ANAS-mart (Clasificación de patrones de anticuerpos antinucleares usando inteligencia artificial)

Resumen

Las enfermedades autoinmunes tienen una prevalencia estimada entre el 3-5%, generando un impacto significativo en los años de vida ajustados por calidad (QALY) y los años de vida ajustados por discapacidad (DALY) (Palmezano et al., 2018). Dada esta carga, es esencial un diagnóstico temprano que permita un tratamiento y seguimiento adecuados, reduciendo así las secuelas asociadas a estas enfermedades. La interpretación precisa de los anticuerpos antinucleares (ANAs) requiere una lectura rigurosa de los patrones. Nuestro proyecto tiene como objetivo, evaluar el desempeño de un clasificador de patrones de ANAs mediante modelos de inteligencia artificial aplicados a imágenes de microscopía de inmunofluorescencia indirecta (IFI). Para ello, se construirá una base de datos compuesta por 300 imágenes etiquetadas según los patrones estándar de ANAs y enriquecida con datos clínicos relevantes. Estas imágenes serán preprocesadas para garantizar uniformidad en tamaño, escala y posición, y se extraerán características geométricas clave como morfología, tamaños y distancias. Las imágenes y sus características serán utilizadas como insumos para entrenar dos tipos de modelos de clasificación: redes neuronales multicapa (RNM) y Random Forest (RF). El desempeño de los modelos será evaluado a través de métricas como precisión, sensibilidad y exactitud, considerando las limitaciones de un conjunto de datos reducido. Este proyecto fomenta la colaboración interdisciplinaria: medicina e ingeniería y representa un primer paso hacia herramientas accesibles de análisis experto en imágenes IFI. Los resultados obtenidos servirán como base para futuros desarrollos, incluyendo la implementación de técnicas avanzadas como deep learning con conjuntos de datos más amplios. Objetivo de Desarrollo Sostenible 3 (ODS3). 4.1 PROCESAMIENTO DE IMÁGENES DE IFI PARA ANAs El método que se usó para obtener las imágenes ya existentes en el banco de información del CREA, y que será utilizado para aumentar la N existente hasta 300 imágenes, (en caso de que alguna de las imágenes no cumpla con las condiciones necesarias de inclusión), es la IFI. Este método permite hacer un screening y una determinación semicuantitativa de ANAs en el suero humano. Para que las muestras estén en condiciones adecuadas y que el funcionamiento de la prueba sea confiable al momento de analizar los resultados, se debe tener en cuenta: 1.Un sustrato adecuado (células epiteliales HEp-2 humanas). 2.La evaluación de la relación fluorescencia proteína (F/P). 3.La especificidad de subclase de la inmunoglobulina del conjugado (Yumpu.com, s/f). En la técnica IFI, las muestras de suero son incubadas con la línea celular HEp-2, luego se realiza un lavado para eliminar los anticuerpos no unidos e inespecíficos. Posteriormente, de incubará con un conjugado marcado con un fluorocromo, para después realizar un lavado y eliminar el conjugado no unido al inmunocomplejo. Posteriormente, las muestras son observadas bajo el microscopio de IFI que muestra si las pruebas son positivas cuando existe emisión de fluorescencia de un color verde manzana, en las zonas del citoplasma o del núcleo, dando alguno de los patrones característicos. Para realizar la interpretación, se considerarán dos posibles resultados: se clasifica como negativa aquella muestra en la que la emisión de fluorescencia sea menos o igual a la observada en el control negativo y, como positiva, la muestra que evidencia una fluorescencia superior al control. Una muestra positiva es clasificada según el patrón y la ponderación de su intensidad (Yumpu.com, s/f), de la siguiente manera: Ponderación de la intensidad: Existen los siguientes criterios 4.4+ Fluorescencia verde manzana brillante 5.3+ Fluorescencia verde manzana claro 6.2+ Fluorescencia claramente positiva 7.1+ Fluorescencia que permite claramente diferenciar un patrón nuclear y/o citoplasmático de la estructura de fondo Patrones evidenciados: Para la clasificación de los patrones se usará el consenso internacional de patrones de ANAs, del International consensus on ANA patterns (ICAP), por sus siglas en inglés. Esta clasificación, cuenta con 3 grupos