Imagine que la tecnología que ya se usa para el reconocimiento facial en cámaras de vigilancia o desbloquear teléfonos inteligentes se utilizara para detectar enfermedades de forma precoz. Es lo que acaba de presentar un equipo de investigadores españoles que han creado una herramienta de inteligencia artificial (IA), llamada AINU (AI of the NUcleus), capaz de reconocer patrones específicos y cambios en la forma de las moléculas de ADN característicos del cáncer y de las infecciones virales.
El trabajo se presenta este martes en la revista Nature Machine Intelligence, y en él participan científicos del Centro de Regulación Genómica (CRG), la Universidad del País Vasco (UPV/EHU), el Donostia International Physics Center (DIPC) y la Fundación Biofísica Bizkaia (FBB, localizado en el Instituto Biofísica). La herramienta escanea imágenes de alta resolución de las células obtenidas con una técnica especial de microscopía llamada STORM, que crea una imagen que captura muchos más detalles de los que pueden ver los microscopios normales.
“Hemos desarrollado un algoritmo de IA que, combinado con el uso de imágenes de alta resolución, nos ha permitido identificar algunos cambios de la cromatina dentro del núcleo de la célula”, explica a elDiario.es Pia Cosma, coautora principal del estudio e investigadora del Centro de Regulación Genómica (CRG) en Barcelona.
Estas instantáneas de alta definición revelan estructuras con una resolución de nanómetros (nm) y permiten a la herramienta detectar reordenamientos dentro de las células tan pequeños como 20 nm, o 5.000 veces más pequeños que el ancho de un cabello humano, alteraciones que son demasiado pequeñas y sutiles para que los observadores humanos las detecten con los métodos tradicionales.
“La resolución de estas imágenes es lo suficientemente potente como para que nuestra IA reconozca patrones específicos y diferencias con una precisión notable, lo que ayuda a detectar alteraciones muy poco después de que se produzcan”, explica Cosma. Las células cancerosas tienen cambios distintivos en su estructura nuclear en comparación con las células normales, como alteraciones en la forma en que se organiza su ADN o la distribución de enzimas dentro del núcleo. Después del entrenamiento, AINU pudo analizar nuevas imágenes de núcleos celulares y clasificarlas como cancerosas o normales basándose solo en estas características.
Buscar el cáncer, buscar a Wally
AINU es una red neuronal convolucional, un tipo de IA diseñada específicamente para analizar datos visuales como las imágenes. En medicina, las redes neuronales convolucionales se utilizan para analizar imágenes médicas como las mamografías o las tomografías computarizadas e identificar signos de cáncer que el ojo humano podría pasar por alto. También pueden ayudar a detectar anomalías en resonancias magnéticas o imágenes de rayos X, lo que ayuda a realizar un diagnóstico más rápido y preciso.
En este caso, el sistema es una especie de ¿Dónde está Wally? en el que la máquina no busca al personaje de la camiseta de rayas, sino las células anómalas que pueden dar lugar a una patología. Aun así, hay algunas pequeñas diferencias con el reconocimiento facial. “Para identificar una cara de una persona tienes que usar muchas imágenes para entrenar al algoritmo”, indica la investigadora. “En nuestro caso, hemos usado pocas imágenes, porque la resolución es muy alta, pero ante dos células que parecen exactamente lo mismo por cualquier otro método, este algoritmo las puede distinguir”.
Por este motivo, argumenta, los autores creen que algún día este tipo de información puede permitir a los médicos ganar tiempo para controlar la enfermedad, personalizar los tratamientos y mejorar los resultados de los pacientes“. La principal ventaja del sistema es que, a priori, una vez identificado un tipo de cáncer, el algoritmo podrá seguir detectándolo en otros pacientes, independientemente de su mutación concreta. ”Será específico del tipo de cáncer“, asegura Cosma. ”Si un paciente tiene una mutación y otro, otra, con el algoritmo vamos a reconocer los dos“.
