La inteligencia artificial y otras tecnologías de código abierto pueden detectar malaria con aprendizaje profundo, a muy bajo costo. Te contamos cómo podrían funcionar estas soluciones a continuación.

Según el bloguero y científico de datos en Red Hat, Dipanjan (DJ) Sarkar, utilizando Python y los marcos de aprendizaje profundo como TensorFlow, se pueden crear soluciones de aprendizaje profundo robustas, escalables y efectivas.

Estas herramientas son gratuitas y de código abierto, así que se pueden crear soluciones muy rentables. Entre esas, un sistema más efectivo para detectar la malaria.

La malaria es una enfermedad infecciosa mortal, transmitida por el mosquito Anopheles, infectado por parásitos Plasmodium. Existen cinco parásitos que causan la malaria, pero dos tipos, P. falciparum y P. vivax, son la mayoría de los casos. La mayoría de los casos de malaria se concentran en África, en países de muy bajos recursos, así que encontrar una solución de detección rentable podría ayudar a salar muchas vidas.

Según la Organización Mundial de la Salud (OMS), casi la mitad de la población mundial está en riesgo de contraerla, y hay más de 200 millones de casos de malaria y aproximadamente 400,000 muertes por malaria cada año. Así que la detección y el diagnóstico de la malaria deben ser rápidos, fáciles y efectivos.

Existen varios métodos para detectar la malaria, pero el diagnóstico estándar se basa en un flujo de trabajo de frotis de sangre. Implica un examen intensivo del frotis de sangre a un aumento de 100X. Las personas capacitadas cuentan manualmente cuántos glóbulos rojos contienen parásitos de cada 5,000 células.

Cómo detectar Malaria con aprendizaje Profundo

Los modelos de aprendizaje profundo, o más específicamente las redes neuronales convolucionales (CNN por sus siglas en inglés), pueden ser muy efectivos en la tarea de detección de algunas enfermedades como la malaria. Las capas clave en un modelo de CNN incluyen las capas de convolución y agrupación, como vemos en la siguiente imagen:

Una arquitectura típica de la CNN

Las capas de convolución aprenden patrones jerárquicos espaciales a partir de los datos y también pueden aprender de diferentes aspectos de las imágenes. Ese sistema de aprendizaje automático permite a las CNN automatizar la ingeniería de características y aprender características efectivas que se generalizan bien en nuevos puntos de datos.

Con este sistema automatizado y escalable en modelos de aprendizaje profundo como CNN, podría ser más efectivo, barato y escalable el diagnóstico de la malaria. Para ello, se pueden utilizar aprendizaje por transferencia y los modelos pre-entrenados que funcionan bien incluso con pocos datos.

Las técnicas de código abierto fáciles de construir que aprovechan la inteligencia artificial pueden proporcionarnos la precisión más avanzada en la detección de la malaria.

Así, la IA se utilizaría para un bien social. Lo que el autor propone con este artículo publicado en Opensource.com es motivar a los investigadores médicos a hacer estas pruebas poco costosas y muy efectivas.

Dejar respuesta

Please enter your comment!
Please enter your name here