generales: nucleares, citoplasmáticos y mitóticos, los cuales tienen códigos desde el AC-1 al AC-29 (ANA Patterns, s/f). Para nuestro proyecto, en principio, el algoritmo será entrenado en la identificación de los principales patrones nucleares y citoplasmáticos. Por último, el control de calidad está dado por dos criterios, si por algún motivo alguno no se cumple el resultado será inválido y se debe repetir el ensayo. Este proceso se realiza en cada uno de los portaobjetos para asegurar su calidad. (Yumpu.com, s/f). El control positivo de patrón ANAs, sin diluir debe tener una intensidad mayor o igual a 3+. El control negativo de patrón ANA no debe emitir ninguna fluorescencia o en su defecto emitir una fluorescencia mínima (conocida como “ruido de fondo). Las imágenes de inmunofluorescencia ya fueron adquiridas previamente y el término “procesamiento” hace referencia al tratamiento digital que se realiza posteriormente a dichas imágenes utilizando software como LAS X (Leica Application Suite X) o ImageJ. Este tratamiento incluye ajustes de brillo/contraste, medición de intensidad de fluorescencia, y cuantificación de señal, sin alterar los datos originales. A continuación, se detalla el procesamiento de imágenes: Adquisición de imágenes Las imágenes fueron adquiridas previamente mediante microscopía invertida de fluorescencia utilizando un microscopio DMi8 (Leica) y el software LAS X. Se emplearon parámetros estandarizados de exposición, ganancia y configuración del láser, de acuerdo con el diseño experimental, con el fin de asegurar la comparabilidad entre muestras. Revisión de la calidad de imagen Se evaluará la calidad de las imágenes crudas para verificar la ausencia de artefactos, saturación de señal o desenfoque. Solo se incluirán aquellas imágenes que presenten una resolución adecuada y una señal específica clara. Conversión de formatos Las imágenes serán exportadas desde LAS X (formato original .lif) y convertidas a formato .TIF de alta resolución, compatible con otros programas de análisis como ImageJ. Ajustes generales de brillo y contraste En LAS X o ImageJ, se aplicarán ajustes uniformes de brillo y contraste a todas las imágenes de un mismo experimento, únicamente con fines de visualización. Estos ajustes se realizarán sobre copias de las imágenes originales, sin modificar los datos crudos. Mejora de contraste y normalización Se especificará el porcentaje de píxeles permitidos a saturar para optimizar el contraste general de las imágenes. La normalización consistirá en recalcular los valores de intensidad de cada píxel, generando una nueva versión de la imagen con escalas comparables entre muestras. Reducción de fondo (background) Se aplicarán métodos para eliminar el ruido eléctrico generado por el sistema de detección. Esta etapa busca reducir la variabilidad asociada al ruido y mejorar la relación señal/ruido (SNR) de las imágenes. Cuantificación de señal Se definirán regiones de interés (ROIs) de forma manual o mediante umbrales automáticos. Se medirá la intensidad media de fluorescencia del canal dentro de las ROIs. Los valores obtenidos serán normalizados frente a controles internos o al área correspondiente de la ROI. Documentación Todos los parámetros de procesamiento serán documentados de forma detallada. Se almacenarán por separado tanto las versiones originales como las imágenes procesadas, a fin de garantizar la trazabilidad y reproducibilidad del análisis. Posterior al tratamiento de imágenes se realizará la interpretación de los resultados con su correspondiente revisión de patrones de ANAs (según lo mencionado en el proyecto). A continuación, se describen las etapas principales del estudio para desarrollar y evaluar los clasificadores basados en RNM y Random Forest (RF) con imágenes de IFI de pacientes con patrones de ANAs. 4.2 CONSTRUCCIÓN DEL CONJUNTO DE DATOS DE IMÁGENES DE IFI Del banco de información del CREA se recopilarán 300 imágenes de microscopía de IFI provenientes de pacientes con diagnóstico de LES confirmado. Cada imagen representará un campo microscópico que contiene patrones específicos de fluorescencia, que serán posteriormente clasificados según los principales patrones de ANAs definidos por ICAP. 4.3. ETIQUETADO DE IMÁGENES CON PATRONES ANAs Cada imagen será etiquetada por expertos, de forma manual, con uno de los principales patrones de ANAs existentes. Este proceso incluirá un consenso entre evaluadores y, en caso de discrepancia, se utilizarán criterios de clasificación predefinidos. Esta etapa es crucial para asegurar la calidad de las etiquetas que servirán como base para el entrenamiento supervisado de los algoritmos. 