Un nuevo algoritmo de aprendizaje automático mejora el diagnóstico médico mediante el análisis de espectros de luz

Investigadores de la Universidad de Rice han desarrollado un nuevo algoritmo de aprendizaje automático (ML) que promete revolucionar la interpretación de las «firmas de luz» (espectros ópticos) de moléculas, materiales y biomarcadores de enfermedades. Este avance tiene el potencial de acelerar y hacer más precisos los diagnósticos médicos y el análisis de muestras.

Según Ziyang Wang, estudiante de doctorado en ingeniería eléctrica y computación y primer autor del estudio publicado en ACS Nano, «imagina poder detectar signos tempranos de enfermedades como el Alzheimer o COVID-19 simplemente iluminando una gota de fluido o una muestra de tejido». Este trabajo permite a las computadoras «leer» mejor las señales de luz dispersadas por moléculas diminutas.

Cada material o molécula interactúa con la luz de manera única, produciendo un patrón distintivo, similar a una huella dactilar. La espectroscopía óptica, una técnica que consiste en iluminar un material para observar cómo interactúa con la luz, se utiliza ampliamente en química, ciencia de materiales y medicina. Sin embargo, la interpretación de los datos espectrales puede resultar difícil y consumir tiempo, especialmente cuando las diferencias entre muestras son sutiles. El nuevo algoritmo, denominado Regresión Logística Elastic-net Sensible a Picos (PSE-LR), está diseñado específicamente para analizar datos basados en la luz.

Mejoras en la detección de enfermedades

Wang explica que «los espectros ópticos de un tejido o de otra muestra biológica pueden revelar mucho sobre lo que ocurre en el interior del cuerpo». La detección más rápida y precisa de enfermedades puede conducir a mejores tratamientos y salvar vidas. Además de su aplicación en el ámbito de la salud, este método también puede ayudar a los científicos a comprender nuevos materiales, lo que podría resultar en sensores más inteligentes y dispositivos de diagnóstico más pequeños.

El algoritmo PSE-LR no solo clasifica diferentes muestras con precisión, sino que también es transparente en su toma de decisiones, una característica que muchos modelos de ML avanzados no poseen. PSE-LR proporciona un «mapa de importancia de características» que destaca las partes del espectro que contribuyeron a una decisión de clasificación, facilitando así la interpretación, verificación y acción sobre los resultados.

Los investigadores pusieron a prueba PSE-LR frente a otros modelos de ML, mostrando un rendimiento mejorado, especialmente en la identificación de características espectrales sutiles o superpuestas. Wang señala que «la mayoría de los modelos o bien no capturan los detalles más pequeños o son demasiado complejos para ser comprendidos». Con esto en mente, el equipo se propuso crear una herramienta que fuera tanto inteligente como explicativa.

Además, el modelo demostró un buen rendimiento en una variedad de pruebas que evaluaban su eficacia en el mundo real, incluyendo la detección de concentraciones ultrabajas de la proteína pico del SARS-CoV-2 en muestras de fluidos, la identificación de soluciones neuroprotectoras en tejido cerebral de ratón, la clasificación de muestras de Alzheimer y la distinción entre semiconductores en 2D.

Shengxi Huang, profesor asociado de ingeniería eléctrica y computación, y coautor del estudio, afirma: «Nuestra herramienta es capaz de analizar datos basados en la luz para señales muy sutiles que suelen ser difíciles de detectar con métodos tradicionales». Este nuevo algoritmo podría facilitar el desarrollo de nuevos diagnósticos, biosensores o nanodispositivos.

Los hallazgos de este estudio podrían transformar los diagnósticos médicos y la ciencia de materiales, acercándonos a un mundo donde las tecnologías inteligentes ayudan a detectar y responder a problemas de salud de manera más rápida y efectiva.