Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ciclo de conferencias y debates en ciencias monografía FUNDACIÓN RAMÓN ARECES SPRINGER NATURE 11.ª edición INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Lo que nos depara el futuro ARTIFICIAL INTELLIGENCE IN BIOMEDICINE What the future holds for us ciclo de 11.a edición conferencias y debates en ciencias monografía FUNDACIÓN RAMÓN ARECES SPRINGER NATURE Madrid, 7 de febrero de 2019 FUNDACIÓN RAMÓN ARECES Vitruvio, 5 • 28006 Madrid INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Lo que nos depara el futuro ARTIFICIAL INTELLIGENCE IN BIOMEDICINE What the future holds for us © Fundación Ramón Areces Vitruvio, 5 - 28006 Madrid (España) www.fundacionareces.es © 2019 Springer Healthcare Ibérica, part of Springer Nature group Rosario Pino, 14 - 4ª planta 28020 Madrid (España) Tel.: +34 91 555 40 62 www.springerhealthcare.com www.springernature.com Depósito legal: M-15507-2019 Impreso en España – Printed in Spain 3 INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Lo que nos depara el futuro presentación Federico Mayor Zaragoza __________________________________________________________________ 7 Soledad Santos __________________________________________________________________________ 8 introducción Erika Pastrana _________________________________________________________________________ 11 conferencias Inteligencia artificial y ciencia de datos: mirando hacia el futuro Prof. José Hernández-Orallo _______________________________________________________________ 17 Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud Dr. Tarek R. Besold _____________________________________________________________________ 23 Robótica flexible para interaccionar de manera intuitiva con los robots Dra. Jamie Paik ________________________________________________________________________ 29 Potencial de la inteligencia artificial/deep learning para mejorar el tratamiento oncológico Dra. Kara L. Davis _____________________________________________________________________ 35 debate Prof. José Hernández-Orallo, Dr. Tarek R. Besold, Dra. Jamie Paik, Dra. Kara L. Davis ______________________ 39 ARTIFICIAL INTELLIGENCE IN BIOMEDICINE What the future holds for us presentation Federico Mayor Zaragoza _________________________________________________________________ 47 Soledad Santos _________________________________________________________________________ 48 introduction Erika Pastrana _________________________________________________________________________ 51 lectures Artificial intelligence and data science: looking ahead Prof. José Hernández-Orallo _______________________________________________________________ 57 Building ethical Artificial Intelligence and technology for the health sector Dr. Tarek R. Besold ______________________________________________________________________ 63 Soft robotics for intuitive human robot interaction Dr. Jamie Paik _________________________________________________________________________ 69 Potential of artificial intellingence/deep learning methods to improve cancer care Dr. Kara L. Davis _______________________________________________________________________ 75 discussion Prof. José Hernández-Orallo, Dr. Tarek R. Besold, Dr. Jamie Paik, Dr. Kara L. Davis ________________________ 79 ÍNDICE 5 In te lig en ci a ar ti fi ci al a p lic ad a a la B io m ed ic in a p re se nt ac ió n Federico Mayor Zaragoza Presidente del Consejo Científico de la Fundación Ramón Areces Soledad Santos Directora Editorial de España y Portugal de Springer Healthcare 7 E n esta undécima edición de “Ciclos de conferencias y debates”, organizada conjuntamente con Springer Nature, y bajo el título Inteligencia Artificial Aplicada a la Biomedicina. Lo que nos depara el futuro, nos acercamos a temas de gran actualidad, con la participación y colaboración de personalidades de gran notoriedad. No cabe duda del progreso extraordinario que ha experimentado la informá- tica aplicada a la Biomedicina en los últimos años y de la inmensa repercusión que puede tener su aplicación, no solo en el análisis de datos, sino también en el establecimiento del diagnóstico y la decisión del tratamiento, así como en el aumento de las capacidades de las técnicas quirúrgicas, con aplicaciones que hace algunos años eran inimaginables. Siguiendo la misma trayectoria, el siglo xxi será el siglo de la atención personalizada en Medicina. Hoy en día ya disponemos de sistemas de acumulación de datos (Big data) que permiten recopilar gran cantidad de información, no solo respecto a los síntomas de los pacientes, sino también para valorar la repercusión genética y epigenética, y que nos permiten, además, combinar estos datos a gran velocidad y establecer, sobre esta base, la mejor decisión terapéutica. Por tanto, vale la pena invertir en todo lo relacionado con la computación, la informática y la salud. Hemos de ser conscientes de que solo algunas personas pueden disfrutar de estos avances. Hoy quiero recordar la importancia de que aspectos como la salud, el agua y una educación de calidad, señalados como prioritarios por las Naciones Unidas, deberían extenderse a todo el mundo. Mediante la aplicación de estos avances a la salud, el futuro nos puede deparar algo mucho mejor desde el punto de vista de la solidaridad humana. Por tanto, una vez más me alegra dar la bienvenida a los representantes de Springer Nature y espero que sigan considerando la Fundación Ramón Areces como su casa. ❙ Federico Mayor Zaragoza Presidente del Consejo Científico de la Fundación Ramón Areces Presentación INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA B ienvenidos a la undécima conferencia-debate fruto de la colaboración entre la Fundación Ramón Areces y el grupo Springer Nature dedicada a la Inteligencia Artificial Aplicada a la Biomedicina. Para todo el equipo de Springer Nature en España es una gran satisfacción poder continuar, año tras año, esta interesante colaboración con la Fundación Ramón Areces y con ello contribuir a su importante misión de acercar la vanguardia científica de fuera y dentro de nuestras fronteras, no solo a nuestra comunidad científica local, sino también al público en general. Es para nosotros un honor contribuir a la organización de una de las actividades de divulgación de ciencias de la vida de mayor trayectoria en la Fundación Ramón Areces. Este año celebramos el 150 aniversario de la revista Nature y nos llena de orgullo saber que, a lo largo de estos años, aunque las formas han cambiado desde el papel hasta “la nube”, nuestro objetivo sigue siendo el mismo: ayudar a nuestros lectores a entender y comprender el avance de la ciencia; asistirles en su trabajo y en la progre- sión de su carrera profesional; y ayudarles a evaluar la trascendencia que cada avance científico tiene en el contexto de la sociedad. Todos estos valores coinciden con la misión de la Fundación Ramón Areces, a la que agradecemos que nos brinde esta estu- penda oportunidad de colaborar en la organización de estas conferencias. Agradecemos especialmente al Comité Científico, representado en esta mesa por los Profesores Federico Mayor Zaragoza y José María Medina, que escogen cada año un tema de gran relevancia científica e interés para el público en general. Al Director General de la Fundación, el Sr. Raimundo Pérez-Hernández y Torra, y al Sr. Manuel Azcona, Director de Comunicación, les agradecemos su compromiso para organizar estas jornadas cada año. “¿Será mi doctora sustituida por un robot?” “¿Predecirá una máquina si voy a pade- cer cáncer?” Estas preguntas, que hasta hace poco solo se entendían en el entorno de las películas o de las novelas de ciencia ficción, hoy en día están en la mente de muchos de nosotros y son los retos que se han planteado los ponentes de esta tarde. La com- binación de cantidades enormes de información médica, en particular imágenes, yel desarrollo de algoritmos para extraer patrones de información y tomar decisiones “inteligentes” a partir de los datos, han hecho avanzar rápidamente el diagnóstico, y ya se ha observado que estos algoritmos aportan resultados tan buenos o incluso mejores que los estándares establecidos por expertos. Como nos explicará la Dra. Kara L. Davis, estos algoritmos inteligentes también pueden ayudar a predecir los resultados de un medicamento en un paciente a nivel individual, evitando así tratamientos innecesarios y mejorando la atención sanitaria. 