Una IA aprendió a leer pruebas de rabia en cultivos celulares

Detectar el virus de la rabia o medir anticuerpos en un laboratorio puede requerir revisar muchas imágenes fluorescentes de cultivos celulares. En esas imágenes, las células que contienen una señal buscada emiten luz de un color determinado después de ser tratadas con marcadores. La lectura suele depender de personal entrenado y puede llevar tiempo, sobre todo cuando el volumen de muestras crece.

Un equipo de la Animal and Plant Health Agency y la Universidad de Surrey entrenó modelos de aprendizaje automático para reconocer esas señales. Reunió 2.344 imágenes de células BHK-21 —una línea celular usada habitualmente en estos ensayos— y dividió cada imagen en regiones más pequeñas; en total, el conjunto incluyó 36.822 regiones anotadas. El objetivo era que el programa distinguiera patrones compatibles con infección por el virus de la rabia y, en otra prueba, ayudara a calcular la cantidad de anticuerpos que neutralizan el virus.

Los investigadores compararon tres arquitecturas de inteligencia artificial. La que obtuvo mejores resultados coincidió con la clasificación de referencia al analizar imágenes nuevas de un ensayo de neutralización fluorescente recomendado por la Organización Mundial de la Salud y la Organización Mundial de Sanidad Animal. En términos sencillos, el sistema pudo convertir el brillo y la distribución de las señales en una estimación que coincide con la lectura esperada para esas muestras de prueba.

El resultado no equivale a un diagnóstico directo para personas ni animales. Todo el trabajo se hizo con imágenes de cultivos celulares y con condiciones de laboratorio definidas. La precisión de un algoritmo también puede cambiar al enfrentarse a microscopios, muestras o protocolos distintos de los usados para entrenarlo. Antes de usar una herramienta así de forma rutinaria, tendría que validarse en cada contexto y mantenerse bajo controles de calidad.

La rabia sigue causando muertes evitables allí donde la vacunación y la vigilancia no alcanzan de forma sostenida. Reducir el trabajo repetitivo de lectura podría ayudar a que los laboratorios procesen más ensayos y de una manera más consistente, especialmente al evaluar respuestas a vacunas. Por ahora, el aporte del estudio es una demostración de que la automatización puede acompañar la tarea de especialistas en una prueba concreta; no sustituye las muestras, los protocolos ni las decisiones de salud pública que hacen posible la vigilancia.