Anuncio de Premios para Conjuntos de Datos de Salud

Hoy, estamos orgullosos de compartir la primera ronda de premios de Lacuna Fund para crear conjuntos de datos en el campo de la salud. Los equipos seleccionados para la financiación están desbloqueando el poder del aprendizaje automático en todo el mundo, desde las provincias rurales de Nepal hasta los barrios de Chicago, EE. UU. La financiación y el trabajo de los equipos del proyecto crearán, aumentarán y agregarán conjuntos de datos abiertos que sean representativos de las poblaciones afectadas y, por lo tanto, estén menos sesgados y tengan más probabilidades de generar resultados de salud equitativos en todo el mundo.

Extendemos nuestro profundo agradecimiento a nuestro Panel Asesor Técnico de Salud de 2021 y a los revisores asociados, quienes fueron fundamentales en la selección de proyectos dispuestos a causar un impacto en las comunidades, los diferentes sectores y el mundo:

• Alistair Johnson, Hospital for Sick Children
• Chinasa T. Okolo, Universidad de Cornell
• Clement Adebamowo, Facultad de Medicina de la Universidad de Maryland
• Curtis P. Langlotz, Universidad de Stanford
• Ivor Braden Horn, Google
• Mahlet (Milly) Zimeta, Open Data Institute
• Sanmi (Oluwasanmi) Koyejo, Universidad de Illinois en Urbana-Champaign
• Sekou L. Remy, IBM Research, África

También agradecemos a nuestros patrocinadores que apoyaron esta convocatoria de propuestas, como The Rockefeller Foundation, Google.org, Wellcome Trust, la Fundación Gordon y Betty Moore, la Fundación Patrick J McGovern y la Fundación Robert Wood Johnson.

Esta convocatoria tenía como objetivo abordar las desigualdades a nivel mundial en los resultados de la atención médica en los Estados Unidos y en los países de ingresos bajos y medios (LMIC, por sus siglas en inglés). De un grupo de más de 60 solicitudes, los equipos seleccionados para la financiación respaldarán una variedad de necesidades en el sector de la atención médica y así impulsarán avances en los diagnósticos médicos, la desnutrición infantil, el manejo del dolor crónico y más.

Siempre nos inspiran los movimientos liderados por la comunidad con respecto a los conjuntos de datos desarrollados y de propiedad local que logran que la IA ofrezca soluciones tangibles en todo el mundo. Y sin más preámbulos, ¡siga leyendo para obtener más información sobre los proyectos más recientes seleccionados para la financiación!

Equipos de Proyecto Financiados en el Campo de la Salud

Microscopía de Teléfonos Inteligentes Asistida por IA Para la Detección Automática de Parásitos que Causan Diarrea

Este proyecto creará un conjunto de datos de imágenes del sistema de microscopía de bajo costo basado en teléfonos inteligentes para permitir la detección automática y en tiempo real de protozoos que causan diarrea, incluso en lugares que carecen de expertos o de costosos microscopios tradicionales. La diarrea es la segunda causa principal de muerte en niños menores de cinco años en todo el mundo y la mayoría de las muertes ocurren en los LMIC. Con el uso de microscopios tradicionales y microscopios basados en teléfonos inteligentes en muestras de vegetales, agua y heces humanas de las provincias de Nepal, el equipo creará un nuevo conjunto de datos anotados de ooquistes de Cryptosporidium y Giardia. Para proporcionar resultados de referencia, también se implementarán y evaluarán métodos de aprendizaje de última generación para la detección automática de ooquistes de Giardia y Cryptosporidium en un conjunto de prueba independiente que se lanzará como parte del conjunto de datos.

Estamos entusiasmados por comenzar este proyecto multidisciplinario que involucra a investigadores y profesionales de diferentes campos, como investigadores de IA, expertos en microscopía y óptica, expertos en química y dispositivos de bajo costo, médicos, patólogos, expertos en salud pública, etc.”

– Bishesh Khanal, investigador principal, NAAMII

Conjuntos de Datos Basados en IA para el Diagnóstico de la Malaria

Este proyecto tiene como objetivo generar conjuntos de datos de calidad, accesibles y de etiqueta abierta de imágenes de frotis de sangre que sean gruesos y finos de Uganda y Ghana, lo que contribuirá a mejorar el diagnóstico microscópico de la malaria. El equipo desarrollará protocolos estandarizados de recopilación de datos para la adquisición de datos de imágenes utilizando cámaras de teléfonos inteligentes colocadas en el ocular del microscopio. A través de su asociación con los centros de salud locales, este proyecto permitirá que la comunidad de aprendizaje automático desarrolle modelos basados en IA para la detección del parásito de la malaria, la identificación de especies y la determinación de la parasitemia de la malaria.