9 Presentación Además, escucharemos a la Dra. Jamie Paik describir cómo en su laboratorio cada día desafían a la imaginación para desarrollar robots y otro tipo de herramientas capaces de inter accionar con el ser humano de forma segura y eficiente, con el objetivo de ayu- dar, entre otras situaciones, en tratamientos de rehabilitación. Como con todos los avances tecnológicos, la implantación de herramientas de inteligencia artificial en el campo de la Medicina y la automatización de muchos pro- cesos nos plantean cuestiones éticas sobre qué se puede y se debe hacer dentro de este campo. El Prof. Hernández-Orallo y el Dr. Tarek R. Besold nos ayudarán a entender y plantearnos hasta dónde queremos llegar al “ceder” algunas de nuestras tareas a las máquinas, y más concretamente, dentro del delicado campo de la Biomedicina y de los datos de pacientes, nos ayudarán a comprender en qué nos pueden beneficiar todas estas herramientas de inteligencia artificial y qué debemos exigirles a estas para ase- gurar que incluyen valores éticos que permitan un desarrollo equitativo de nuestra sociedad. José, Tarek, Jamie y Kara, es para nosotros un honor que hayáis aceptado participar en estas conferencias. Os estamos muy agradecidos y esperamos que disfrutéis de esta experiencia tanto como nosotros. Por último, quisiera dar las gracias a Erika Pastrana, Directora Editorial de las revistas Nature, por la moderación de este evento. Tu gran profesionalidad y tu entu- siasmo por la ciencia son parte del éxito de estas jornadas. Muchas gracias a todos. Espero que disfruten de las conferencias y su debate posterior. ❙ Soledad Santos Directora Editorial España y Portugal Springer Healthcare Sí n d ro m e d e D o w n In te lig en ci a ar ti fi ci al a p lic ad a a la B io m ed ic in a 11 in tr o d uc ci ó n Erika Pastrana Directora Editorial de Nature Research, Nueva York, EE.UU. Erika es licenciada en Bioquímica y Biología Molecu- lar por la Universidad Autónoma de Madrid y obtuvo su doctorado en la misma Universidad, de la mano del Dr. Javier Díaz-Nido, investigando los mecanis- mos celulares y moleculares responsables de promo- ver la regeneración de axones dañados en el sistema nervioso central de los mamíferos. Posteriormente se trasladó a Nueva York, donde realizó estudios posdoc- torales en la Universidad de Columbia, en el Labora- torio de la Dra. Fiona Doetsch, donde estudió la forma en la que se crean nuevas neuronas y se incorporan a los circuitos de ciertas áreas del cerebro de los mamí- feros adultos. En 2010 se unió a la revista Nature Methods como Editora responsable de Neurociencias y en 2014 se trasladó a Nature Communications como Editora jefe de la sección de Neurociencias. En la actualidad, Erika es la Directora Editorial de las re- vistas Nature en el área de las ciencias aplicadas y quí- micas, incluidas Nature Biotechnology, Nature Methods y Nature Chemistry, entre otras. 13 E n primer lugar, me gustaría reiterar nuestro agradecimiento a la Fundación Ramón Areces. Muchos de los aquí presentes, al igual que yo, os dedicáis a la labor científica, y el papel de una fundación como esta es de vital importancia, ya que trae la ciencia presentada por investigadores internacionales a nuestra ciudad, a nuestras calles y a nuestras universidades, promoviendo de esta forma el diálogo no solo de los expertos con la sociedad, sino también de la sociedad con los expertos. En esto consiste el acto de esta tarde. Podremos disfrutar de presentaciones de investigadores inter- nacionales muy importantes en el campo de la inteli- gencia artificial y la Biomedicina. Primero asistiremos a cuatro presentaciones de unos veinte minutos y luego escucharemos vuestras preguntas y opiniones sobre la materia. Quiero agradecer a los ponentes que hayan venido desde tan lejos para presentar aquí sus trabajos y la gran importancia de la labor de divulgación científica que desempeñan, probablemente ahora más que nunca. ¿Por qué hemos elegido este año el tema del uso de la inteligencia artificial en Biomedicina? Hoy en día es indudable la relevancia que la inteli- gencia artificial tiene en nuestras vidas, tanto por sus aspectos positivos como por los posibles efectos nega- tivos asociados a un mal uso de la misma. Es impor- tante resaltar que el avance que estamos viendo a nivel científico y su aplicación clínica son el resultado de una inversión en ciencia básica de muchos años. Los principios básicos en los que se fundamenta lo que hoy denominamos inteligencia artificial, como el deep learning, se establecieron el siglo pasado. Ha sido la financiación y la perseverancia de grupos de investiga- dores, centrados en desarrollar esas ciencias básicas, lo que ha permitido que hoy podamos hacer uso de ellas. ¿Por qué tiene ahora tanta importancia la inteli- gencia artificial aplicada a la Biomedicina cuando sus principios surgieron hace muchos años? Puede asociarse a que hoy en día la acumulación de datos es una tarea fácil y barata, el poder de cómputo de las máquinas está alcanzando, gracias al desarrollo del software y del hardware, unos niveles mucho más altos y todo ello lleva a que en este momento estemos asistiendo a un punto de inflexión. En la Biomedicina, como en otras ciencias, la cantidad de información que obtenemos actual- mente es mucho mayor. Si pensáis en los disposi- tivos que lleváis con vosotros, todos los días están acumulando datos sobre vuestros comportamientos y, en algunos casos, también sobre aspectos fisio- lógicos. Los médicos tienen actualmente una gran capacidad para obtener detalles muy refinados sobre cada célula y cada elemento de vuestro cuerpo. Por ejemplo, como nos explicará la Dra. Davis, hoy en día se puede recopilar información de un tumor hasta un nivel mucho más sofisticado y detallado de lo que se podía hace años. Por último, el ejercicio de la práctica clínica está cambiando de un modelo basado en un soporte de papel a un modelo digital. Todos los registros clínicos e información clínica están pasando a convertirse en información digital. Con todo ello, un médico o un científico se encuentran con las manos atadas, ya que disponen de mucha información que no pueden manejar sin la ayuda de soportes informáticos, ya que la mente humana, por sí sola, no puede analizar e interpretar tanto volumen de información. Es aquí donde las ciencias del deep learning y la informática aportan su capacidad de interpretar gran cantidad de información y dar claridad a esa nube de datos que de otra forma no podríamos entender. Introducción INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Al igual que en otros campos, es importante hacer un uso muy delicado de estas técnicas. Cabe resaltar que en Biomedicina este uso seguro de los datos es de vital importancia. Los datos que se manejan son de carácter muy sensible como, por ejemplo, datos médicos, perso- nales y/o de comportamiento, y como sociedad debemos tener cuidado de no usarlos de una manera que infrinja principios básicos de consentimiento y de privacidad. Otro reto lo constituye el hecho de que muchos de los algoritmos que analizan dicha información se basan en los propios datos que les aportamos y, si dichos datos no son representativos dela sociedad o están sesgados por representar solo a una parte, es posible que tomemos decisiones que no puedan apli- carse a todos los individuos por igual. Por último, también hay un problema real, y es que en ocasiones no entendemos cómo esos algoritmos llegan a las conclusiones a las que llegan. El deep learning, en particular, nos da una respuesta después de haber observado cómo los informáticos son inca- paces de explicar cómo un algoritmo ha sido capaz de llegar a una cierta conclusión. Todos estos aspectos son los retos sobre los cuales nos van a hablar los ponentes de hoy, así como de la importancia de desarrollar unos marcos científicos éticos y legales. Es un enorme placer para mí presentar a los cuatro ponentes de hoy. Cada uno de ellos ha llegado al campo de la inteligencia artificial desde ámbitos muy distintos que hoy van a compartir con nosotros. En primer lugar, vamos a escuchar al Profesor José Hernández-Orallo, Catedrático de la Universidad Poli- técnica de Valencia, experto en ciencias de datos y de sistemas informáticos. Nos va a presentar una visión general y amplia sobre qué entendemos hoy en día por inteligencia artificial, qué técnicas implica y los conceptos de inteligencia artificial de las máquinas en relación con lo que conocemos de la inteligencia humana y cuáles son los parámetros más relevantes que debemos entender para poder aplicar estas técnicas. El Dr. Tarek R. Besold es Director de Inteligencia Artificial @ Telefónica Innovación Alpha Health y tiene una trayectoria diferente, ya que es experto en ciencias cognitivas y ha estudiado cómo los humanos entendemos el conocimiento. Desde esa perspectiva, ha llegado a la inteligencia artificial, aportando el conocimiento del cerebro humano, y nos va a hablar de la aplicación que está haciendo de las técnicas de inteligencia artificial y del conocimiento humano para desarrollar herramientas reales en el campo de la Biomedicina. El Dr. Besold tiene mucho que decirnos respecto a cómo desarrollarlas de forma ética, regu- lada y asegurando que la técnica conviva con nosotros de una forma segura. En tercer lugar, tendremos a la Dra. Jamie Paik, que nos visita desde Lausanne (Suiza), donde ejerce como Directora del Laboratorio de Robótica Reconfigurable en la Universidad Politécnica. La robótica es un campo muy importante de la inteligencia artificial porque los algoritmos y los datos por sí mismos no pueden avanzar si no van acompañados de un desarrollo del hardware. La Dra. Paik se ha especializado en el campo de soft robotics (robótica flexible) y en la ciencia de los materiales y va a presentar los últimos avances sobre qué se puede