La revista científica npj Digital Medicine, perteneciente a Nature, publicó una guía de conceptos generales sobre el uso de Artificial Intelligence (AI) en el sector médico, así como definiciones, funciones y ejemplos de su uso.
The Artificial Intelligence ha adquirido gran relevancia en los últimos diez años. Actualmente se utiliza en diferentes industrias, como en el sector automotriz o el entretenimiento. Los servicios de redes sociales utilizan algoritmos de machine learning para funcionar. En el campo de la medicina, el potencial es mayor, ya que es posible utilizarla para el desarrollo y diseño de fármacos, para diagnósticos, y para atención médica, sin embargo, la atención evidencia actual no ha sido suficiente para masificar su uso.
“No hay duda de que la AI tendrá un papel beneficioso en el cuidado de la salud y puede traspasar los límites de la adopción solo si los profesionales médicos sirven como guías y líderes informados y solidarios en el proceso”, mencionan los autores en el artículo.
Para la comprensión de todos los conceptos que involucra la Artificial Intelligence, los autores elaboraron una guía, la cual comienza con la definición de AI, sus niveles y métodos, así como la diferencias entre estos. “La AI es un campo interdisciplinario que abarca la informática, la psicología, la lingüística y la filosofía, entre otros”. La definición simplificada es “máquinas que imitan las funciones cognitivas que los humanos asocian con la mente humana, como el aprendizaje y la resolución de problemas”.
Nick Bostrom, filósofo de la Universidad de Oxford definió los tres niveles principales de la AI en su libro superintelligence:
- Inteligencia artificial estrecha (ANI): Es un algorithm que puede desarrollar una tarea definida con alta precisión. Es usualmente utilizada para resolver problemas de clasificación y agrupación de texto, voz o imágenes.
- Inteligencia artificial general (AGI): Este tipo de inteligencia, podría en algún momento tener la misma capacidad cognitiva de un ser humano. Capaz de razonar discutir, memorizar y resolver problemas.
- Superinteligencia artificial (ASI): Este nivel no existe y de manera teórica podría tener capacidades más desarrolladas que un humano.
Primero, es esencial conocer que la AI funciona a través de machine learning (machine learning), gracias a esta tecnología, tareas que antes eran complicadas de realizar dentro de la atención médica a través de los algoritmos tradicionales, ahora no lo son más. Este proceso implica dotar al algorithm con una cantidad masiva de datos, y el algorithm a través de machine learning creará estrategias para resolver tareas específicas.
También existes variaciones en el machine learning:
- Aprendizaje supervisado: Es utilizado para definir la tarea que aprenderá el algorithm en función de datos que ya conocemos. Por ejemplo, en un hospital hay dos conjuntos de registros médicos de pacientes, A y B. El A contiene antecedentes familiares, resultados de laboratorio o de diagnósticos. El B contiene los mismos datos, sin el diagnóstico. Por lo que el modelo ideal a desarrollar es aquel que aprenda a asignar los diagnósticos correctos a los pacientes.
- Aprendizaje sin supervisión: Es un modelo construido que, para seguir reglas, sin embargo, el algorithm aprende por sí mismo, y no se modifica. Es utilizado, por ejemplo, para agrupar muestras de tejido basándose en valores genéticos similares, o incluso para el desarrollo de fármacos.
- Aprendizaje reforzado: Este tipo de aprendizaje permite que el algorithm aprenda a completar tareas sin necesidad de entrenamiento. Es decir, el algorithm comienza a trabajar solo, tomando como base ciertas reglas básicas. Un ejemplo citado por los autores es el siguiente “los autores utilizaron este método para determinar la dosificación del ensayo clínico, donde el algorithm aprendió el régimen de dosificación apropiado para reducir los diámetros medios de los tumores en pacientes sometidos a quimio y radioterapia”. Este tipo de aprendizaje es directamente aplicable a la atención médica.
El crecimiento exponencial del machine learning, tanto en aplicaciones reales como en estudios e investigaciones, se dio gracias al auge de la AI, cuando se comenzaron a desarrollar redes neuronales artificiales dentro de este ramo. Del 2005 al 2014 fueron publicados 6 mil 747 estudios acerca de machine learning y profundo en Pubmed.com, sin embargo, solamente en 2019 fueron publicados 12 mil 563 y en 2020 han sido publicados hasta mayo 5 mil 542, lo que muestra la importancia que han ganado tanto el machine learning y profundo como la AI en el ámbito académico y de investigación.
Por otra parte, el aprendizaje profundo, es un subconjunto del machine learning, ambos comparten funciones sin embargo tienen capacidades distintas. “El aprendizaje profundo utiliza una estructura en capas de redes neuronales artificiales que se inspira en la red neuronal del cerebro humano. La estructura interna y el número de capas dentro de una red neuronal es un campo de investigación activa, pero como regla general podemos decir que una red más profunda con más capas puede aprender tareas más complejas, al mismo tiempo que requiere más datos y más tiempo”.
En el artículo esta diferencia es explicada a través de un ejemplo de registros médicos y condiciones específicas de los pacientes: “construyamos un modelo que pueda agrupar a los pacientes por diagnóstico en función de los datos de sus registros médicos. Si un registro médico contiene la expresión Diabetes tipo 1, un modelo de machine learning aprenderá a colocar a todos esos pacientes en el grupo de Diabetes tipo 1. Pero un algorithm of aprendizaje profundo podría aprender con el tiempo sin intervención humana que los pacientes con registros médicos que solo mencionan la diabetes Tipo 1 también deben ser asignados al mismo grupo. Los programadores de otros algoritmos de machine learning deberían agregar estas alternativas ellos mismos”.
Ambos conceptos responden a diferentes problemas y se aplican a situaciones distintas. Por ejemplo, el machine learning, puede ser utilizados como sustituto de modelos estadísticos tradicionales, ya que puede incluir un gran número de variables mientras que los análisis tradicionales fueron diseñados para ingresar datos en menor cantidad. En modelos de predicción, por ejemplo, en epidemiología, algoritmos entrenados son utilizados para crear modelos de predicción en enfermedades infecciosas.