4.4. PREPROCESAMIENTO DE LAS IMÁGENES El preprocesamiento garantizará la uniformidad en las características técnicas de las imágenes. Los pasos incluyen: •Redimensionamiento: Las imágenes se ajustarán a un tamaño estándar (256x256 píxeles) para facilitar el procesamiento. •Conversión a escala de grises: Se eliminarán los canales de color para trabajar con una sola dimensión de intensidad. •Centrado: Se posicionarán los patrones relevantes en el centro de la imagen, eliminando ruido innecesario. •Normalización: Los valores de los píxeles serán normalizados para mejorar la convergencia durante el entrenamiento de los algoritmos. Estas operaciones se realizarán utilizando librerías en Python o toolbox de imágenes en Matlab con el fin de automatizar el flujo de trabajo. 4.5. ENTRENAMIENTO DEL MODELO DE RNM Se implementará un modelo de RNM utilizando Python (TensorFlow o PyTorch) o MATLAB (Deep Learning Toolbox). La arquitectura incluirá una capa de entrada, capas ocultas totalmente conectadas, y una capa de salida con los nodos definidos, cada uno representando un patrón ANAs. (Goodfellow et al. 2016). •El modelo se entrenará utilizando backpropagation y optimizadores como Adam o SGD. •Se utilizarán funciones de activación como ReLU en las capas ocultas y softmax en la capa de salida. •El conjunto de datos se dividirá en entrenamiento (70%), validación (15%) y prueba (15%). 4.6. EXTRACCIÓN DE CARACTERÍSTICAS GEOMÉTRICAS DE LAS IMÁGENES IFI Para enriquecer los datos, se extraerán características geométricas de las imágenes (Gonzalez & Woods 2018; Pedregosa et al. 2011), como: •Morfología: Forma y contorno de los patrones fluorescentes. •Tamaño: Áreas y perímetros de las regiones de interés. •Distancias: Espaciamientos y distribuciones relativas entre las estructuras fluorescentes. Estas características se obtendrán utilizando herramientas como scikit-image en Python o funciones personalizadas en MATLAB. Esta etapa proporciona descriptores complementarios para el modelo RF. 4.7. ENTRENAMIENTO DEL MODELO RF Se construirá y entrenará un modelo RF utilizando Python (scikit-learn) o MATLAB (Statistics and Machine Learning Toolbox). Las características geométricas extraídas en la etapa anterior servirán como entrada al modelo. Los hiperparámetros del modelo, como el número de árboles y la profundidad máxima, serán optimizados mediante validación cruzada. Para clasificación, se utilizarán medidas de ganancia de información o índice Gini para las divisiones de nodos. (Breiman 2001; Pedregosa et al. 2011) 4.8. PREDICCIÓN CON LOS MODELOS RNM y RF Ambos modelos entrenados se aplicarán al conjunto de prueba para generar predicciones. El modelo RNM clasificará directamente las imágenes, mientras que el modelo RF realizará predicciones basadas en las características geométricas. Se almacenarán las probabilidades de cada clase junto con las etiquetas predichas. 4 9. EVALUACIÓN DE LOS MODELOS Se evaluará el desempeño de ambos modelos utilizando métricas estándar: •RNM: Accuracy, precisión, sensibilidad, F1-score, curva ROC y matriz de confusión. •RF: Las mismas métricas se calcularán para comparar su rendimiento basado en las características geométricas. Las evaluaciones se realizarán utilizando scikit-learn o MATLAB. 4.10. COMPARACIÓN DE MODELOS Los resultados de los dos modelos serán comparados en términos de sus métricas de desempeño y su capacidad para clasificar correctamente los patrones predominantes en el conjunto de datos. Además, se evaluará la utilidad de las características geométricas como entrada alternativa al modelo RF.

Intervalo de fecha / hora

2025-05-30 - 2026-05-30

VIVO
VIVO

ANAS-mart (Clasificación de patrones de anticuerpos antinucleares usando inteligencia artificial) Proyecto

Afiliación

contribuyente

Perfil

Resumen

Intervalo de fecha / hora

área temática

Área temática

Comprometidos
con la calidad