(Fuente: Instituto Nacional de Investigación del Genoma Humano: https://www.genome.gov/about-genomics/educational-resources/fact-sheets/artificial-intelligence-machine-learning-and-genomics)
Existen muchas definiciones de “inteligencia artificial” (IA). Es una tecnología que puede ser difícil de explicar o de entender en su totalidad. Sin embargo, sus beneficios para el campo de la medicina siguen aumentando a medida que se descubren nuevas formas en las que puede asistir en nuestras tareas.
Una de las definiciones creadas por la IA misma es “La IA es un campo amplio que incluye el uso de máquinas y computadoras. Es una combinación de ciencia informática, ciencia cognitiva y matemática que usa diferentes tecnologías para imitar el comportamiento humano”.
La IA se puede concebir como software o herramientas que imitan la inteligencia humana o que la superan. Si bien la mayoría de nosotros conocimos la IA recientemente, fue el profesor John McCarthy de la Stanford University quien desarrolló el concepto en 1955.
Para crear y optimizar la IA, los científicos comienzan a trabajar con conjuntos de datos de gran tamaño y alta definición que les permiten entender las técnicas y los procesos que usan las personas para analizar e interpretar información compleja. Por ejemplo, un conjunto de datos puede estar conformado por miles y miles de radiografías anónimas de piernas fracturadas. Mediante el uso de este conjunto de datos, una computadora puede “entrenarse” para que comprenda qué debe “ver” cuando se trata de fracturas de piernas. La IA evoluciona y cambia continuamente a medida que los investigadores conocen y desarrollan técnicas y herramientas nuevas.
¿Qué son el “aprendizaje automático” y el “aprendizaje profundo”?
Los términos “aprendizaje automático” y “aprendizaje profundo” suelen mencionarse frecuentemente junto con la IA. Ambos son subcampos de la IA. El aprendizaje automático es un proceso mediante el cual se da a las computadoras la capacidad de “aprender” a partir de un conjunto de datos determinado sin una programación directa sobre qué deben aprender.
Las máquinas pueden desarrollar estas capacidades con un método que se denomina “supervisado” o “no supervisado”. Mediante el “aprendizaje supervisado”, los científicos proporcionan a las máquinas un “entrenamiento” (es decir, programación informática) y conjuntos de datos de prueba específicos. Los datos de entrenamiento tienen categorías definidas, como “personas con enfermedades cardiacas coronarias (coronary heart disease, CHD)” y “personas sin CHD”. La computadora puede usar esa programación para identificar características ocultas de los datos y determinar diferentes categorías. Por ejemplo, podría descubrir factores de riesgo de CHD desconocidos hasta el momento. La computadora puede usar esta información nueva para trabajar con datos de prueba y hacer predicciones informadas, como qué personas tienen probabilidades de desarrollar CHD.
En el “aprendizaje no supervisado”, las computadoras con un nivel de desarrollo alto pueden reconocer patrones en conjuntos de datos de gran tamaño y hacer predicciones sobre el mundo real sin necesidad de recibir información adicional por parte de los investigadores.
Cuando las máquinas pueden aprender de esta manera, se considera que el aprendizaje es “profundo”. Si bien el aprendizaje profundo es una técnica relativamente moderna que se usa para implementar el aprendizaje automático, sus inicios se remontan al año 1943 cuando los científicos crearon un modelo de computadora basado en el funcionamiento del cerebro humano. Los algoritmos de aprendizaje profundo imitan la interacción interna de las neuronas del cerebro humano para encontrar patrones e información clave en un conjunto de datos. Los algoritmos de aprendizaje profundo son redes neuronales artificiales, un sistema informático que puede imitar la capacidad del cerebro humano para calcular la importancia de cierta información en relación con otra y tomar decisiones en consecuencia.
¿Cuáles son los beneficios de usar la inteligencia artificial y el aprendizaje automático en genómica?
La finalización de la secuencia del genoma humano fue un evento trascendental que ocurrió en 2001. Este extraordinario logro ocasionó la producción de un enorme volumen de datos genómicos durante los últimos 24 años. Según los expertos, la investigación genómica generará entre 2 y 40 exabytes de datos durante la próxima década. El siguiente gráfico representa la magnitud de este volumen de datos:
La secuenciación del ácido desoxirribonucleico (ADN) y otros avances científicos continuarán incrementando la cantidad y la complejidad de los conjuntos de datos genómicos. Este es el motivo por el cual los investigadores de la genómica necesitan herramientas de la IA y el aprendizaje automático que puedan procesar e interpretar la información oculta en este enorme volumen de datos.
¿De qué maneras se están usando la inteligencia artificial y el aprendizaje automático en la medicina?
Si bien el uso de herramientas de IA y aprendizaje automático en la genómica aún es incipiente, los investigadores ya obtuvieron algunos beneficios en el desarrollo de programas que asisten de maneras específicas.
A continuación se incluyen algunos ejemplos de técnicas basadas en el aprendizaje automático:
- Identificación de un tipo de cáncer primario a partir de una biopsia líquida.
- Predicción de cómo evolucionará un tipo de cáncer determinado en un paciente.
A continuación se incluyen algunos ejemplos de técnicas basadas en el aprendizaje profundo:
- Identificación de variantes genómicas que provocan enfermedades mediante la comparación con variantes no dañinas.
- Optimización de la función de herramientas de edición genética, como las repeticiones palindrómicas cortas agrupadas y regularmente interespaciadas (clustered regularly interspaced short palindromic repeats, CRISPR).
Para obtener más información sobre la IA y la medicina en general, consulte las siguientes fuentes adicionales:
https://www.massgeneralbrigham.org/en/about/newsroom/articles/how-is-ai-used-in-health-care
