Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
Comprender el aprendizaje automático y el aprendizaje profundo en medicina
{{{sourceTextContent.subTitle}}}
Algoritmos, conjuntos de datos, aprendizaje automático, aprendizaje profundo, computación cognitiva, grandes datos e inteligencia artificial: Expresiones de TI que tomaron el lenguaje de la atención sanitaria del siglo XXI con una fuerza sorprendente. Si los profesionales de la medicina quieren adelantarse, deben familiarizarse con las bases de la I.A. y tener una idea de los problemas médicos que pretenden resolver. Por lo tanto, echemos un vistazo más de cerca al aprendizaje automático y al aprendizaje profundo en medicina.
{{{sourceTextContent.description}}}
El ante-cuarto de la inteligencia artificial
El término "inteligencia artificial" podría ser engañoso, ya que debido al uso excesivo de la expresión, su significado comenzó a inflarse. Implica software con cognición y sensibilidad, una tecnología mucho más desarrollada que la actual. Por ejemplo, Facebook anunció una I.A. para detectar pensamientos suicidas publicados en su plataforma, pero una inspección más detallada reveló que la "detección de I.A." en cuestión es poco más que un filtro de correspondencia de patrones que marca las publicaciones para los administradores de la comunidad humana.
En el mejor de los casos, la tecnología actual con varios métodos algorítmicos es capaz de alcanzar la inteligencia estrecha artificial (ANI) en algunos campos, siendo las áreas más avanzadas la visión por ordenador y el procesamiento del lenguaje natural. En términos muy simples, ANI tiene un increíble patrón de reconocimiento de habilidades en enormes conjuntos de datos, lo que lo hace perfecto para resolver problemas de clasificación y agrupación basados en texto, voz o imágenes. Pero aunque los métodos de análisis de datos más complejos suenan excitantes y atractivos, a veces también se pueden obtener grandes resultados utilizando técnicas menos avanzadas.
Por ejemplo, en un pequeño hospital húngaro, el tiempo de espera antes del tratamiento para los pacientes de oncología se redujo drásticamente de 54 a 21 días sólo mediante la optimización de los procesos de gestión de pacientes con la ayuda de mecanismos sencillos como el registro y seguimiento de los casos de cerca. El primer paso para el análisis de datos es registrar los datos de forma adecuada y, a continuación, llevar a cabo las acciones de seguimiento necesarias. El segundo paso consiste en utilizar diversos métodos estadísticos, como la minería de datos para recopilar, analizar, describir, visualizar y extraer inferencias a partir de datos, por ejemplo, de historias clínicas electrónicas o del universo "OMICS". El objetivo es descubrir relaciones y propiedades matemáticas dentro de grandes conjuntos de datos y cuantificar la incertidumbre. La minería de datos generalmente significa cuando se extraen conocimientos y patrones de bases de datos a gran escala.
Sin embargo, esto es sólo el ante-cuarto de la inteligencia artificial: el aprendizaje automático y el aprendizaje profundo van mucho más allá.
Los reconocedores de patrones gobiernan el mundo: aprendizaje automático supervisado y sarampión
El aprendizaje automático es el campo de la informática que permite que los ordenadores aprendan sin estar programados explícitamente sobre la base de las estadísticas computacionales y la minería de datos. Al igual que con las estadísticas tradicionales, el aprendizaje automático requiere suficientes conjuntos de datos de formación (también conocidos como tamaño de la muestra en las estadísticas tradicionales) y los algoritmos adecuados para optimizar su rendimiento en el conjunto de datos de formación antes de realizar las pruebas. Sin embargo, en contraste con los métodos tradicionales, el aprendizaje automático se centra en la construcción de sistemas de decisión automatizados.
El campo tiene diferentes tipos: puede ser supervisado, no supervisado, semi-supervisado o de refuerzo, entre otros. La primera se utiliza típicamente para problemas de clasificación, por ejemplo, para emparejar imágenes con etiquetas. Usted tiene una entrada y una salida de datos - la imagen así como la etiqueta -; y el algoritmo aprende las reglas generales de cómo categorizar. Es el tipo más popular de aprendizaje de máquina en medicina, y en unos pocos años, será ampliamente usado en imagenología médica en radiología, patología, y otros campos intensivos de imagenología. Aunque ciertamente tiene sus limitaciones: requiere grandes conjuntos de datos para ser lo suficientemente precisos, y los datos tienen que ser etiquetados apropiadamente. Es por eso que el trabajo de los anotadores de datos es tan crucial.
Sin embargo, el aprendizaje automatizado supervisado también puede desplegarse eficazmente para predecir eventos de salud basándose en diversos datos de entrada, que pueden clasificarse de forma lineal. Por ejemplo, a partir de las estadísticas sobre las tasas de vacunación contra el sarampión y los brotes de enfermedades de los Centros para el Control y la Prevención de Enfermedades, así como de los datos de salud no tradicionales, incluidos los datos de vigilancia de los medios sociales y de los síndromes generados por los programas informáticos que extraen una amplia gama de fuentes de registros médicos, un algoritmo puede proporcionar un mapa fiable de los futuros puntos críticos de los brotes de sarampión.
Aprendizaje automático no supervisado e interacciones con otros medicamentos
En el caso del aprendizaje no supervisado de la máquina, se le pide al programa informático que descubra la estructura inherente y los patrones que se encuentran dentro de los datos. A diferencia del aprendizaje supervisado de la máquina, los conjuntos de datos no están etiquetados ni estructurados. Por lo tanto, el algoritmo tiene que formar sus propios grupos, clusters y categorías basados en "similitudes" en enormes conjuntos de datos. Generalmente se utiliza para predecir resultados desconocidos y para determinar cómo descubrir patrones ocultos. El aprendizaje automático no supervisado tiene subtipos: algoritmos de agrupamiento y algoritmos de aprendizaje de reglas de asociación.
