Un escaneo de registro facial puede convertirse en parte de un chequeo médico regular en un futuro no muy distante. Los investigadores han demostrado cómo los algoritmos pueden ayudar a identificar rasgos faciales vinculados a trastornos genéticos, lo que potencialmente puede acelerar los diagnósticos clínicos.
en un estudiar fue publicado este mes en la revista Medicina natural, la empresa estadounidense FDNA publicó nuevas pruebas de su software, DeepGestalt. Al igual que el software de registro facial habitual, la empresa entrenó sus algoritmos analizando un conjunto de datos de rostros. FDNA recolectó más de 17,000 imágenes que cubren 200 síndromes diferentes utilizando una aplicación para teléfonos inteligentes que desarrolló emplazamiento Face2Gene.
En las dos primeras pruebas, se utilizó DeepGestalt para despabilarse trastornos específicos: el síndrome de Cornelia de Lange y el síndrome de Angelman. Ambas son condiciones complejas que afectan el progreso intelectual y la movilidad. Igualmente tienen rasgos faciales distintivos, como cejas arqueadas que se unen en el medio para el síndrome de Cornelia de Lange, y piel y pelambrera inusualmente claros para el síndrome de Angelman.
Cuando a DeepGestalt se le asignó la tarea de distinguir entre imágenes de pacientes con uno u otro síndrome, el síndrome imprevisible, DeepGestalt tuvo una precisión de más del 90 por ciento y superó a las clínicas expertas, que tenían una precisión de aproximadamente del 70 por ciento en pruebas similares. Cuando se probó en 502 imágenes que mostraban a personas con 92 síndromes diferentes, DeepGestalt identificó la condición objetivo en su suposición de 10 diagnósticos posibles más del 90 por ciento de las veces.
En un experimentación más desafiante, el cálculo mostró imágenes de personas con el síndrome de Noonan y se le pidió que identificara cuál de cinco mutaciones genéticas específicas podría haberlo causado. Aquí, el software fue un poco menos preciso, con una tasa de aciertos del 64 por ciento, pero aun así funcionó mucho mejor que el 20 por ciento que obtendría al adivinar.
Pero los expertos dicen que este tipo de prueba algorítmica no es una panacea para identificar trastornos genéticos raros. Cuando se negociación de detectar mutaciones genéticas específicas, el Dr. Bruce Gelb, profesor de la Escuela de Medicina Icahn en Mount Sinai y versado en el síndrome de Noonan, dicho informativo del gobierno que la respuesta definitiva de una prueba genética sería más útil.
“Es inconcebible para mí que uno no envíe la prueba del panel y descubra cuál es en realidad”, dijo Gelb, quien, sin incautación, dijo que los algoritmos eran “impresionantes”.
Gelb todavía señaló que DeepGestalt fue desarrollado y probado en un conjunto de datos pequeño por niños asaz pequeños, y puede tener dificultades para identificar trastornos en personas mayores, donde las características faciales se vuelven menos distintivas. La investigación de terceros sobre las herramientas de FDNA todavía ha sugerido un convencionalismo étnico: los algoritmos son mucho más valioso en caras caucásicas que africanas.
La FDNA parece ser consciente de estas deficiencias, y la investigación de la empresa se refiere al potencial de DeepGestalt como una “aparejo de narración”, poco que, al igual que otros software impulsados por IA, ayudaría, no reemplazaría, a los diagnósticos humanos.
Christoffer Nellåker, un versado en el campo de la Universidad de Oxford, repitió esta evaluación y dijo Comprobado nuevo: “El valencia existente aquí es que para algunas de estas enfermedades exaltado raras, el proceso de diagnosis puede sufrir muchos, muchos primaveras […] Para algunas enfermedades, reducirá drásticamente el tiempo de diagnosis. Para otros, puede adicionar una forma de encontrar a otras personas con la enfermedad y, a su vez, ayudar a encontrar nuevos tratamientos o curas”.