Ministerio de Ciencia e Innovación

Inteligencia artificial para ayudar a diagnosticar enfermedades hematológicas

Toma de imágenes de una muestra de médula ósea con un teléfono móvil. Fuente: SpotLab
UPM | lunes, 4 de noviembre de 2024

Personal investigador del CIBER de lás áreas de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN) y Cancer (CIBERONC) junto con la empresa Spotlab y en colaboración con investigadores de la Universidad Politécnica de Madrid (UPM), la Universidad Complutense de Madrid (UCM), y un grupo de hospitales liderados por el Hospital Universitario 12 de Octubre han diseñado un sistema con el que han conseguido automatizar el conteo celular de muestras de médula ósea, lo que ayudará a diagnosticar enfermedades hematológicas como los cánceres de la sangre de forma más rápida y precisa. Este es el principal resultado que ha sido recientemente publicado en la revista Microscopy and Microanalysis.

El recuento diferencial de células de los aspirados de médula ósea es una técnica que a día de hoy se realiza manualmente en la mayoría de los centros sanitarios. Esta es una tarea que requiere mucho tiempo y cuyo resultado puede variar dependiendo de la experiencia del observador. Por este motivo, este procedimiento resulta ser un candidato adecuado para ser automatizado gracias a la inteligencia artificial, objetivo de este proyecto multidisciplinar con el liderazgo clínico de Joaquin Martinez del Hospital 12 de Octubre y CIBERONC y en colaboración con el el Hospital Universitario Fundación Alcorcón y el Hospital Vall d’Hebron. “Hemos diseñado específicamente un algoritmo de inteligencia artificial basado en deep learning que es capaz de diferenciar y contar de forma automática diferentes tipos celulares en imágenes de muestras de médula ósea” detalla David Bermejo-Peláez investigador del CIBER-BBN y Spotlab. Para la digitalización de imágenes, el sistema no necesita escáneres ni dispositivos complejos y de alto coste, sino que lo hace utilizando teléfonos móviles inteligentes –smartphones–, lo que lo convierte en un sistema escalable y que puede implementarse en cualquier servicio de hematología de cualquier hospital del mundo.

En opinión de Mª Jesús Ledesma, investigadora de la UPM y CIBER-BBN: “Los resultados obtenidos han demostrado que esta tecnología reduce considerablemente el tiempo de análisis de las muestras de médula ósea, así como la variabilidad entre observadores a la hora de analizar las mismas”. “El sistema desarrollado aumenta la eficiencia y precisión en el diagnóstico de enfermedades hematológicas como la leucemia o el mieloma múltiple” afirma María Linares, investigadora de la UCM. 

Este trabajo, financiado por la Unión Europea, es un paso hacia la integración de tecnologías innovadoras de IA en la rutina clínica para la lucha contra el cáncer. Actualmente, esta línea de trabajo continúa con el uso de Inteligencia Artificial para mejorar la precisión del diagnóstico, la selección de tratamientos efectivos y el pronóstico de los pacientes de enfermedades hematológicas, donde participan investigadores de la empresa Spotlab, el Hospital Clínico San Carlos, el Hospital 12 de Octubre, el Hospital Vall D’Hebrón, la UPM y la UCM, en el marco de un proyecto impulsado y financiado por el Programa Estratégico de Recuperación y Transformación Económica (PERTE) para la Salud de Vanguardia a través del Instituto de Salud Carlos III (ISCIII) y el Centro para el Desarrollo Tecnológico y la Innovación (CDTI).

Referencia

Digital Microscopy Augmented by Artificial Intelligence to Interpret Bone Marrow Samples for Hematological Diseases. David Bermejo-Peláez, Sandra Rueda Charro, María García Roa, Roberto Trelles-Martínez, Alejandro Bobes-Fernández, Marta Hidalgo Soto, Roberto García-Vicente, María Luz Morales, Alba Rodríguez-García, Alejandra Ortiz-Ruiz, Alberto Blanco Sánchez, Adriana Mousa Urbina, Elisa Álamo, Lin Lin, Elena Dacal, Daniel Cuadrado, María Postigo, Alexander Vladimirov, Jaime GarciaVillena, Andrés Santos, María Jesús Ledesma-Carbayo, Rosa Ayala, Joaquín Martínez-López, María Linares, Miguel Luengo-Oroz. Microscopy and Microanalysis, 2024, 30, 151–159 https://doi.org/10.1093/micmic/ozad143