Makerere AI Lab, Uganda, en colaboración con MinoHealth AI Lab, Ghana, proporcionará conjuntos de datos accesibles de imágenes de frotis de sangre gruesos y finos para mejorar la microscopía de la malaria. Hacer uso de los conjuntos de datos gratuitos y de código abierto brindará oportunidades para el desarrollo de modelos de aprendizaje automático confiables y más precisos para el diagnóstico de la malaria más allá de su estado actual, lo que permitirá alcanzar el objetivo 3 de los ODS: ‘Garantizar una vida sana y promover el bienestar para todas las edades’. Estamos entusiasmados con este proyecto y agradecidos con Meridian Institute por brindarnos esta oportunidad única a través de Lacuna Fund. »

– Rose Nakasi, Makerere AI Lab, conjuntos de datos para la detección basada en IA del equipo del proyecto de malaria

Expansión de los Datos de BraTS para Incluir a la Población Africana (África-BraTS)

Este proyecto creará una base de datos anotada de imágenes de resonancia magnética del África subsahariana para el diagnóstico de glioma, un tumor cerebral raro, de crecimiento rápido y altamente mortal. En los últimos 10 años, el desafío de segmentación de tumores cerebrales (BraTS, por sus siglas en inglés) ha proporcionado imágenes de resonancia magnética etiquetadas de alta calidad abiertas y accesibles para el desarrollo de modelos de segmentación de tumores de ML y para las evaluaciones comparativas del rendimiento del modelo. Sin embargo, no resulta claro cómo se traducen estos métodos en regiones de bajos recursos, particularmente en el África subsahariana, donde las tasas de mortalidad por glioma son las más altas, y el uso de tecnología de resonancia magnética no tan avanzada junto con personal poco calificado hace que el diagnóstico de glioma sea un desafío. La base de datos África-BraTS con datos de pacientes reales proporcionará una forma novedosa de evaluar comparativamente el rendimiento de los modelos de ML para brindar soluciones a los desafíos de imágenes del mundo real en lugares de bajos recursos. Al final, esto influirá en qué tan bien se delinean, miden y caracterizan los tumores cerebrales y en la supervivencia del paciente a largo plazo.

Nuestro objetivo principal es resolver los desafíos que refuerzan las disparidades en la aplicación de ML en el diagnóstico basado en imágenes en lugares de bajos recursos, con un enfoque en los desafíos del África subsahariana. »

– Udunna Anazodo, Consorcio para el Avance de la Educación e Investigación de IRM en África (CAMERA, por sus siglas en inglés)

Aprendizaje Automático a Partir de los Resultados de Pacientes Reales para Reducir las Disparidades Raciales en los Dolores Crónicos

Este proyecto creará un nuevo conjunto de datos de imágenes de gran tamaño vinculado a resultados valiosos y reales de pacientes, como la intensidad de sus dolores, lo que ayudará a abordar dolores subyacentes en las poblaciones desatendidas. Al entrenar un algoritmo para mirar radiografías de rodilla y predecir el dolor que los pacientes informan sentir, en lugar de la intensidad determinada por el médico, el equipo del proyecto ha revelado conocimientos médicos que han podido detectar mejor las causas del dolor de rodilla en pacientes negros. Sin embargo, el desafío de este enfoque es que los conjuntos de datos existentes son insuficientes, ya que habitualmente contienen solo la radiografía de la rodilla y el juicio del médico. Con este nuevo método, el equipo utilizará las ventajas únicas de la IA para evitar los sesgos inherentes a las viejas formas de leer los rayos X y producirá nuevos conocimientos complementarios a los del médico.

Conjunto de Datos de Imágenes de Rayos X de Tórax para Múltiples Enfermedades Cardiorrespiratorias

Las enfermedades cardiorrespiratorias son problemas graves de salud pública en todo el mundo que siguen estando entre las principales causas de muerte a nivel mundial. Sin embargo, no hay muchos conjuntos de datos disponibles públicamente de África, lo que dificulta determinar si las herramientas y técnicas desarrolladas en otros lugares son efectivas en este contexto. El equipo de este proyecto creará un conjunto de datos de rayos X de tórax abiertos y etiquetados para múltiples enfermedades cardiorrespiratorias en Etiopía, para impulsar el trabajo de los investigadores y profesionales en África, adaptar los métodos actuales al contexto africano y crear tecnologías de asistencia que empoderen a los radiólogos.

