Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial

Abstract

Esta tesis de grado presenta un enfoque innovador para mejorar la detección de enfermedades autoinmunes mediante la aplicación de técnicas avanzadas de inteligencia artificial (IA), específicamente enfocadas en el aprendizaje profundo (deep learning) y el aprendizaje automático (machine learning), utilizando redes neuronales y Support Vector Machine (SVM). La identificación de patrones de anticuerpos antinucleares (ANA) en muestras de inmunofluorescencia indirecta (IFI) ha sido tradicionalmente un proceso que requiere habilidades especializadas y puede ser propenso a errores. En esta investigación, se propone la construcción de un banco de imágenes utilizando el equipo Helios Quimiolab y la implementación de técnicas avanzadas de procesamiento de imágenes, incluyendo algoritmos de deep learning y machine learning, para lograr una clasificación automatizada de los patrones de ANA. Además, se plantea el desarrollo de una interfaz gráfica que facilite la visualización y clasificación de estos patrones, siguiendo la nomenclatura internacional de ANA Patterns. Este enfoque tiene como objetivo principal mejorar la eficiencia y precisión en el diagnóstico de enfermedades autoinmunes, con el potencial de reducir los tiempos de respuesta en el laboratorio clínico. La integración de técnicas de deep learning y machine learning en el proceso de análisis de imágenes constituye un elemento clave para la optimización del sistema propuesto, permitiendo una mayor capacidad de reconocimiento de patrones y una mejora en la precisión del diagnóstico. Este trabajo representa un avance significativo en el campo de la medicina diagnóstica, al combinar la vanguardia en IA con las necesidades prácticas del diagnóstico clínico, con potenciales beneficios para la salud pública y la calidad de vida de los pacientes.