hacer para convertir robots basados en origami en entes inteligentes. Finalmente, vamos a tener la perspectiva clínica de la Dra. Kara L. Davis, que aplica estas técnicas en el desarrollo de su profesión médica. La Dra. Davis nos visita desde Stanford, California, donde lidera el Centro Bass del Instituto de Investigación en Salud y donde, además, ejerce como médica pediatra en la especialidad de Oncología infantil, concretamente en el tratamiento de leucemias. Nos hablará de los retos y oportunidades del uso de la inteligencia artificial para analizar datos a nivel molecular de tumores y, de esta manera, poder establecer cuáles son las células responsables de que recaigan los pacientes y contribuir a diseñar mejores opciones de tratamiento para ellos. ❙ In te lig en ci a ar ti fi ci al a p lic ad a a la B io m ed ic in a 15 co nf er en ci as Inteligencia artificial y ciencia de datos: mirando hacia el futuro Prof. José Hernández-Orallo Catedrático del Departamento de Sistemas Informáticos y Computación, Universidad Politécnica de Valencia, Valencia, España Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud Dr. Tarek R. Besold Director de Inteligencia Artificial @ Telefónica Innovación Alpha Health, Barcelona, España Robótica flexible para interaccionar de manera intuitiva con los robots Dra. Jamie Paik Directora del Laboratorio de Robótica Reconfigurable, École Polytechnique Fédérale de Lausanne, Lausanne, Suiza Potencial de la inteligencia artificial/deep learning para mejorar el tratamiento oncológico Dra. Kara L. Davis Departamento de Pediatría, Centro Bass del Instituto de Investigación en Salud y del Cáncer y Leucemias Pediátricos, Universidad de Stanford, Stanford, Estados Unidos • • • • 17 Quizás se tiene la idea de que los académicos preferimos no hablar del futuro; sin embargo, a mí me gusta porque tengo licencia para equivocarme. Cuando hablamos del presente o del pasado tenemos que ser muy rigurosos, pero cuando nos referimos al futuro se entiende que podemos equi- vocarnos. En esta ponencia voy a dar una perspectiva actual y una visión de futuro de la inteligencia artificial y de su importancia. Podemos preguntarnos: ¿por qué la inteligencia artificial es tan transformativa y por qué pensamos que puede cambiarlo todo? Mi punto de vista es que estamos hablando de inteligencia y el obje- tivo es que estos sistemas artificiales lleguen a ser inte- ligentes. La inteligencia es la base de todas las tecno- logías y lo que ha hecho a nuestra especie dominar el planeta, ha creado la cultura y ciencias como la Medicina. Cuando hablamos de nuevas tecnologías debemos considerar que muchas de ellas se basan en inteligencia artificial. Esto se relaciona a su vez con otra área, como es la ciencia de datos, que es capaz de generar evidencia basándose en los datos que recopila, al igual que hemos hecho los humanos en diferentes ámbitos de manera más o menos consciente a lo largo de los siglos. La ciencia de datos va a constituir una factoría de conocimiento que permitirá la toma de decisiones racionales. Todavía no sabemos cómo funcionan muchas de las herramientas que utiliza la ciencia de Inteligencia artificial y ciencia de datos: mirando hacia el futuro Prof. José Hernández-Orallo Catedrático del Departamento de Sistemas Informáticos y Computación, Universidad Politécnica de Valencia, Valencia, España datos, como el deep learning que ha mencionado Erika Pastrana, y esto limita su uso; sin embargo, hay otras que sí generan conocimiento y proporcionan una visión nueva sobre el uso de dichas técnicas. La ciencia de datos podría considerarse “una ciencia al cuadrado”, particularmente en aquellos ámbitos donde se genera conocimiento a partir de dichos datos. La visión que tenemos ahora es todavía muy simplista, ya que se limita a considerar la inteli- gencia artificial como un aprendizaje automático. Sin embargo, cada día es más evidente que la inteligencia artificial abarca muchos más aspectos, los cuales se Prof. José Hernández-Orallo INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA han desarrollado particularmente estos últimos cinco años. Es tan falso pensar que podemos tener inteli- gencia artificial sin aprendizaje como pensar que solo es aprendizaje. También hay que diferenciar el aprendizaje auto- mático del deep learning o aprendizaje profundo, que en realidad es uno de los distintos tipos de aprendizaje automático. ¿Por qué este boom del deep learning en estos momentos? A muchas técnicas de aprendizaje automático es nece- sario proporcionarles las características más relevantes sobre el problema que han de solucionar. Esto requiere un conocimiento manual, reconocer el dominio, y en determinadas áreas, como la visión, esto es todavía muy complicado. A partir de ejemplos, el sistema infiere automáti- camente representaciones de distintas características de la imagen, llegando incluso a distinguir entre dos caras diferentes. La denominación de redes neuro- nales artificiales se atribuye al paradigma conexio- nista del sistema, con millones de conexiones entre dichas redes que se asemeja a las redes neuronales cerebrales, aunque hasta la fecha todavía son mucho mássimples. Los mecanismos de estas redes pueden parecerse en muchos aspectos a los mecanismos del cerebro, pero en otros modos de funcionamiento son muy diferentes. No obstante, hoy en día todavía quedan muchos aspectos que desconocemos del propio funcionamiento cerebral. ¿Por qué la importancia de las redes neuronales justo ahora, y no hace 20 o 30 años cuando se empezó a hablar de ellas en el ámbito académico o las universidades? Además del avance que se ha producido en el algo- ritmo que subyace bajo las redes, hay tres componen- tes fundamentales que han marcado su importancia en la actualidad. El primer componente es la gran capa- cidad de almacenamiento de datos. En otras técnicas de aprendizaje automático, los resultados no mejoran, aunque se les proporcionen más datos. Por el contra- rio, en las redes neuronales profundas, cuantos más datos se proporcionen mejor resultado se obtiene y, además, con un margen de saturación muy elevado. El segundo componente es el desarrollo de chips es- peciales en las tarjetas gráficas que permiten hacer gran cantidad de cálculos de forma mucho más eficiente que los chips convencionales. Por último, el concepto de modelos grandes, un aspecto poco intuitivo que se basa en el principio de parsimonia, según el cual un modelo muy grande se sobreajusta a los datos, dado que tiene muchos grados de libertad y necesita muchos ejemplos para poder generalizar. «El deep learning está constituido por redes neuronales artificiales con numerosas capas, las cuales van aprendiendo progresivamente representaciones cada vez más abstractas y en las capas más profundas.» «A la hora de conjugar la inteligencia artificial y la ciencia de datos observamos muchos elementos comunes, aunque se emplean más procesos de aprendizaje en el caso de la inteligencia artificial y más procesos inductivos en la ciencia de datos.» 19 Inteligencia artificial y ciencia de datos: mirando hacia el futuro | Prof. José Hernández-Orallo ¿Qué puede hacer la inteligencia artificial por nosotros en estos momentos? En los medios y redes sociales se constata un avance de la aplicación de la inteligencia artificial en las distin- tas disciplinas, pero es importante analizar qué puede aportar cada una de ellas en cada dominio concreto. A veces, ni los sistemas de predicción predicen tan bien; de hecho, fallaron estrepitosamente en las elecciones americanas; ni los asistentes personales son tan inteli- gentes y fantásticos como nos dicen, ya que han demos- trado tener muy buena aplicación para comprar, pero están todavía muy limitados en otros aspectos. En el reconocimiento de patrones a partir de una imagen to- davía queda mucho por desarrollar y el reconocimiento de voz está más avanzado para idiomas mayoritarios que minoritarios. Hay publicaciones que señalan una aplicación inminente de la inteligencia artificial, pero en la prác- tica todavía se constatan muchas limitaciones, regu- laciones y costes que determinan dicha aplicación. Un ejemplo típico son los coches sin conductor, que hace cinco años se veían como algo sencillo de imple- mentar, pero hoy en día se constata que en la práctica hay muchas limitaciones para su uso generalizado. En el ámbito médico, hace dos años se publicó en la revista Science un cuestionario con 21 ítems cuyo resultado puede indicarnos si la tarea que se desarrolla actualmente con tecnología normal se podrá desarro- llar con aprendizaje automático. Entre los diferentes ítems figuran: si hay gran cantidad de datos, si la tarea está bien acotada, si hay tolerancia a errores, etc. A nivel intuitivo también hay una regla que funciona muy bien para definir aquellas tareas que podrá realizar: todo aquello que podemos hacer subcons- cientemente en menos de un segundo, la inteligencia artificial puede desarrollarlo. Aquello que requiere más razonamiento, pensar o utilizar el conocimiento es en lo que el aprendizaje automático actualmente está fallando más, al igual que hace 20 o 30 años. Hoy en día, las