Prevemos que este conjunto de datos tenga un impacto principalmente en la investigación y las aplicaciones del dominio de imágenes médicas. También será fundamental para los investigadores en el procesamiento del lenguaje natural y los emprendedores en imágenes médicas. »

Reducción de la Malnutrición Infantil en Chile a través de una Base de Datos Multidimensional Integrada

Este proyecto creará una base de datos integrada para el estado nutricional infantil, la caracterización socioeconómica y demográfica, el rendimiento académico de los estudiantes, y para el uso y los costos de atención médica relacionados con la desnutrición, el sobrepeso y la obesidad infantil en Chile. La malnutrición infantil es un proceso patológico con causas multidimensionales que aumenta el riesgo de diagnósticos con condiciones de salud crónicas, aumenta los gastos de atención médica, reduce la productividad y conduce a tener una muerte prematura. Este equipo apoyará la creación del conjunto de datos y de la infraestructura base para que sea accesible de manera segura para los investigadores y los encargados de elaborar políticas y al mismo tiempo proteger la privacidad.

La malnutrición en los primeros años de vida puede causar problemas permanentes en el crecimiento y el desarrollo, y provocar varias complicaciones en la salud a lo largo de la vida. Chile tiene la cuarta tasa más alta de obesidad infantil en América y su prevalencia es mayor en comunidades vulnerables. Además, la COVID-19 interrumpió el acceso a los alimentos y causó inseguridad alimentaria. Con el apoyo de Lacuna Fund, un equipo interdisciplinario de científicos e investigadores de datos integrará diferentes bases de datos que facilitarán el uso de la investigación aplicada para ayudar a los encargados de elaborar políticas a enfocarse en la población de riesgo, construir sistemas predictivos que ayuden a prevenir esos riesgos y desarrollar intervenciones que logren un cambio de comportamiento. »

– Nieves Valdés, investigadora principal, equipo de proyecto de Reducción de la malnutrición Infantil en Chile

 

Plataforma de Inteligencia Artificial de Teléfonos Inteligentes para la Digitalización De Registros en Papel

Este proyecto se enfoca en desarrollar y utilizar una plataforma de IA de aprendizaje profundo y visión por computadora para convertir los registros de salud perioperatorios en papel en una base de datos electrónica. Los gráficos en papel impiden caracterizar, anotar, analizar y caracterizar adecuadamente los registros de datos, lo que disminuye su utilidad para reducir la morbilidad y la mortalidad perioperatorias mediante intervenciones estructuradas de mejora de la calidad e investigaciones basadas en resultados. A través de este proyecto, el proveedor de atención médica tomará fotografías de registros de salud de anestesia intraoperatoria que estén en papel utilizando un teléfono inteligente de bajo costo. La imagen se separará en segmentos y se digitalizará utilizando modelos de visión por computadora creando un conjunto de datos etiquetado. Los conjuntos de datos digitales perioperatorios permitirán que los profesionales de la salud sigan desarrollando modelos para identificar indicadores de alto riesgo de complicaciones posoperatorias que sean relevantes y específicos de los LMIC.

 

Desarrollo de una Base de Datos de Rayos X de Tórax para Detectar la Tuberculosis en África que Funcione para el Aprendizaje Automático

Este proyecto tiene como objetivo crear un conjunto de datos abiertos y etiquetados de imágenes de rayos X de tórax e información clínica recopilada de la población de Uganda para ayudar a evaluar, detectar y diagnosticar la tuberculosis. Primero, el equipo desarrollará una capacitación certificada para radiólogos y profesionales médicos sobre el reconocimiento de patrones de rayos X de tórax. Luego, el personal capacitado realizará procedimientos de rayos X de tórax en casos sospechosos y diagnosticados de tuberculosis en centros de salud seleccionados y para quienes deben realizarse rayos X, lo que permite obtener informes reales de campo a partir de sus propias interpretaciones, cargar los datos e informes y trabajar con radiólogos expertos para tener segundas opiniones. Los casos sospechosos con un informe de evaluación de rayos X de tórax positivo se someterán a una prueba de confirmación y para los casos diagnosticados, los datos se extraerán de los informes de los pacientes. Los informes de evaluación y las pruebas de confirmación se utilizarán para generar etiquetas para las imágenes de rayos X de tórax. A partir de todo esto, el equipo creará un conjunto de datos etiquetado e inclusivo que comprende al menos 2000 imágenes únicas de rayos X de tórax y datos clínicos.