El aprendizaje sin supervisión se utiliza a menudo en el aprendizaje profundo, y se ha implementado en vehículos de autoconducción y robots, así como en aplicaciones de reconocimiento de voz y de patrones. En medicina, por ejemplo, las muestras de tejidos pueden agruparse en función de valores de expresión génica similares utilizando técnicas de aprendizaje no supervisadas. Como ejemplo de algoritmos de aprendizaje de reglas de asociación, se puede mencionar la prueba de nuevas interacciones medicamentosas.
El aprendizaje de refuerzo y la magia de AlphaGo
La última categoría, el aprendizaje por refuerzo, constituye probablemente el tipo más conocido de aprendizaje por máquina: cuando el programa de ordenador aprende de sus errores y éxitos; y construye sus experiencias en el algoritmo. El ejemplo más famoso es AlphaGo, la máquina desarrollada por Google que venció decisivamente al campeón mundial de Go Lee Sedol en marzo de 2016. Utilizando un esquema de recompensa y penalización, el modelo primero se entrenó en millones de posiciones en el consejo directivo en la etapa de aprendizaje supervisado, y luego jugó por sí mismo en la etapa de aprendizaje de refuerzo para finalmente llegar a ser lo suficientemente bueno como para triunfar sobre el mejor jugador humano.
Sin embargo, el problema con la aplicación del aprendizaje de refuerzo a la atención médica, especialmente para optimizar el tratamiento, es que a diferencia de AlphaGo, no podemos desarrollar un gran número de escenarios en los que el agente haga intervenciones para aprender la política óptima, ya que la vida de los pacientes está en juego. Por suerte, ya tenemos ejemplos en los que se puede mitigar este problema. En un estudio publicado por investigadores del MIT, los autores reportaron una formulación exitosa de la dosificación en ensayos clínicos como un problema de aprendizaje de refuerzo, donde el algoritmo enseñó los regimientos de dosificación apropiados para reducir los diámetros promedio del tumor en pacientes que se someten a ensayos clínicos de quimioterapia y radioterapia.
Aprendizaje profundo en medicina utilizado para temas muy complejos
El aprendizaje profundo es el subcampo del aprendizaje automático en el que los ordenadores aprenden con la ayuda de redes neuronales en capas. Sin embargo, no hay una línea estricta entre la máquina y el aprendizaje profundo, por lo general, la limpieza de los datos y la complejidad del problema determinan cuál es el más aplicable. Los algoritmos de aprendizaje profundo generalmente tratan con conjuntos de datos desordenados, montones de información no estructurada para tratar de dar respuestas a preguntas difíciles.
¿Qué son las redes neuronales? Su operación básicamente imita a las neuronas del cerebro. Quartz formuló la explicación como sigue: algoritmos que se construyen aproximadamente para modelar la forma en que el cerebro procesa la información, a través de redes de ecuaciones matemáticas conectadas. Los datos dados a una red neuronal se rompen en piezas más pequeñas y se analizan en busca de patrones subyacentes miles a millones de veces, dependiendo de la complejidad de la red. Una red neural profunda es cuando la salida de una red neural se alimenta en la entrada de otra, encadenándola como capas. Típicamente, las capas de una red neural profunda analizarían los datos en niveles cada vez más altos de abstracción, lo que significa que cada una de ellas arroja datos que aprendieron a ser innecesarios hasta que se deja la representación más simple y precisa de los datos.
El aprendizaje profundo tiene diferentes tipos basados en las formas de conectar las capas y las formas en que actúan las'neuronas'. También hay aprendizaje no supervisado, supervisado y de refuerzo en algoritmos de aprendizaje profundo, ya que estos significan la forma en que el algoritmo es alimentado con datos por los investigadores. Más allá de eso, las redes neuronales convolucionales (CNN) son típicas para el reconocimiento de imágenes, vídeo y datos de audio, debido a su capacidad para trabajar con datos densos. Las redes neuronales recurrentes (RNN) se utilizan para el procesamiento del lenguaje natural, mientras que las redes de memoria a largo plazo (LSTM) son variaciones de las RNN destinadas a retener información estructurada basada en datos. Por ejemplo, un RNN podría reconocer todos los sustantivos y adjetivos en una oración y determinar si se usan correctamente, y un LSTM podría recordar la trama de un libro.
Como ejemplo de aprendizaje profundo en medicina, los investigadores propusieron un enfoque para deducir las políticas de tratamiento para los pacientes sépticos mediante el uso de modelos de estado-espacio continuo y el aprendizaje de refuerzo profundo. En otro estudio, los expertos intentan resolver el difícil problema de estimar el tamaño de los pólipos usando imágenes o videos de colonoscopia, lo cual es crucial para hacer un diagnóstico en la evaluación del cáncer de colon. Además, el aprendizaje profundo sin supervisión puede facilitar la exploración de nuevos factores en los sistemas de puntuación o añadir factores de riesgo ocultos a los modelos existentes. También se puede utilizar para clasificar genotipos y fenotipos nuevos de hipertensión pulmonar, cardiomiopatía y muchos otros factores.
Navegar en el mar de información sobre inteligencia artificial es difícil. Como todo el mundo se dio cuenta de que las tecnologías que conducen a la I.A. podrían revolucionar la atención sanitaria, hay muchos experimentos, investigación, pero también información falsa y exageración por ahí. En The Medical Futurist, nuestro objetivo es proporcionarle el contexto, interpretar los resultados de los estudios e intentar darle sentido a la revolución digital de la salud. Siéntase libre de contactarnos para preguntas, comentarios o simplemente para una conversación. Nos encantaría saber de usted!