especialidades de la inteligencia artificial son la percepción y la extracción de conoci- miento a partir de datos. Otro aspecto, como la planificación, puede funcionar bien en algunos ámbitos, pero en otros no. Para valorar qué será capaz de hacer la inteligencia artificial, la extrapolación es un método poco útil, pero puede ayudarnos en las predicciones, tal y como refleja Tegmark en el libro Life 3.0. Steven Pinker, uno de los pensadores más importantes en la actualidad sobre inteligencia artificial, hace 20 años afirmó que los trabajos que tenían más riesgo de ser auto- matizados eran aquellos como los de analista, ingeniero petroquímico o miembro del ámbito judicial, y los que tenían menos riesgo eran los jardineros, recepcionistas, «En el deep learning con grandes modelos y con muchos datos conseguimos sistemas capaces de generalizar, lo que constituye uno de los grandes retos que se deben seguir desarrollando.» «Siguiendo la regla del sistema 1 y sistema 2 del Premio Nobel Daniel Kanheman y autor del libro Thinking, fast and slow, todo aquello que podemos hacer rápidamente sin realmente pensar cómo lo estamos haciendo es automatizable.» INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA cocineros, etc. Sin embargo, hace dos años se publicó una lista de la Universidad de Oxford en la cual la conclusión era justo la opuesta; según esta lista, las profesiones mani- pulativas que no necesitan razonamiento a largo plazo son aquellas que se van a reemplazar más rápidamente. ¿Qué queremos que haga la inteligencia artificial? En la Conferencia Asilomar (California) que se celebró en 1975 para regular el tema de la investigación gené- tica y el ADN se sentaron las bases de la investigación durante muchos años. Hace dos años asistimos a una conferencia en Asilomar para desarrollar una labor pa- recida con el tema de la inteligencia artificial. En esta conferencia hablamos de temas de seguridad, privaci- dad, confianza, inclusión, estándares, regulaciones, etc., y se mostró una voluntad, por parte de la comunidad científica y personas responsables de la toma de decisio- nes sobre inteligencia artificial, de establecer una regu- lación y, además, se constató un deseo de proceder de forma correcta en el uso de la misma. Por otro lado, hay una visión negativa de la inte- ligencia artificial actual y su necesidad constante de recopilar datos, particularmente en lo que respecta a los datos humanos. Dentro del campo de la Medicina, se incentiva cada día más la recolección de datos y la realización de test. Esto puede relacionarse con el hecho de que es relativamente barato y tiene la ventaja de que en muchas ocasiones los datos recogidos para solucionar un problema concreto pueden servir más tarde para resolver otro. Sin embargo, para ello el manejo de datos debe realizarse de forma adecuada, solicitando el consentimiento del usuario impli- cado. De hecho, el que podamos confiar en la inteli- gencia artificial, en el aprendizaje automático y en la ciencia de datos depende de que realmente haya una regulación y de que todos los implicados, desde la investigación académica hasta las empresas y orga- nismos públicos, actúen correctamente. Papel de la inteligencia artificial en la Biomedicina El potencial de la inteligencia artificial en la Bio- medicina es muy claro. No hay ningún área en la cual sean más claros, tanto los beneficios como los riesgos. Es un área que precisa de datos humanos y que, me- diante la aplicación del método científico, genera co- nocimiento a partir de la evidencia acumulada. Las posibles aplicaciones en genómica, técnicas de ima- gen, robótica, etc., son muchas y favorecen aspectos como la prevención, el diagnóstico, el tratamiento y el manejo de muchas patologías; y también el cuidado de los pacientes, la gestión de la salud y muchos más. Es probablemente el ámbito de mayor interés, ya que se traduce en la obtención declaros beneficios, pero para ello los datos deben fluir de manera sencilla y segura. Biomedicina: retos y riesgos Los principales retos para una adecuada aplicación de la inteligencia artificial en Biomedicina incluyen aspectos éticos como la igualdad, la privacidad, la responsabi- lidad, la seguridad o la sostenibilidad. Por ejemplo, la aplicación del deep learning en grupos poblacionales pequeños, como en el caso de las enfermedades raras, estaría limitada por los escasos datos, que no permiti- rían desarrollar modelos predictivos precisos. En este sentido, un reto importante es la integración del cono- cimiento previo en Medicina en los modelos que se de- sarrollan. Es fundamental resaltar que la inteligencia artificial está cambiando, pero el ser humano también. Ante este continuo cambio, los modelos de tratamiento deben adaptarse y actualizarse. Hay que tener en cuenta que en el futuro la inteligencia artificial también va a modificar nuestras capacidades en muchos aspectos y puede proporcionarnos la posibilidad de suplir ciertas habilidades, como corregir la pérdida de habilidades cognitivas propias de la edad, de modo que será una alternativa a tratamientos más agresivos. 21 Inteligencia artificial y ciencia de datos: mirando hacia el futuro | Prof. José Hernández-Orallo Entre los aspectos negativos del desarrollo de la inteligencia artificial cabe mencionar la dependencia cada vez mayor de estas tecnologías, lo cual favo- rece la atrofia mental y un estado más pasivo que hay que cuidar particularmente en los niños. Otros posibles riesgos en ámbitos médicos incluyen la falta de responsabilidad y confianza en su uso, la protec- ción de la identidad y el control que se realiza de estas herramientas. El uso creciente de la inteligencia artifi- cial puede favorecer que el siglo xxi se convierta en el tiempo del “cerebro sedentario” y es importante cana- lizar qué aspectos delegamos en estas tecnologías y cuáles seguimos desarrollando. Como resumen, cabe destacar que la inteli- gencia artificial se puede aplicar en cualquier ámbito (personal, empresarial, en las administraciones públicas, etc.), al igual que la inteligencia, pero en el caso de la Biomedicina la aplicación es particu- larmente útil y sencilla, ya que comparten aspectos como la metodología científica, el personal cuali- ficado, el uso de protocolos, etc., que facilitan esta implementación. Para ofrecer buenos resultados, la inteligencia artificial precisa de la recopilación de gran cantidad de datos humanos y es importante valorar el posible impacto y asegurar un adecuado manejo de estos. 23 Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud Dr. Tarek R. Besold Director de Inteligencia Artificial @ Telefónica Innovación Alpha Health, Barcelona, España C omienzo esta charla al hilo de lo comentado por el Profesor Hernández-Orallo, y voy a tratar de aclarar algunos de los aspectos mencionados. Mi punto de vista es que no hay que tener miedo al desarrollo e implementación de la inte- ligencia artificial, ya que hay personas interesadas en construir inteligencia artificial de una manera ética, particularmente dentro del sector de la salud. Justo ayer se publicó un informe de la Academy of Medical Royal Colleges, disponible en internet, que resume bastante bien el funcionamiento, las posibili- dades, las oportunidades y los riesgos de la inteligencia artificial en el campo de la salud. En la tercera y cuarta página de los contenidos de este informe figuran diez recomendaciones, la primera de las cuales señala que “los responsables políticos deben evitar pensar que la inteli- gencia artificial va a resolver todos los problemas a los que se enfrentan los sistemas de salud del Reino Unido (y del resto del mundo). La inteligencia artificial todavía está en sus comienzos y su aplicación dentro de la aten- ción sanitaria, a pesar de las afirmaciones de algunos de los líderes de opinión, es aún muy incipiente”. En segundo lugar, en relación con los estándares, como ya mencionó el Prof. Hernández-Orallo al hablar de la ciencia de datos, cabe comentar que para aquellos que cumplen con el manejo correcto de la información y con los estándares establecidos por el gobierno, debería facilitarse que dispongan de datos provenientes del sector público y privado y debería certificarse su exactitud y calidad. Es responsabilidad del gobierno decidir hasta qué punto se comparten los datos de los usuarios. Muchas personas, cuando leen el documento, solo leen que “los datos deben estar dispo- nibles”, pero la frase continúa “…para aquellos que cumplen con el manejo de la información y los están- dares establecidos por el gobierno…”, por lo que son los representantes electos de la ciudadanía los que deciden quién tiene acceso a los datos. En tercer lugar, es necesaria una evaluación crítica externa y transparencia por parte de las compañías tecnológicas para que los clínicos estén seguros de que las herramientas que les brindan son de uso seguro. Dr. Tarek R. Besold INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Estos son los principales mensajes de mi presentación, que trataré de explicar en detalle a continuación. Propuesta de desarrollo de la inteligencia artificial en el sector salud de Alpha Health En primer