar, los autores jugaron con la fuerza de la herramienta de diagnóstico. Es decir, entendieron las fortalezas y debilidades de la visión computarizada y la aplicaron de la manera en que era más útil clínicamente.
Concretamente, la visión por computadora es ideal para examinar imágenes grandes en busca de eventos raros pero definidos, que es la forma en que aplicaron la visión por computadora a la detección de óvulos y parásitos (O&P).
En segundo lugar, los autores usaron la IA para aumentar el esfuerzo humano, no para intentar reemplazarlo. Aunque es probable que un futuro estado de la visión por computadora logre una precisión lo suficientemente alta como para que sea posible la autoverificación sin la revisión humana.
El estado actual normalmente se basa en un humano para confirmar la decisión de clasificación de la computadora.
Este enfoque utiliza el software como herramienta de selección y la revisión humana experta como verificación de la clasificación de la computadora.
Este enfoque utiliza los puntos fuertes tanto de las computadoras (analizando rápidamente imágenes de gran tamaño) como de los humanos (añade especificidad al análisis atribuido con el pensamiento crítico y el reconocimiento de patrones complejos).
En tercer lugar, los autores utilizaron tanto un conjunto de entrenamiento como de validación al desarrollar y evaluar el algoritmo de IA. Guardar un subconjunto de entradas para la validación es un paso importante para ayudar a garantizar que una solución de IA no se sobrepase.
Un conjunto de validación es necesario siempre que se intenta validar e implementar una aplicación de IA de sistemas de visión para uso de diagnóstico clínico.