El aprendizaje profundo cuenta con una gran variedad de aplicaciones, como la investigación clínica, la mejora de toma de decisiones por parte de especialistas, análisis de datos, entre otros.
El aprendizaje profundo o deep learning es una categoría del aprendizaje automático, que a su vez está relacionado con la Inteligencia Artificial. El aprendizaje profundo consiste en una red neuronal que simula el comportamiento del cerebro humano, sin embargo, es capaz de aprender y ser entrenado a través de grandes cantidades de datos.
Normalmente la red neuronal está formada por tres o más capas, no obstante, aún con una sola capa el aprendizaje profundo puede realizar predicciones. En este sentido al igual que la IA, el aprendizaje profundo es utilizado para la automatización de tareas sin la intervención humana de manera física.
A diferencia del aprendizaje automático, que aprovechan datos estructurados para realizar predicciones, el aprendizaje profundo puede profesar datos no estructurados como texto e imágenes.
Las capacidades del deep learning, lo convierten en una herramienta con gran potencial en la investigación y en la atención médica. Al igual que en otros sectores, su aplicación en salud ofrece diversas alternativas para escenarios específicos.
Por ejemplo, las redes neuronales profundas que son utilizadas para predecir cuándo los pacientes no acudirán a sus citas médicas. Esto es posible gracias a la información obtenida de expedientes clínicos electrónicos. De esta forma, se pueden determinar estrategias para evitar que los pacientes falten a sus citas previamente acordadas.
Por otra parte, están las redes neuronales convolucionales, que son utilizadas para la comprensión de datos visuales, por ejemplo, de imágenes médicas. Este tipo de aprendizaje profundo, es capaz de clasificar imágenes en categoría dependiendo de las características que tengan.
De esta forma, es capaz de mejorar la toma de decisiones y apoyar a los profesionales en el análisis de imágenes médicas. Por ejemplo, hay estudios que han utilizado redes neuronales convolucionales, para detectar diversas enfermedades de la retina analizando solamente un estudio de fondo de ojo en los pacientes.
Asimismo, existen otros tipos de redes de aprendizaje profundo que apoyan en las tareas de procesamiento del lenguaje natural, estas son las redes neuronales recurrentes. Estas son útiles para tareas de investigación como la selección de participantes para ensayos clínicos. De esta forma, analizando la información disponible en texto, audios de entrevistas, historias clínicas, en grupos de pacientes y pueden identificar características para la selección de cohortes.
De igual forma, se encuentran las redes generativas antagónicas, que utilizan información para generar datos sintéticos que puedan facilitar la investigación y el entrenamiento de modelos de aprendizaje profundo. Por ejemplo, es posible la generación de imágenes sintéticas de resonancias magnéticas, para el desarrollo de análisis predictivos. De esta forma los investigadores pueden crear grandes conjuntos de datos, sin necesidad de obtener imágenes médicas reales de miles de pacientes.