lugar, ¿quién soy y cuál es la organización para la que trabajo? Formamos parte del universo de Telefónica, pero de alguna manera somos como los inadaptados de la familia, porque nuestra misión sería la equivalente a fabricar naves espaciales con destino a la luna. Apuntamos hacia algún objetivo loco, pero que sea plausiblemente posible. Si funciona, es genial y realmente resolvemos un problema. Si no funciona, nadie se sorprenderá. Asumimos grandes retos como, por ejemplo, aspectos relacionados con los 28 Objeti- vos de Desarrollo Sostenible de las Naciones Unidas. La consecución de estos objetivos requiere que se busquen soluciones radicales, por lo que, si son posibles, po- drían cambiar la manera que tenemos de ver el mundo. Requiere, además, tecnología avanzada, y cuando habla- mos de tecnología de vanguardia nos referimos a plau- sible. No se trata de viajes intergalácticos, no se trata de transmitir personas de A a B, sino de desarrollar proyec- tos que creemos que deberían funcionar, para los cuales hay pruebas académicas de que podrían funcionar, pero que todavía no han sido abordados a nivel industrial. La combinación de estos tres aspectos constituye, básica- mente, nuestro criterio para participar en un proyecto. La siguiente pregunta sería: ¿por qué estoy aquí hoy? Para explicarlo podemos analizar los datos de mortalidad de los Estados Unidos, desde el año 1900 hasta el año 2000. De estos datos se deduce que, por un lado, se pueden ver buenas noticias, ya que hoy en día mueren menos personas que en el siglo xx. Por otro lado, las malas noticias son que en la actua- lidad mueren aproximadamente la misma cantidad de personas que en el año 1960. ¿Cuál es la diferencia? Sencillamente, tras el descu- brimiento de la penicilina, se sabe cómo tratar las enfer- medades infecciosas; y se han reducido enormemente las muertes por esta causa, por lo menos hasta el momento, ya que han empezado a detectar cepas de microorga- nismos con hiperresistencia que podrían cambiar la tendencia de esta curva. Sin embargo, aún no hemos descubierto cómo tratar las enfermedades crónicas, lo que en la práctica se traduce en que vivimos más tiempo, pero nuestra vida saludable no se extiende tanto como nuestra esperanza de vida. Hoy en día vivimos entre cinco o diez años más que nuestros antepasados, pero solo dos de estos años son años saludables, por lo que durante los otros ocho años estamos básicamente tratando de controlar las enfermedades típicas del envejecimiento. Al analizar cuáles son las principales causas de mortalidad podemos observar que el 70% de ellas se debe a enfer-medades crónicas como el cáncer, los accidentes cerebro- vasculares, la diabetes o los trastornos mentales. De este 70% de mortalidad asociado a enfermedades crónicas, alrededor del 75% se relaciona con los hábitos o el estilo de vida. El otro 25% está relacionado con la predisposi- ción genética y factores ambientales. Por tanto, si modificamos nuestro estilo de vida podríamos influir sobre el 75% implicado en el desarrollo de enfermedades crónicas. Si lo desglo- samos más, vemos que hay un total de entre cinco y ocho comportamientos o conductas claves, entre los que destacan el ejercicio, el uso de sustancias (ya sean drogas o medicamentos) o la calidad de las relaciones interpersonales. Dentro de la salud mental, la calidad de las relaciones interpersonales puede darnos mucha información sobre la probabilidad de sufrir una depre- sión o una afección similar en el futuro. Teniendo esto en consideración, y añadiendo el avance de estos últimos 30 años sobre el conocimiento de cómo se forma y cómo funciona la conducta humana, mi trabajo se centra en fomentar cambios de comportamiento que reduzcan radicalmente la carga de las enfermedades crónicas a nivel mundial centrán- donos en las ocho conductas mencionadas. Para ello, 25 Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud | Dr. Tarek R. Besold dado que pertenecemos a Telefónica, la propuesta es construir un “asistente personal en salud” que brinde al paciente una forma efectiva de mejorar los compor- tamientos relacionados con su salud y vivir una vida más feliz y saludable. En este sentido, queremos ir todavía un poco más lejos y pretendemos que no sea el asistente el que dirija al paciente, sino que sea el propio paciente el protagonista, ayudándole de forma efectiva y eficiente a estar lo mejor posible, aumentando su expectativa de vida saludable más allá de la actual. Para ello, tal y como ha comentado previamente el Prof. Hernández-Orallo, uno de los factores clave en este tipo de tecnología dentro del campo de asistencia personal per se, y especialmente dentro del campo sanitario en el que hay una susceptibilidad particular, es la confianza. ¿Qué significa la confianza en la aplicación de la inteligencia artificial en salud? La confianza es un requisito previo para que las perso- nas participen en el proyecto y para que las compañías desarrolladoras de estos productos se merezcan el com- promiso de las personas. Por un lado, nuestros clientes o nuestros usuarios deben poder confiar en que las soluciones que les brin- damos les llevan realmente a donde quieren ir y de la manera en que quieren conseguirlo. Por lo tanto, se trata del cómo y el qué de la solución. Por un lado, intentamos desarrollar un asis- tente personal que sea atractivo, que se ajuste, que quiera que te conectes con él; pero, por otro lado, queremos que sea el paciente el que dirija el proceso. ¿Cómo podríamos favorecer el funcionamiento de la inteligencia artificial en salud? Como ya he dicho, la confianza es clave y, como ya apuntó el Prof. Hernández-Orallo, la ética está rela- cionada con la confianza. Lo que se necesita para ser dignos de confianza es un desarrollo en el que se respe- ten unos valores; además, debe haber un compromiso público con estos valores, de tal forma que el paciente pueda identificarlos fácilmente. Aquí es donde entra la ética. Como ya ha comentado Erika Pastrana, actual- mente estoy dirigiendo un laboratorio de investigación de Alpha Health y nuestro trabajo se centra en tres líneas. La primera línea, que denominamos la inteli- gencia artificial de confianza o explicable, se basa en la construcción de sistemas que sean transparentes para el usuario. El usuario puede preguntarle al sistema y tiene el derecho de preguntar: “Me recomendaron hacer algo. ¿Por qué me recomendaste eso?”. O puede preguntar al sistema: “¿Cómo funcionas realmente? ¿Cómo tomas las decisiones?”. La segunda línea es la inteligencia artificial empá- tica dirigida a comprender los estados emocionales de nuestros usuarios de forma interactiva y multimodal. De tal forma que, si ofrecemos una recomendación o una intervención, queremos saber cómo se siente el usuario en ese momento, cómo se siente después, cuál fue el impacto, si le ayudamos realmente, si empeoró o si está actualmente en un estado en el que todavía podemos ayudarle. «Se trata de garantizar la transparencia en la tecnología y de mantener el protagonismo del usuario, dado que estamos brindando asistencia personalizada y queremos ayudar a las personas a cambiar su comportamiento, que es una tarea muy difícil de conseguir.» INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Por último, estamos trabajando en una tercera línea de inteligencia artificial dirigida a preservar la priva- cidad del usuario, la cual se relaciona mucho con lo que ha expuesto el Prof. Hernández-Orallo dentro del sector de datos. Esta línea trata de desarrollar tecnología que nos permita brindar servicios de vanguardia a la vez que la propiedad y el control de los datos permanezcan exclusivamente en manos del usuario. Esto significa que como compañía renunciamos a la propiedad de los datos y nos limitamos a proporcionar un servicio. Actualmente, todavía hay muchas personas que piensan que no hay inteligencia artificial involucrada en la Medicina, pero no es así. De hecho, en una simple exploración por resonancia magnética con tecnología punta, por lo general se dispone del apoyo de la inte- ligencia artificial para realizar el agrupamiento de todo lo que se escanea. También hay sistemas de asistencia médica o de redes profundas, como ya ha presentado el Prof. Hernández-Orallo. Uno de los grandes problemas de estos sistemas es que, aunque sabemos que estadísti- camente están desempeñando bien su función, muy a menudo no sabemos por qué están funcionando bien. Sabemos que en el 97-98% de los casos son correctos, pero ignoramos por qué son correctos o incorrectos en el 2 o 3% restante. Esto se debe a que, en realidad, son sistemas demasiado complejos para que podamos seguir realmente todos los procesos matemá- ticos, aunque esto no significa que sean incognoscibles. ¿Cómo podríamos aumentar la comprensión del funcionamiento de los sistemas de inteligencia artificial? La pregunta en realidad es cómo usamos los sistemas de inteligencia artificial actualmente. Hoy por hoy intro- ducimos los datos y en el 98% de los casos obtenemos un resultado con validez estadística, pero en muchas ocasiones desconocemos su funcionamiento. Hay cinco preguntas que se pueden hacer para aumentar la comprensión del funcionamiento de los sistemas de inteligencia artificial; para cada meca- nismo de decisión podemos preguntarnos: 1º. ¿Cómo crea el algoritmo? 