Necesitamos mejorar la forma en la que manejamos un gran volumen de datos

 



Buscar una aguja en un pajar y que sea la mejor aguja que podamos encontrar. Google ha visto crecer su imperio con el desarrollo de una fórmula matemática que usa dos verbos: buscar y encontrar. Con estas dos palabras se acelera también el modo en el que avanza la inteligencia artificial y las máquinas aprenden de forma más rápida cómo reconocer objetos, voces, palabras, órdenes, reglas y ejecutar la acción más apropiada.
Lily Peng, ingeniera en biomedicina, trabaja en Silicon Valley para la gran empresa que desarrolló el buscador más popular de internet. Su campo es el de la visión y emplea el aprendizaje profundo (deep learning) para que las computadoras detecten enfermedades tras analizar la foto de un ojo. El diagnóstico de la diabetes, dolencias cardiovasculares, degeneración macular o glaucoma puede hacerse ya mediante la observación de la retina. El cáncer de piel se puede detectar con una aplicación móvil. Y en otros casos, como el cáncer de mama o de próstata, las máquinas han demostrado una gran eficacia tras escudriñar cientos de imágenes de biopsias en apenas unos segundos y acertar en más del 90% de los casos.
P -¿Cómo se está produciendo el avance de la biomedicina con la inteligencia artificial, la robótica, los microchips y la nanotecnología?
 
R -Cuando era estudiante de doctorado, en nanociencia, todo era muy manual. Pasaba mucho tiempo bajo el microscopio contando células. No existía un programa que lo hiciera. Ahora los experimentos se hacen en menos tiempo. En la investigación biomédica hay muchas maneras de manejar la gran cantidad de información que estamos generando. Estas tecnologías se pueden usar para optimizar las condiciones experimentales y que la investigación sea más ágil. También ayuda a analizar los datos clínicos más rápidamente.
P -¿En qué fase se encuentra la aplicación de la inteligencia artificial en medicina?
R -En general, el problema al que nos enfrentamos los médicos es el gran volumen de datos que tenemos que revisar. Necesitamos mejorar la forma en la que el médico maneja esta información, filtrándola para que se preste atención a los datos más importantes. Eso es lo más urgente. En el campo de la visión se usan redes neuronales convolucionales (un tipo particular de aprendizaje automático) que reconoce imágenes del ojo. Esta tecnología está ya muy madura.
 
P -¿Cómo es esta tecnología en el campo de la visión?
R -En nuestra investigación con imágenes oculares hemos encontrado que hay mucha más información en los píxeles de la que los médicos sabían que debían buscar. A partir de cientos de imágenes ahora podemos predecir si un paciente corre un mayor riesgo de sufrir un infarto y podemos hacerlo con mayor rapidez y exactitud que un ser humano.

Revisamos los datos de cinco años de miles de personas que tuvieron o no un ataque al corazón y le pedimos a la máquina que encontrara una norma. Algunas de las reglas que la máquina puede descubrir son similares a las que encontramos los seres humanos. Pero hay otros patrones que no sabíamos que existían. Podemos, además, ver en qué parte de la imagen se está fijando la máquina y hacer una predicción sobre qué nuevos factores debemos tener en cuenta.
 
P -¿Cómo funciona la inteligencia artificial en el desarrollo de nuevos fármacos?
R -Para descubrir medicamentos hay muchas posibles combinaciones y muchos experimentos distintos que se pueden programar. Muchas veces es como jugar a la lotería. Esperas que uno de ellos funcione. No se trata de buscar un medicamento que tiene una característica particular, sino de reducir la búsqueda para acelerar el descubrimiento. El aprendizaje profundo ayuda a encontrar los mejores candidatos para crear un compuesto químico.
 
P -En el proyecto Google Brain se han desarrollado redes neuronales artificiales para reconstruir secuencias completas de ADN a partir de datos de secuenciación de alto rendimiento ¿Qué implicaciones tiene este avance para las terapias génicas?
R -En genómica, es difícil saber qué variaciones del material genético son importantes. El aprendizaje profundo ayuda a descubrir qué mutaciones del genoma realmente marcan la diferencia. Esto contribuye al descubrimiento de terapias y, con el tiempo, a acelerar la investigación.
 
