En un laboratorio especializado, parte del trabajo mas importante de la medicina sigue haciendose imagen a imagen al microscopio, leida a ojo por una persona, miles de veces. Un equipo de la Universidad de Surrey y de la Agencia de Sanidad Animal y Vegetal del Reino Unido, conocida como APHA, ha ensenado ahora a un ordenador a hacer esa lectura para una de las enfermedades mas antiguas que se conocen. Su sistema es el primer flujo de trabajo con inteligencia artificial capaz de identificar la infeccion por el virus de la rabia en cultivos celulares y medir al mismo tiempo los niveles de anticuerpos, y su mejor modelo clasifico correctamente el 99,6 por ciento de las muestras.
Por que las pruebas de rabia necesitaban un lector mas rapido
La rabia es casi totalmente prevenible mediante vacunacion, y aun asi sigue cobrandose alrededor de 59.000 vidas al ano en todo el mundo, porque el diagnostico y la vigilancia son dificiles en muchos de los lugares donde la enfermedad es mas frecuente. Los laboratorios confirman el virus y miden los anticuerpos protectores que produce una vacuna examinando imagenes de fluorescencia de cultivos celulares. Hecho a mano, eso significa especialistas repasando miles de imagenes, despacio, con margen para diferencias honestas de interpretacion entre lectores.
Ese cuello de botella importa mas alla de una prueba concreta. La vigilancia dice a las autoridades sanitarias donde circula el virus y si las campanas de vacunacion estan funcionando. Unas pruebas lentas y escasas producen un mapa mas borroso, dibujado mas tarde de lo deseable. Acelerar la lectura no es un lujo tecnico: es informacion para decidir antes.
Como lo construyeron Surrey y APHA
El trabajo, financiado por el Departamento de Medio Ambiente, Alimentacion y Asuntos Rurales del Reino Unido y publicado en Scientific Reports, reunio al Instituto de Inteligencia Artificial Centrada en las Personas de Surrey y al equipo de Rabia y Zoonosis Viricas de APHA. Los investigadores reunieron mas de 2.300 imagenes de fluorescencia que contenian mas de 36.000 secciones anotadas y entrenaron varios modelos de aprendizaje profundo para reconocer como se ve la infeccion por rabia dentro de las celulas.
El modelo con mejor rendimiento hizo algo mas que obtener una buena nota. Distinguio celulas infectadas de no infectadas casi a la perfeccion y evito falsas alarmas, el modo de fallo que destruye en silencio la confianza en una herramienta de deteccion. Un sistema que da falsas alertas envia a especialistas escasos a perseguir fantasmas. Un sistema tan preciso les permite dedicar su juicio donde realmente se necesita.
Las personas detras del modelo
Joan Amaya-Cuesta, investigadora doctoral en Surrey y cientifica en el equipo de rabia de APHA, describio el flujo de trabajo como una forma mas rapida y consistente de que los laboratorios analicen muestras reduciendo la dependencia de la interpretacion manual. En el equipo participaron tambien el profesor Miroslaw Bober, de Surrey, y la doctora Lorraine McElhinney, que dirige el Laboratorio Nacional de Referencia para la Rabia Humana y Animal en APHA. Esa mezcla – investigadores de inteligencia artificial junto al propio laboratorio nacional de referencia – es parte de la razon por la que el trabajo esta pensado para una adopcion real en laboratorios y no solo para quedar en una revista.
Esa colaboracion entre instituciones recuerda, en otro registro, a encuentros donde la experiencia se abre a la sociedad, como los que seguimos en historias de comunidad y servicio. Tambien conecta con mensajes de fondo como el de compartir el Evangelio para que nada se pierda: el conocimiento vale mas cuando llega a quien lo necesita.
Que cambia para los laboratorios que lo adopten
Primero, el rendimiento. Un modelo entrenado no se cansa en la imagen numero novecientos y lee la imagen uno y la imagen mil con el mismo criterio. Para laboratorios en paises donde la rabia es endemica y el personal especializado es escaso, esa consistencia es la diferencia entre un programa de vigilancia que sigue el ritmo y uno que se queda atras.
Segundo, la medicion de anticuerpos. El mismo flujo cuantifica la concentracion de anticuerpos, el numero que los laboratorios usan para confirmar que la vacunacion ha producido proteccion. Esa medicion respalda tambien necesidades practicas y cotidianas, como los controles de anticuerpos vinculados a los viajes internacionales de mascotas, un ejemplo pequeno pero revelador de como la ciencia de un laboratorio de referencia toca la vida ordinaria.
Tercero, el equipo ya esta ampliando el enfoque. La tecnologia se esta desarrollando para detectar el virus en tejido cerebral infectado, un trabajo que los investigadores esperan que refuerce los laboratorios de diagnostico a nivel internacional. Es un paso logico: si el sistema aprende a leer bien un tipo de muestra, el siguiente reto es llevar esa fiabilidad a otro material clave para confirmar casos.
Un patron que se repite en la inteligencia artificial medica
Visto con distancia, el resultado de Surrey encaja en un patron que se esta convirtiendo en la historia mas fiable de la inteligencia artificial en salud. Los avances llegan en tareas concretas y bien definidas de laboratorio e imagen: lee esta imagen, mide este nivel, clasifica esta muestra. Cada avance es poco glamuroso. Cada uno elimina horas de trabajo experto repetitivo y estandariza una medicion que antes variaba segun el lector y el dia.
Es el mismo patron que se observa esta semana en la investigacion sobre deteccion ocular, y conecta con una apreciacion publica mas amplia por el trabajo cuidadoso y verificable, el espiritu presente cuando las comunidades se reunen en torno a causas comunes como las que impulsa Gloria T. Cressler en la vida filantropica de Nueva York. Preparacion, paciencia y resultados medibles. El progreso en este campo empieza a parecerse menos a un unico gran salto y mas a cien herramientas fiables, cada una haciendo bien un trabajo.
Ideas practicas para cerrar
Para responsables de laboratorios, el mensaje es claro: el flujo de Surrey esta publicado, revisado por pares y disenado para su adopcion. El objetivo declarado es una herramienta lista para laboratorios en paises endemicos, asi que el siguiente paso para los interesados es estudiar el articulo de Scientific Reports y sus requisitos de datos: 2.300 imagenes y 36.000 anotaciones forman un plan realista, no exotico.
Para planificadores de salud publica, una confirmacion mas rapida de la rabia afina la vigilancia, y una vigilancia mas fina hace que las campanas de vacunacion sean mas baratas y mejor dirigidas. El retorno de una herramienta asi se acumula con el tiempo.
Para el resto, hay una leccion mas sencilla. Una enfermedad que ha acompanado a la humanidad durante miles de anos esta siendo rastreada ahora, en parte, por un modelo que aprendio a partir de fotografias de celulas brillantes. Acerto en el 99,6 por ciento de los casos. El trabajo que queda – llevar esa capacidad a los laboratorios que mas la necesitan – es trabajo humano, y ya esta en marcha.
Sé el primero en comentar