2º ¿Cómo toma las decisiones? 3º. ¿Cómo influyen en el resultado las diferentes partes del mecanismo? 4º. Si se encuentra en una situación específica, ¿por qué esta situación desencadena un resul- tado particular? 5º. Y, más globalmente, ¿cómo funciona en general? Si observamos la situación actual, la mayoría de los sistemas se encuentran en una etapa inicial de desarrollo. Se está estudiando cómo hacerlo de forma mejor y más accesible, de tal modo que sean sistemas de aprendizaje comprensibles e interpretables. Actual- mente, los sistemas de reconocimiento de imágenes pueden identificar los diferentes componentes de la imagen, pero la extrapolación todavía está limitada. Para otros médicos o personal clínico, los médicos pueden ser como modelos interpretables, de tal forma que esboce la línea técnica de la conexión de los síntomas del paciente y los resultados del examen a un diagnóstico particular. Esto permite a otros clínicos interpretar el diagnóstico, asegurando que las conclu- siones estén apoyadas por funciones de evaluación «Europa está haciendo un gran esfuerzo para tratar de avanzar en la regulación de lainteligencia artificial, por ejemplo, en la privacidad de los datos, pero también está trabajando intensamente dentro del sector de la salud para proteger a los pacientes. El hecho de que sea una aplicación legal, no significa que sea ética. La ética va más allá de la legalidad.» 27 Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud | Dr. Tarek R. Besold razonables y valores de peso para las pruebas presen- tadas. Pero en ambos casos, de forma ideal, se requiere que el médico contextualice toda la información de tal forma que pueda explicársela al paciente en términos comprensibles. Para ello, debe tener conocimiento sobre su entorno de vida y sobre las relaciones causales entre las distintas partes. Esto mismo deberíamos exigir a los sistemas de inteligencia artificial, en espe- cial, a aquellos aplicados al campo de la salud. Inteligencia artificial y privacidad Respecto al tema de la privacidad, actualmente la mayoría de las empresas de sistemas de datos propor- cionan sus servicios a cambio de obtener los datos de los usuarios. De hecho, la mayoría de la tecnología actual necesita la información de las manos de los provee- dores de servicios a los usuarios. Esta es la razón por la que estos modelos se denominan gratuitos, o mejor dicho freemium, ya que los datos son básicamente parte del pago al proveedor de servicios al desarrollador de la aplicación. De tal forma que, posteriormente, el pro- veedor de servicios puede utilizar información analítica adicional extraída de estos datos para obtener más «Dentro del campo de la salud, podrían equipararse los sistemas de aprendizaje automático a los médicos. Los médicos deben convertirse en modelos comprensibles para los pacientes y entregar el diagnóstico proporcionando indicadores bien conocidos de alto nivel revelados en las pruebas (es decir, símbolos del sistema) sin dar información sobre cómo funcionan las pruebas médicas y las evaluaciones.» ingresos. Un ejemplo claro sería optar por un enfoque de aprendizaje automático tradicional que no preserva la privacidad, así también recogen datos de los usuarios (edad, sexo, salario) al tiempo que se proporciona un servicio. A continuación, se introducen los datos en la red neuronal artificial, que aprende cómo la edad, el sexo y el salario se correlacionan entre sí. Finalmente, la red neuronal entrenada se constituye como un modelo que puede predecir el salario según la edad y el sexo o viceversa, la edad en función del salario y el sexo, etc. En esta situación podemos encontrarnos con dos pro- blemas fundamentales; el primero sería que los usua- rios no quieran compartir sus datos, y el segundo se relaciona con el hecho de que las empresas pueden usar modelos capacitados para revelar información de usua- rios individuales, sin preservar la privacidad. Para evitarlo se han desarrollado técnicas que permiten aprender de una población sin poseer/revelar información individual. Entre estas técnicas se encuen- tran la encriptación o cifrado homomórfico total, el aprendizaje federado, la computación multipartidista segura o los enclaves seguros. Muchas de estas técnicas han demostrado teóricamente que funcionarían, pero aún no se han implementado. Desarrollaré un poco más el concepto de cifrado homomórfico total. Dado que la idea del usuario no es compartir sus datos, sino tener un proveedor de servicios, la pregunta es: ¿Por qué no simplemente cifro mis datos antes de enviarlos? La respuesta es clara, si se envían datos cifrados, el aprendizaje automático ya no funciona con la mayoría de los métodos actuales. No se obtienen datos, sino una versión encriptada de los mismos. En el ejemplo anterior se perdería, por ejemplo, la iden- tificación de sexo, salario y edad. Cuando se envían datos encriptados, el proveedor de servicios tiene que descifrar, entrenar el modelo, hacer una predicción y cifrar la predicción de nuevo para enviárselo al usuario y que él lo descifre. En los últimos diez años, las mate- máticas nos han permitido hacerlo y ahora ya es factible debido a las mejoras en la computación que, a INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA día de hoy, hace posible aprender de los datos cifrados, dado que existe una subcategoría de mecanismos de encriptación que lo permite. Es decir, estos meca- nismos permiten realizar una clasificación o cualquier otro servicio de aprendizaje automático. La ventaja es que podemos hacer un aprendizaje automático de vanguardia sin ver los datos, y la desventaja es que, desde la perspectiva de la empresa, estamos realizando un aprendizaje automático de última generación sin poder disponer de los datos. Inteligencia artificial y ética Para las personas involucradas en este campo, es ele- mental, además de considerar las diferentes opciones éticas, comprometerse con alguna. Es importante valo- rar si el problema de salud que se quiere solucionar se puede llevar a cabo respetando las limitaciones éticas; ya que el problema que se desea solucionar y las priori- dades éticas entran en conflicto con frecuencia. Hay varias preguntas que plantearse y sobre las que reflexionar antes de desarrollar las herramientas de inteligencia artificial: ¿queremos ser éticos?, ¿queremos preservar la privacidad?, ¿queremos ser confiables?, ¿queremos solucionar dolencias y queremos acceder a espacios como el cuidado de la salud donde las personas son muy vulnerables? Es importante determinar cuáles son las supo- siciones básicas subyacentes a la solución prevista y determinar la necesidad de datos, de información confidencial, plantearse si será posible servir a todos los grupos de clientes por igual, el modelo de negocio que se va a desarrollar y con quién se quiere asociar. Un ejemplo clásico, que todavía sigue sucediendo, es la baja representación de ciertos tonos de piel para el reconocimiento visual de las personas de color. La mayoría de los sensores de vídeo actuales tienen todavía más dificultades para captar bordes en la piel oscura que en la piel clara. En este sentido, hay que ser conscientes de que hay al menos una dimensión de diversidad que está subrepresentada, aunque estamos trabajando para solucionarlo con una buena perspec- tiva de futuro. Por otro lado, cuando hablamos de datos, además del propio dato, necesitamos etiquetarlos, de tal forma que nos permita distinguir qué conjunto de datos representa a un paciente sano y qué conjunto de datos representa a un paciente poco saludable. Para obtener estos conjuntos de datos lo más frecuente es recurrir a uno de los grandes proveedores en línea que realizan una subasta entre personas que están dispuestas a etiquetarlos y, dentro del entorno capita- lista que trata de venderlo lo más barato posible. Así, la mayoría del etiquetado de datos se realiza efecti- vamente en regiones económicamente pobres por grupos insuficientemente representados y vulnerables. Ante esta situación, ¿se puede hacer esto y afirmar que se es ético? Y si no se hace, ¿qué significa eso para el flujo de ingresos ya que los costes aumentan? Y, finalmente, ¿estamos dispuestos a someter una idea, producto, modelo de negocio y equipo a un escrutinio público? El sector sanitario tiene la ventaja, al menos desde el punto de vista del paciente, de que está bastante regulado. El escrutinio público es una necesidad, porque de lo contrario no se obtiene la aprobación de la Food and Drug Administration estado unidense, de las instituciones europeas o nacionales correspondientes. Aun así, ¿cuántas de las grandes empresas de inteligencia artificial y aprendi- zaje automático presentan de manera completamente abierta al público sus principios y están dispuestas a aceptar totalmente el escrutinio público sobre ellos? En conclusión, como se comenta en el informe ante- riormente mencionado, tenemos una oportunidad real con esta tecnología para ganar en tiempo y eficiencia,pero debe implementarse de forma segura y confiable. Debemos estar juntos usuarios, médicos y proveedores en este viaje de transformación. Es en parte una obliga- ción y en parte una invitación. 