P -Los estudios para combatir el cáncer avanzan gracias a la inmunoterapia. ¿Cree que con la inteligencia artificial y los sistemas inmunitarios artificiales también se avanzará en este campo?
R -Para diagnosticar y comprender el cáncer se puede aplicar esta técnica y encontrar nuevos factores que sean predictivos, sea lo que sea que se esté investigando. Creo que lo que las técnicas de aprendizaje profundo nos permiten es definir lo que queremos, y luego usar las máquinas para descubrir cómo organizar esa información.
 
P -Con las técnicas de reconocimiento de imágenes, para el cáncer de piel existen ya aplicaciones móviles capaces de hacer un diagnóstico mediante una fotografía. ¿Funciona realmente este selfie de la salud?
R -Para fotografiar la piel se puede usar el teléfono móvil, pero uno debe asegurarse de capturar la imagen de la piel de una manera específica para que el programa pueda leerla correctamente.
 
P -¿Se puede también utilizar la tecnología de los móviles para imágenes retinianas e identificar anomalías en el ojo, diabetes o enfermedades cardiovasculares?
R -En el caso de la imagen del ojo, actualmente se requiere una cámara especial. No es una resonancia magnética ocular, pero tampoco es como la cámara de un teléfono móvil. Estamos trabajando en una versión de esas cámaras especiales para el teléfono móvil. Algunas ya están disponibles y funcionan bien. Pronto, con el desarrollo del hardware, se podrán obtener estas imágenes del ojo de una manera más económica, rápida y fácil de usar.
 
P -¿Son las apps médicas el asistente del futuro para los facultativos?
R -Por supuesto. La tecnología será un asistente fantástico porque hace tareas rutinarias. La cantidad de datos que los médicos tenemos que analizar aumenta astronómicamente. Antes teníamos radiografías de tórax, ahora tenemos volúmenes en 3D con cientos de cortes. Teníamos sólo unos cuantos medicamentos para tratar una afección. Ahora hay muchas medicinas distintas para un montón de condiciones diferentes, por lo que puede imaginarse cómo se sienten los médicos, abrumados por la cantidad de información que les cae encima. Buscamos una forma de solucionarlo.
 
P -En ese sentido Google está desarrollando una herramienta de reconocimiento de voz para grabar lo que se habla durante una consulta médica ¿Esto beneficiaría a los médicos o a los pacientes?
R -Los médicos necesitan documentar las conversaciones con el paciente para el historial de esta persona. Obviamente, hay asistentes que pueden ayudar al médico a rellenar estos documentos. Pero también, del lado del paciente, muchas de las veces que éste acude al médico no entiende lo que ha sucedido en la consulta. Esto le pasó a un familiar mío que fue al médico y le preguntamos qué le habían dicho. No lo sabía. Sólo sabía qué medicina tenía que tomar. Es necesario un asistente que ayude al médico y al paciente con la información de audio de la cita.
 
P -¿Qué más se podría hacer en medicina con datos de audio e inteligencia artificial?
R -Es un punto interesante para la medicina. Porque capturamos datos de imágenes en términos de radiología, etc, pero no tenemos datos de audio, a pesar de que usamos el sonido para hacer un diagnóstico, como con la forma en la que suena un corazón en un estetoscopio o mediante la tos del enfermo. Los médicos realmente usan mucha información para entender qué le pasa al paciente. Es información útil que no estamos grabando. Estamos tratando de ayudar a los médicos para encontrar esa utilidad de la información de audio.
 
P -El proyecto Google Genomics podría convertirse en una gran base de datos de ADN en todo el mundo. Existe una iniciativa que insta a la comunidad científica a usar Google Cloud Platform. ¿El acceso compartido a los datos podría también acelerar el avance de la investigación biomédica?
R -La herramienta para aplicar el aprendizaje profundo es de código abierto y está disponible para cualquier persona que esté adaptando nuevas herramientas de medicina o de biología. Hay muchas iniciativas en este momento para descubrir cómo compartir los datos. Esto podría ser algo muy poderoso y resolver muchos problemas científicos, pero necesitamos encontrar la forma de reunir esta información de forma correcta. Estamos limitados por la calidad y la cantidad de datos disponibles. Cuanto más animemos a los científicos a agruparlos y compartirlos, más rápido se darán los descubrimientos. Pero esto debe hacerse respetando la privacidad de los pacientes.

 

 

MAR DE MIGUEL @MarJungle

Comentarios

Entradas populares