Potencial de la Inteligencia artificial aplicada al diagnóstico micológico y parasitológico.

Abstract

La Inteligencia Artifical (IA) y sus tecnologías relacionadas están siendo utilizadas en diversos aspectos de la sociedad y los negocios, incluyendo a la salud. Estas tecnologías tienen el potencial de transformar muchos aspectos del cuidado de la salud, incluyendo desde los procesos administrativos al diagnóstico de las enfermedades. Hay un importante número de estudios que sugieren que la IA es igual o mejor que los humanos en tareas diagnósticas, tanto que algunos algoritmos superan en velocidad y eficiencia a los radiólogos en tareas como la detección de tumores malignos. En el área del diagnóstico microbiológico, hay grandes avances en cuanto a la automatización de procesos. El primer gran avance que llegó a los centros diagnósticos argentinos fue la automatización de los hemocultivos y el segundo, la automatización de las pruebas fenotípicas de identificación taxonómica acoplada a la evaluación de la sensibilidad. Sin embargo, en áreas como la micología y la parasitología, donde el diagnóstico microscópico todavía hoy tiene gran importancia, estos avances en automatización no se han producido. Recientemente, se han desarrollado progresos en la digitalización y análisis de imágenes microscópicas que han sido llamadas “virtual slide” o portaobjetos virtuales. Esta tecnología está siendo utilizada por ej. para el diagnóstico de tumores de mama. El objetivo de este proyecto será la generación de una base de datos o data sets de imágenes utilizando la colección de muestras de la cátedra de Parasitología y Micología de FBCB-UNL y del Laboratorio de Micología y Diagnóstico Molecular. La misma incluirá materias fecales con parásitos (protozoarios, helmintos, etc), de biopsias y directos de tejidos infectados por hongos patógenos humanos (micosis superficiales, por implantación y profundas tanto oportunistas como endémicas) y directos de muestras de piel. Estas imágenes digitalizadas incluirán también un importante número de muestras negativas o donde se observen artefactos que pueden ser confundidos con estructuras parasitarias y fúngicas. Este data set será utilizado para el entrenamiento de la red neuronal que realizará el diagnóstico automatizado, es decir sin ayuda humana.

Artificial Intelligence (AI) and its related technologies are being used in various aspects of society and business, including health. These technologies have the potential to transform many aspects of health care, including from administrative processes to the diagnosis of diseases. There are a significant number of studies suggesting that AI is equal to or better than humans in diagnostic tasks, so much so that some algorithms outperform radiologists in tasks such as detecting malignant tumors in speed and efficiency.In the area of microbiological diagnosis, there are great advances in the automation of processes. The first major advance that reached Argentine diagnostic centers was the automation of blood cultures and the second, the automation of phenotypic taxonomic identification tests coupled with sensitivity assessment. However, in areas such as mycology and parasitology, where microscopic diagnosis is still of great importance today, these advances in automation have not occurred. Recently, progress has been made in the digitization and analysis of microscopic images that have been called "virtual slide" or virtual slides. This technology is being used by eg. for the diagnosis of breast tumors. The objective of this project will be the generation of a database or image data sets using the collection of samples from the FBCB-UNL Chair of Parasitology and Mycology and the Laboratory of Molecular Mycology and Diagnosis. It will include fecal matters with parasites (protozoans, helminths, etc.), from biopsies and direct tissue infected by human pathogenic fungi (superficial, implantation and deep mycoses, both opportunistic and endemic) and direct from skin samples. These digitized images will also include a significant number of negative samples or where artifacts are observed that can be confused with parasitic and fungal structures. These data sets will be the raw material of the neural network that will be used to automate mycological and parasitological diagnosis by microscopy.