Una hora después de la infección
El sistema también ha mostrado su utilidad con las infecciones virales. Gracias a esta aproximación, la IA pudo detectar cambios en el núcleo de una célula solo una hora después de que fuera infectada por el virus del herpes simple tipo 1. El modelo puede detectar la presencia del virus al encontrar pequeñas diferencias en la densidad del ADN, lo que ocurre cuando un virus comienza a alterar la estructura del núcleo de la célula.
Nuestro método puede detectar células que han sido infectadas por un virus muy pronto después de que comience la infección
“Nuestro método puede detectar células que han sido infectadas por un virus muy pronto después de que comience la infección”, asegura Ignacio Arganda-Carreras, coautor del estudio e investigador asociado de Ikerbasque en la UPV/EHU. “Normalmente, los médicos tardan un tiempo en detectar una infección porque se basan en síntomas visibles o cambios más grandes en el cuerpo. Pero con AINU, podemos ver pequeños cambios en el núcleo de la célula de inmediato”.
“Se puede usar esta tecnología para ver cómo los virus afectan a las células casi inmediatamente después de entrar en el cuerpo, lo que podría ayudar a desarrollar mejores tratamientos y vacunas”, añade Limei Zhong, coautora principal del estudio e investigadora del Hospital Popular Provincial de Guangdong (GDPH) en Guangzhou, China. “En hospitales y en la clínica, AINU podría utilizarse para diagnosticar infecciones a partir de una simple muestra de sangre o tejido, lo que hace que el proceso sea más rápido y preciso”.
Camino de probarse en la clínica
Los autores del estudio avisan que aún tienen que superar importantes limitaciones antes de que la tecnología esté lista para ser probada o implementada en un entorno clínico. Por ejemplo, las imágenes STORM solo se pueden tomar con equipos especializados que normalmente solo se encuentran en laboratorios de investigación biomédica. La instalación y el mantenimiento de los sistemas de imágenes que requiere la IA es una inversión importante tanto en equipos como en competencias técnicas.
“Las limitaciones de accesibilidad y rendimiento son problemas más manejables de lo que pensábamos y esperamos realizar experimentos preclínicos pronto
Otra limitación es que las imágenes STORM analizan pocas células a la vez. Para fines de diagnóstico, especialmente en entornos clínicos donde la velocidad y la eficiencia son cruciales, los médicos necesitarían capturar muchas más células en una sola imagen para poder detectar o monitorear una enfermedad.
Pero, a juicio de Cosma, estos microscopios pronto podrán estar disponibles en laboratorios más pequeños o menos especializados. “Se están desarrollando microscopios más sencillos, la esperanza es que vaya a entrar en cualquier laboratorio de cualquier hospital muy pronto”, asegura. “El uso ideal será hacer análisis de tumor líquido, es decir, poder identificar su presencia temprana con un análisis de sangre, pero hay que ser muy prudentes porque aún no hemos llegado hasta ahí; esto es solo un primer trabajo como prueba de concepto”.
Identificar células madre
Por último, los autores del estudio han visto que la tecnología también puede identificar células madre con una precisión muy alta. Estas células se pueden convertir en cualquier tipo de célula del cuerpo y se estudian por su potencial para ayudar a reparar o reemplazar tejidos dañados. Desarrollar esta capacidad ayudaría que las terapias resultantes sean más seguras y efectivas.
“Los métodos actuales para detectar células madre de alta calidad se basan en pruebas con animales”, comenta Davide Carnevali, primer autor del estudio e investigador del CRG. “Sin embargo, todo lo que nuestro modelo de IA necesita para funcionar es una muestra que se tiñe con marcadores específicos que resaltan las características nucleares clave. Además de ser más fácil y rápido, puede acelerar la investigación con células madre y, al mismo tiempo, contribuir al cambio en la reducción del uso de animales en la ciencia”.
Fe de errores: El titular original (“Una inteligencia artificial aprende a detectar precozmente el cáncer usando el ‘reconocimiento facial”) se ha modificado porque se podía interpretar erróneamente que se puede detectar el cáncer con fotos de la cara de los pacientes.