Cambridge Consultants ha desarrollado BacillAi, un sistema conceptual que aprovecha la Inteligencia Artificial (IA) y el hardware estándar de bajo costo para mejorar el monitoreo del tratamiento de la tuberculosis (TB) en países con recursos limitados.

Con la tuberculosis como la segunda causa de muerte por enfermedad infecciosa en el mundo en desarrollo, el sistema BacillAi es parte de la misión continua de Cambridge Consultants de llevar la IA más allá de la exageración, abordando desafíos prácticos de alto impacto y mejorando vidas a escala global.

La tuberculosis es la segunda causa de muerte por enfermedad infecciosa en los países en vías de desarrollo. Su alta tasa de mortalidad se debe a una variedad de factores, incluida la falta de diagnósticos disponibles y asequibles y los resultados no consistentes adquiridos en el seguimiento de los pacientes. La tuberculosis se controla tomando una muestra de esputo y contando manualmente las células bajo un microscopio.

En países de bajos recursos, esto es muy difícil, ya que hay poco personal cualificado que trabaje en condiciones difíciles. Los médicos, además, pueden necesitar revisar diez pacientes por día, y para cada paciente se necesita contar cientos de células a través de un microscopio. Esto conduce a fatiga visual para los médicos y resultados lentos y de baja calidad para los pacientes.

Cambridge Consultants trabaja a la vanguardia de los avances en IA, aplicando el aprendizaje profundo en aplicaciones que incluyen la detección de anomalías en redes de telecomunicaciones, automóviles autónomos, interfaces de usuario sin fricción y diagnóstico y tratamiento médico.

La identificación de células de TB es particularmente difícil debido a la presencia de otras células de aspecto similar en las muestras de esputo, la variación en la intensidad de las manchas y la variación en el color entre los dispositivos de imágenes. Estas condiciones hacen que las técnicas tradicionales de visión por computadora definidas por reglas fallen, ya que no pueden dar cuenta de esa amplitud de datos. Por el contrario, este rico y variado conjunto de datos crea las condiciones ideales para entrenar un sistema de aprendizaje profundo robusto y preciso para la identificación celular.

Leave a Reply