29 A ctualmente estamos viviendo un cambio de paradigma en el diseño de los robots. Los robots de nueva generación no se van a limitar a estar en las fábricas o empresas, sino que van a convivir e interaccionar con nuestra vida cotidiana. El desarrollo de los robots industriales precisó de una optimización del rendimiento mecánico. Hoy en día dichos robots hacen un trabajo total- mente programado y predecible y, en muchos casos, son más rápidos, más precisos y más fuertes que sus homólogos humanos. Los ingenieros y los especialistas en robótica están trabajando actualmente para opti- mizar las características de interactividad de los robots con el fin de acercarlos a nuestra vida cotidiana, donde el entorno es muy variable e impredecible, por lo que es preciso desarrollar su adaptabilidad y seguridad. ¿Es el robot antropomórfico la respuesta? A lo largo de los últimos 20 años he estado analizando esta cuestión. He estudiado diferentes tipos de robots antropomórficos y he investigado en profundidad cómo reaccionan y cómo se mueven los humanos. Reproducir el cuerpo humano es un desafío muy grande. Actualmente consideramos cuatro aspectos claves en el diseño de los robots antropomórficos para llevar a cabo una tarea concreta: el tipo de estructura y ajuste estructural del robot, la precisión, los grados de libertad y la fuerza que necesita ejercer. Robótica flexible para interaccionar de manera intuitiva con los robots Dra. Jamie Paik Directora del Laboratorio de Robótica Reconfigurable, École Polytechnique Fédérale de Lausanne, Lausanne, Suiza Pero, en general, nos encontramos con dos tipos de robots. Los robots flexibles (soft robots), que maxi- mizan la precisión y el cumplimiento; estos pueden llevar a cabo tareas como levantar vidrio sin romperlo o enhebrar una aguja. Por otro lado, están los robots rígidos (rigid robots), que maximizan la fuerza y los grados de libertad; estos están más preparados para llevar a cabo tareas que requieren fuerza, como levantar grandes pesos de hasta 264 kg. Dra. Jamie Paik INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Robots reconfigurables En este punto, nos planteamos si sería posible dise- ñar un robot que pueda y tenga flexibilidad para rea- lizar diferentes tareas. Dicho robot no podía tener una única forma o desarrollar una única tarea, y así fue como desarrollamos los robots origami. Para ello, empleamos materiales como silicona, goma y mate- riales tipo esponja, son los materiales de los robots de nueva gene ración y permiten que el diseño del robot cumpla las cuatro características mencionadas anteriormente para un diseño ideal. Los materiales se deforman al recibir un estímulo, pero luego son capa- ces de volver a su forma original. La composición de estos robots es modular, con múltiples capas en forma de sándwich que pueden unirse o desmontarse dependiendo de la tarea o el entorno, de tal forma que puede cambiar de forma y convertirse en un robot que anda o en una superficie que equilibre una bola en su parte superior. Además, cada una de las capas están equipadas con sensores inteligentes para interactuar tanto con el entorno como con las personas. Más concretamente, la estruc- tura modular permite que se adapte al cuerpo humano de forma flexible. Se puede llevar alrededor del cuerpo y, cuando se necesite, el robot puede volverse autó- nomo. Además, esta estructura en módulos permite personalizarlo y la fabricación es mucho más barata, dado que hasta el logotipo es reconfigurable. ¿Qué es un robot origami? El robot origami no es un robot que haga origami, sino que es un robot cuya estructura está basada en el origami, lo que le permite adaptarse a cada situación. Dado que el cuerpo y la cara de cada persona son diferentes y el movimiento de cada persona también es distinto, conseguimos que el robot se adapte a cada persona en particular mediante el control de los pliegues individuales de su estructura en origami. Un ejemplo de aplicación de esta interfaz completa- mente reconfigurable es la parálisis facial, en la que un lado del movimiento de la cara no coincide con el del otro lado. Aunque parezca futurista, este tipo de dispositivo puede adaptarse a los músculos faciales de la persona para que pueda recuperar su sonrisa y sus expresiones. Respecto al proceso de fabricación, es similar al sistema de fabricación actual en serie, ya que se utiliza una cinta transportadora en la que se incorporan los múltiples componentes y se ensamblan hasta construir el producto final. Se toman los diferentes materiales y, dependiendo de la forma del dispositivo, se cortan la capa exterior y las diferentes capas y se ensamblan en forma de sándwich. En cada capa se incorporan los diversos componentes, como el microprocesador y los sensores. «Los robots están constituidos por una estructura que reacciona al entorno y realiza una tarea precisa, con una fuerza concreta y en una dirección determinada. El robot ideal es aquel que maximiza estos cuatro aspectos.» «El robot origami dispone de una estructura en sándwich, con múltiples capas y cada una de ellas con sensores, lo que le permite adaptarse a cada propósito o tarea concreta e interaccionar con cada cuerpo concreto.» 31 Robótica flexible para interaccionar de manera intuitiva con los robots | Dra. Jamie Paik De tal forma que se pueden construir distintos robots origami dependiendo de la aplicación que vayan a tener. Por ejemplo, pueden caer del cielo y luego los multiagentes pueden comunicarse entre sí para encontrar a una persona desaparecida o dife- rentes dispositivos cuando el GPS no funciona y el rastreo se realiza en la oscuridad. Durante el proceso, se pueden perder o dañar los dispositivos, pero esto no tendría mucha repercusión, dado que se dispone de cientos de ellos. En el robot tradicional, dependiendo de las tareas que desempeñe, los ingenieros tienen que diseñar los diferentes modos de comunicación o los distintos tipos de locomoción, y si se necesita alguna nueva función adicional es preciso empezar de nuevo. Con una plataforma de origami se detecta y se diseña la nueva aplicación y, si se necesita un sensor adicional, simplemente se actualiza el diseño del sistema. Lo siguiente que se necesita (mecánica, geometría, mate- riales) es fabricar los componentes 3D con la nueva aplicación. Se añade el nuevo parámetro en la secuencia del proceso de fabricación y este completa el diseño incluyéndolo de forma repetitiva, de tal forma que se pueden cambiar las funciones y fabricar el robot en el mismo día, lo cual es revolucionario. Herramienta quirúrgica Robogami reconfigurable Mango Sección origami 1 Modo 2D/3D Modelo blando/rígido Modo DoF adicional Sección origami 2 Sección giratoria «Lo que marca la diferencia es que estas estructuras se pueden autoplegar y crear un robot en tres dimensiones (3D) mediante un sistema basado en 2D, algo que nunca se había hecho antes y que ahora se puede conseguir con las plataformas origami. » INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA Aplicaciones del robot origami en salud Entre las aplicaciones en las que se está trabajan- do actualmente se encuentra la cirugía de próxima generación. Esto significa que se podrá perforar un orificio muy pequeño (en el estómago o para hacer una biopsia en el cáncer de próstata o en diferentes tipos de cáncer) con estos robots. Hoy en día, este tipo de procedimiento ya lo realizan robots, el más cono- cido de ellos es el robot Da Vinci. Básicamente, el ciru- jano permanece detrás de la consola y dispone de un robot que está preajustado y que hace las incisiones. Utilizando una plataforma de origami, si es necesario, se puede añadir un nuevo instrumento simplementereconfigurando la forma. Como se muestra en la imagen, en el robogami para operar tenemos tres secciones diferentes: la sección origami 1, la sección giratoria y la sección origami 2, que permiten cambiar el radio de curvatura. Al modi- ficar el radio de curvatura, se puede tener una sola herramienta que realiza múltiples tareas, de tal forma que los cirujanos ya no tienen que perder tiempo cambiando los instrumentos y se reducen los costes generales de los procedimientos quirúrgicos. También disponemos de “joystick hápticos plegables”, robots muy pequeños con tres grados de libertad en la punta de los dedos que permiten sentir el objeto, como en la realidad virtual. En el entorno de la realidad virtual puede haber varios objetos y, si se usan las gafas de realidad virtual, no se sabe lo que realmente se toca, solo se ve. En el caso de una bola azul, una roja y una negra, es posible diferenciarlas por el color, pero con el joystick que se ha desarrollado se podrían distin- guir también en función de la textura o rigidez, de tal forma que lo que se ve coincide con lo que se siente. Se trata de una realidad tangible que combina lo que se ve con lo que se percibe y se siente. Y eso no es todo, esta plataforma basada en placas de origami varía en función de cómo se diseñe