Investigadores de Mayo Clinic inventaron la IA basada en hipótesis, una nueva clase de IA que favorecería la creación de nuevos descubrimientos en medicina.
Investigadores de Mayo Clinic inventaron recientemente una nueva clase de algoritmos de inteligencia artificial (IA) “dirigida por hipótesis”, los cuales se distinguen de los modelos tradicionales de IA que solamente aprenden a través de los datos. En un estudio publicado en la revista Cancers, los investigadores explican que esta nueva clase de IA ofrece una manera novadora de utilizar datasets o conjuntos de datos de manera masiva, lo que favorecería el descubrimiento de causas complejas de enfermedades como el cáncer y mejorar estrategia para su tratamiento, así como beneficiar a la investigación médica en general.
“Esto fomenta una nueva era en el diseño de algoritmos de IA específicos e informados para resolver cuestiones científicas, comprender mejor las enfermedades y guiar la medicina individualizada”, explicó el autor principal, el Dr. Hu Li, investigador de IA y biología en Mayo Clinic. Asimismo, agregó que esta nueva IA tiene el potencial de descubrir conocimientos que la IA convencional ignora.
La IA convencional, se utiliza generalmente para realizar tareas de clasificación y reconocimiento, como el reconocimiento facial, clasificación de patrones en imágenes de diagnóstico clásico. Además, actualmente se ha comenzado a aplicar cada vez más en tareas generativas como la creación de textos simulando a humanos.
Los investigadores de Mayo Clinic, detallan que los algoritmos de aprendizaje actuales, no incorporan el conocimiento o las hipótesis científicas existentes, sino que dependen de datasets con información imparcial. De esta manera, el Dr. Li, explica que esta limitación dificulta la flexibilidad de los métodos de IA y su uso en áreas que requieren el descubrimiento de nueva información.
“La falta de integración entre el conocimiento existente y las hipótesis puede ser un problema. Los modelos de IA pueden producir resultados sin un diseño cuidadoso por parte de investigadores y médicos, lo que llamamos el problema de ‘basura que entra, basura que sale’”, mencionó el Dr. Li. Para ello, es importante que la IA se guíe en preguntas científicas para realizar análisis más eficientes y evitar las dificultares para generar conocimientos significativos que ayuden a formular nuevas hipótesis.
En cuanto a la investigación sobre el cáncer, la IA es una herramienta valiosa para identificar patrones de diversos tipos de cáncer. La IA basada en hipótesis busca ayudar a los investigadores a incorporar nuevas formas de compresión de la enfermedad. “Esta nueva clase de IA abre una nueva vía para comprender mejor las interacciones entre el cáncer y el sistema inmunológico y es muy prometedora no sólo para probar hipótesis médicas sino también para predecir y explicar cómo responderán los pacientes a las inmunoterapias”, explicó el Dr. Daniel Billadeau, profesor del Departamento de Inmunología de Mayo Clinic y coautor del estudio.
Según explican los investigadores, la IA basada en hipótesis podría utilizarse en diversos tipos de enfoques de investigación sobre el cáncer como: la clasificación de tumores, la estratificación de pacientes, el descubrimiento de genes del cáncer, la predicción de la respuesta a los fármacos y la organización espacial de los tumores.
Según los autores, los beneficios de la IA basada en hipótesis son los siguientes:
- Se centra en la hipótesis o preguntas de investigación específicas
- Aprovecha el conocimiento existente al guiar la exploración para encontrar conexiones perdidas previamente
- Los resultados son más fáciles de interpretar que con la IA convencional
- Necesita menos recursos en cuanto a datos y potencia informática
- Permite que los científicos prueben y validen hipótesis incorporando hipótesis y conocimientos biológicos y médicos en el diseño del algoritmo de aprendizaje
No obstante, los autores reconocen que son apenas los primeros pasos de la IA basada en hipótesis y que aún existen cuestiones que desarrollar y desafíos que resolver. Asimismo, el Dr. Li explica que algunas de las desventajas de esta herramienta son que la creación de esta clase de algoritmos requiere de experiencia y conocimiento especializado; existe la posibilidad de generar sesgo; o que su alcance sea limitado. De esta manera, los investigadores han planteado preguntas que atiendan estas desventajas, por ejemplo, cómo integrar mejor el conocimiento y la información biológica para minimizar el sesgo y mejorar la interpretación.
