Balis no está entretenido con un juego de guerra. El director de la División de Informática de Patología en la Escuela de Medicina de la Universidad de Michigan está demostrando la flexibilidad extrema de una herramienta digital que procura lograr que la detección de anormalidades en las muestras de células y tejidos sea más rápida, más precisa y más coherente.
En un contexto médico, en lugar de los helicópteros la técnica, conocida como Cuantización de Vector Espacialmente Invariable (SIVQ por su sigla en inglés) puede señalar céulas de cáncer y otras características críticas en imágenes digitales hechas de muestras de tejidos.
Pero el SIVQ no se limita a un área de la medicina en particular. Puede separar rápidamente las calcificaciones de las formaciones malignas en muestras de tejido de mamas, puede buscar y contar tipos de células particulares en una muestra de médula ósea, o puede identificar rápidamente los nucléolos rojos como cerezas de las células vinculadas con la enfermedad de Hodkin, según las concusiones que se publican el (fecha) en la revista (NOMBRE).
"El hecho de que el algoritmo opera sin dificultades a través de varios dominios y escalas de longitud sin que requiera más que una instrucción mínima del usuario, lo distingue de los enfoques convencionales del análisis de imágenes", dijo Balis.
La tecnología, desarrollada de manera conjunta con investigadores del Hospital General de Massachussets y la Escuela de Medicina de Harvard, difiere de los programas convencionales digitales de reconocimiento de patrones porque sustenta su búsqueda central en una serie de anillos concéntricos de cotejo de patrones en lugar de los bloques rectangulares o cuadrados más típicos. Este enfoque saca ventaja de la simetría continua de los anillos y permite el reconocimiento de características sin que importe la forma en que estén rotados o si están revertidos, como en un espejo.
"Esto es algo bueno porque en la patología, las imágenes de las células y tejidos no tienen una orientación particular", explicó Balis. "Pueden estar encaradas en cualquier dirección". Una de las imágenes incluidas en el artículo demuestra este principio: el SIVQ identifica una y otra vez la letra A de un texto, sin que importe la forma en que la letra se haya rotado.
Cómo funciona
En el SIVQ la búsqueda comienza cuando el usuario selecciona una pequeña área de pixeles, conocida como un vector, que se quiere determinar si aparece en alguna otra parte de la imagen. El vector también puede provenir de una colección de imágenes guardadas.
El algoritmo luego compara este vector circular con todas las partes de la imagen. Y en cada sitio el anillo rota en millones de posibilidades tratando de encontrar un patrón similar en cada grado posible de rotación. Cuando se emplean anillos más chicos dentro del anillo principal se obtiene una búsqueda aún más refinada. El programa luego crea un mapa de búsquedas que colorea la imagen de acuerdo con la calidad del patrón similar que se haya encontrado en cada punto.
La técnica no funcionaría con una estructura de búsqueda cuadrada o rectangular porque estas formas no permanecen simétricas a medida que rotan, explicó Balis.
¿Por qué es que a nadie se le ocurrió el uso de círculos antes?
"Es una de esas cosas que sólo se tornan evidentes cuando se mira hacia atrás", dijo Balis.
En sus pruebas del algoritmo los investigadores incluso lo usaron para encontrar a "Waldo" en una ilustración de libro infantil "'¿Dónde está Waldo?".
"Basta con generar un vector para su rostro", apuntó Jason Hipp, otro de los autores principales del artículo, de la misma forma en que se generaría un vector que reconozca las calcificaciones en un tejido de mama.
Un cambio de todo el trabajo
Hipp cree que esta tecnología podría cambiar totalmente todo el trabajo en el campo de la patología porque una miríada de posibilidades nuevas para un análisis más profundo de las imágenes.
"Nos permitirá considerar las cosas de manera diferente", dijo Hipp, un investigador de informática en patología y disertante clínico en el Departamento de Patología. "Empezamos a superar la brecha entre el análisis cualitativo que llevan a cabo los patólogos expertos capacitados y los enfoques cuantitativos que resultan de los avances en la tecnología".
Por ejemplo la forma más común de mirar las muestras de tejido sigue siendo la técnica de coloración que data de los años 1800. La lectura de estas muestras y la elaboración de un diagnóstico siguen siendo parte del arte de la patología.
Sin embargo el SIVQ puede ayudar a los patólogos con un examen previo de la imagen que identifique las áreas potencialmente problemáticas, incluidos los rasgos sutiles que bien podrían no ser aparentes a la vista.
La eficacia del SIVQ en la identificación previa de los problemas potenciales se torna evidente cuando uno considera que un patólogo puede revisar más de un centenar de muestras cada día.
"A diferencia del humano más diligente, las computadoras no sufren los efectos del aburrimiento o la fatiga", dijo Balis.
El trabajo compartido
Los vectores también pueden compartirse para crear bancos de imágenes, es decir un catálogo de imágenes de referencia que la computadora pueda examinar, añadió Balis, y esto ayudaría que los patólogos identifiquen anomalías raras rápidamente.
"La inclusión de tales herramientas en el trabajo clínico podría darnos un nivel más alto de experiencia que se distribuya más ampliamente, y bajaría la tasa de instancias en las cuales no se detectan esas anomalías", añadió.
Después de la publicación de este primer artículo de presentación del algoritmo SIVQ, el equipo tiene numerosos proyectos de investigación casi completos que demuestran la utilidad potencial de la tecnología en numerosas aplicaciones de ciencia básica y clínicas. Estos trabajos incluyen colaboraciones con investigadores en los Institutos Nacionales de Salud, la Clínica Mayo, la Universidad Rutgers, la Escuela de Medicina de Harvard, y el Hospital General de Massachussets.
El SIVQ también puede ayudar en el análisis de las biopsias líquidas, una técnica experimental de examen de muestras de sangre para la detección de pequeñas células de cáncer ocultas en medio de miles de millones de células sanas. Balis participó en el desarrollo de esta tecnología en el Hospital General de Massachussets antes de que viniera a la UM y los miembros de ese equipo de investigación también están involucrados en el desarrollo del SIVQ y sus aplicaciones.
Pero los patólogos no tienen que preocuparse de que el SIVQ pueda dejarlos sin empleo.
"Nadie habla del reemplazo, pronto, de los patólogos", indicó Balis. "Nuestra esperanza es que el trabajo compartido con esta tecnología les permita lograr un nivel general más alto de desempeño".
No hay comentarios:
Publicar un comentario