Inteligencia artificial aplicada a la medicina respiratoria

Abstract

272 decisiones del modo más parecido posible a lo que haría un ser humano en tareas concretas. IA es una disciplina intrínsecamente aplicada: nos interesa observar, detectar, y medir un determinado entorno para actuar en él. Dentro de IA, un grupo de técnicas ha ganado notoriedad en el sector productivo y en la sociedad de modo general: "Machine Learning", ML. En investigación, ML se usa al menos hace tres o cuatro décadas, pero el impacto que ha tenido en diversas aplicaciones del día-a-día no tiene muchos equi-valentes en la historia. Muchas veces se denomina ML como aprendizaje estadístico. La idea es que el sistema basado en ML aprenda a tomar decisiones (e.g. clasificar) en vez de tener que introducir el conocimiento mediante reglas. Por ejemplo, si deseamos tener un sistema que clasifique fonemas vocálicos podríamos insertar la información de la frecuencia de los formantes para cada vocal en español. Sin embargo, este método tiene la desventaja que la producción acústica de las vocales puede variar de un individuo a otro y la opción basada en reglas tiene problemas inherentes. ML nos sugiere una solución mucho más práctica y precisa: usamos una gran cantidad de ejemplos de vocales pronun-ciadas por la mayor cantidad posible de sujetos para entrenar nuestro sistema de clasificación. Una vez entrenado, nuestro método basado en ML debiera ser capaz de reconocer los fonemas vocálicos pronunciados por personas que no hicieron parte de la base de datos de entrenamiento. El mismo pro-cedimiento se aplica para reconocer animales en imágenes, por ejemplo. Esto es análogo a como un dermatólogo aprende a clasificar manchas en la piel o un radiólogo se entrena para identificar tumores en imágenes analizando un ejemplo detrás de otro. De particular interés para la IA son las técnicas de ML conexionistas o basadas en redes neuronales. Las primeras fueron los 'Multi-Layer Perceptrons, MLPs' 7,8. La unidad básica de los MLPs son los "perceptrones" que corresponden básicamente a un modelo de las neuronas: realiza una combinación lineal de entradas (que serían las sinapsis) multiplicándolas por pesos entrenables; y el resultado de esta combinación lineal pasa por una función de activación no-lineal (e.g. sigmoide). La gran moti-vación para el uso de las MLPs es el "Teorema de la aproximación universal" según el cual una gran cantidad de funciones se puede aproximar usando una capa oculta de perceptrones con función de activación no-lineal 8. No es necesario tener una representación analítica de la función que se desea aproximar. Se necesitan únicamente datos generados por esta. La manera clásica de entrenar los MLPs es mediante el algoritmo de "Backpropagation" basado en el método del gradiente. "Deep learning", DL, surgió inicialmente en el marco de los MLPs adicionando más capas ocultas permitiendo que en la entrada se pudieran tener "raw signals" o señales sin procesamiento alguno. Hoy en día los MLPs son una opción más de redes neuronales. Las "Convolutional Neural Net-works", CNN, han ganado mucho terreno en procesamiento de imágenes 9. Por otro lado, las redes neuronales "Long Short Term Memory", LSTM, (Hochreiter & Schmidhuber, 1997) son redes recursivas que permiten procesar series de tiempo como es el caso de las señales de voz o señales biomédicas. Las LSTM son capaces de preservar información de largo plazo que sea relevante para el objetivo de la aplicación. Finalmente, "Attentional Neural Networks" han tenido mucho éxito en el procesamiento de lenguaje natural, PLN, en los últimos años. En este contexto, el concepto de DL se generalizó a otras arquitecturas de redes neuronales con varias capas independientemente del tipo al que corresponden. Aplicaciones generales en medicina del "deep learning" "Deep learning" o DL tiene un gran abanico de aplicaciones en medicina. Por ejemplo, en imageno-logía se puede utilizar para la detección de tumores o nódulos, o bien para diagnosticar enfermedades. En PLN puede apoyar en la extracción de información relevante de texto o de voz grabada. Se puede usar para la predicción de pronóstico o esperanza de vida usando una gran cantidad de variables clínicas 10. El procesamiento de imágenes con DL es aplicable al análisis de manchas en la piel para identificar melanomas. También se puede utilizar en el análisis de fonocardiogramas para detectar cardiopatías. Del mismo modo que hoy se habla de "Internet of Things", IoT, también se puede defi-nir la "Internet of Medical Things", IoMT. En el caso de IoMT, nos estamos refiriendo a dispositivos para monitorear por ejemplo el funcionamiento del corazón, glicemia, actividades y niveles de sueño, entre otros. Todos estos sensores generan datos que finalmente pueden ser procesados con métodos de ML y de procesamiento de señales en modo remoto, lo que es una gran oportunidad para la medicina preventiva personalizada.