cada placa. Si tiene un material diferente, en este caso estamos usando goma de silicona y aplicando distintas presiones de aire, y con diferentes grados de libertad, se simula el funcionamiento de los grupos musculares que se inflan si se bombea más sangre. Para crear un sistema muscular con microprocesadores individuales, como en este caso, cada módulo se diseña con tres grados de libertad, lo que significa que se mueve en tres direc- ciones en el espacio. Se pueden colocar cuatro de esos módulos juntos como un bloque de Lego® y hacer que funcione como los robots tradicionales. Lo que es impresionante de estos sistemas es que, dependiendo de cuántos grados de libertad se definan, se pueden modificar los robots origami para que realicen otras funciones. Por ejemplo, el día de mañana se necesita que el robot recoja un objeto más lejano, que sea más fuerte o que tenga otro radio de curvatura adicional, esto es algo que normalmente no se puede hacer con los robots tradicionales; sin embargo, con el robot origami sí se lograría porque cada bloque es como una pieza de Lego® que nos permite agregar más acciones. Respecto a la “modularidad”, se puede disponer de estos módulos para cubrir las diferentes partes del cuerpo. En enfermos con Alzheimer o que se están recuperando de un derrame cerebral se pueden emplear módulos que cubran la parte superior de sus dedos, de tal forma que fuercen a los dedos del paciente a moverse para coger mejor la cuchara o cortar mejor. La ventaja es que se usa una acción muy suave sin materiales duros o con armazones perso- nalizados. Pero se puede ir aún más lejos y disponer de accionadores más grandes que soporten incluso decenas de kilogramos de peso. En este caso, el robot no se desarrolla para rehabilitación o para pacientes paralizados, sino para pacientes con dolor de espalda crónico o trabajadores de la construcción que tienen que levantar una gran cantidad de peso durante mucho tiempo, perforar agujeros o usar martillos en una posición incómoda, lo que puede acabar afec- tando a su espalda. Estos dispositivos son una medida preventiva para este tipo de trabajadores para mejorar sus condiciones de trabajo. 33 Robótica flexible para interaccionar de manera intuitiva con los robots | Dra. Jamie Paik Otra aplicación de esta tecnología es para la retroalimentación mecánica en trabajo virtual. En una situación en la que se estuviera trabajando con un entorno virtual para escalar una montaña, estos sistemas permitirían cambiar su rigidez y hacer que el usuario se sintiese como si estuviera cargando un gran peso o que el peso estuviera empujado por alguien más, así da la sensación de que le están tocando o está moviendo diferentes objetos. Además, resulta muy interesante combinar la retroalimentación estática con gafas de realidad virtual y luego agregar una sensa- ción adicional, más pequeña, como la textura, lo que permite experimentar una forma de comunicación completamente diferente. Así, el dispositivo puede ayudar al usuario a mantener el equilibrio. De esta manera, si alguien necesita la ayuda de otra persona o es invierno y tiene que andar sobre la nieve, este dispo- sitivo le dará soporte inmediato (por ejemplo, si está a punto de caerse); mientras que cuando no se necesite, será pasivo. También estos dispositivos pueden ayudar en la recuperación de la marcha después de estar mucho tiempo inmovilizados por una rotura de una pierna, o si es una persona totalmente sana pueden ayudar a corregir la forma o la postura en el entrena- miento de deportes, por ejemplo, a corregir el swing en el golf o en el tenis. Otro nivel de actuación son las “mallas de sensa- ciones” sobre la piel, como un Braille robótico. En lugar de leer el Braille solo con las yemas de los dedos, podemos imaginar que este Braille está encima de cualquier parte del cuerpo. Se trata de parches con píxeles táctiles que vibran a diferentes frecuencias y con distintos niveles de fuerza, de tal forma que generan una sensación enorme y muy rica. Dispone de una burbuja inflable embebida con sensores flexi- bles y suaves. El sensor mide el inflado de la burbuja, y cuanto más inflada está la burbuja, mayor será la fuerza de interacción sobre la piel, y mejor se podrá sentir cualquier perturbación que ocurra, ya sea muy fuerte o muy sutil, como si alguien nos rozara la piel; la gran ventaja es que todo está integrado en un único dispositivo. De esta manera, se pueden tener los parches en el antebrazo y entender la información sin que la vista sea necesaria o, aún más fácil, puede informar al usuario de que el objeto en cuestión es una manzana roja, un libro verde o un lápiz, sin ninguna otra información sensorial que no sea una sensación táctil. En un futuro esto signi- ficará que no hará falta leer o escuchar los mensajes del móvil o teléfono, seremos capaces de sentirlos. En mi opinión, así será como nos comunicaremos en el futuro y como los médicos se relacionarán con sus pacientes. ¿Cuántos de nosotros leemos el manual antes de empezar a usar el teléfono móvil o la tablet? Los sistemas robóticos intuitivos permitirán una mejor ejecución de los dispositivos portátiles de comunicación y de los robots médicos en un siste- ma robótico colaborativo. En mi laboratorio estamos empezando a trabajar con la Agencia Espacial Europea para que nuestros robots no sean solo una idea de futuro, sino que estamos trabajando para enviar este tipo de robots a la estación espacial que, por razones de espacio disponible, no permite el envío de muchos robots y es más conveniente enviar un único robot capaz de desarrollar múltiples tareas. «En conclusión, mediante el uso de estos interfaces de robots flexibles y blandos vamos a poder desarrollar tareas mucho más variadas de lo que jamás habíamos imaginado, e interaccionar de forma muy suave e intuitiva, sin necesidad de leer los manuales para controlarlos.» 35 Potencial de la inteligencia artificial/ deep learning para mejorar el tratamiento oncológico Dra. Kara L. Davis Departamento de Pediatría, Centro Bass del Instituto de Investigación en Salud y del Cáncer y Leucemias Pediátricos, Universidad de Stanford, Stanford, Estados Unidos Dra. Kara L. Davis E n este ciclo de conferencias hemos descu-bierto varios aspectos realmente emocio-nantes y atractivos sobre el uso del deep learning en diferentes ámbitos de nuestra sociedad. En esta presentación se expone la experiencia de la aplicación de la inteligencia artificial en el cuidado de niños con leucemia. Hace cien años la leucemia en la infancia era una enfermedad fatal, tal y como refleja un informe deun médico de Estados Unidos que describió el curso de estos pacientes, los cuales sucumbían a la enferme- dad en muy pocos meses. Pero en el transcurso de los últimos 50 a 60 años se han llevado a cabo avances real- mente increíbles en el manejo de los niños con leucemia y, de hecho, casi se ha convertido en un claro ejemplo de la importancia de la colaboración multidisciplinar para el tratamiento del cáncer. Se ha avanzado de tal manera que en los años sesenta solo sobrevivían a su leucemia alrededor del 20% de los pacientes, mientras que ahora se curan más del 90% de los niños con esta patología. Sin embargo, el problema real de esta enfermedad es la recaída del paciente, ya que cuando la enfermedad reaparece después de un primer tratamiento, es muy difícil de tratar. En algu- nos estudios de los ochenta y la década de los 2000 y en un ensayo clínico en el que participó la Dra. Kara L. Davis el año pasado, se utilizó ingeniería genética de células T para tratar pacientes en los que falló el trata- miento inicial. Los resultados de todos estos estudios muestran que más de la mitad de los pacientes en los que el tratamiento no funcionó fallecen a consecuencia de esta enfermedad. ¿Cómo abordar clínicamente la recaída y la predicción de esta cuando llega un paciente al hospital? Cuando un paciente llega al hospital es importante informar a su familia de cuál es su pronóstico. Para ello, es preciso recabar distintos tipos de información; la primera corresponde a los datos clínicos según el INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA criterio Roma NCI, que se determina en el momento del diagnóstico según las características del paciente cuando llega al hospital. Lo segundo que se analiza son los cambios genéticos generales, y de los cromosomas en particular, cuyos resultados tardan en saberse entre 1-2 semanas desde la llegada del paciente. Por último, se revisa la respuesta al tratamiento inicial que se valora al mes o dos meses después de iniciar el tratamiento. El conjunto de esta información constituye lo que se denomina evaluación final del riesgo, en función de la cual se tomarán las decisiones más adecuadas de trata- miento para estos pacientes. Sin embargo, hay dos limi- taciones principales en este enfoque; la primera es que hay cierta demora en conocer el riesgo, por lo que no se puede saber el riesgo total de los pacientes hasta un par de meses después de su primer ingreso; la segunda limi- tación es que no se trata de una predicción informativa, se puede saber que el paciente corre un alto riesgo de recaída, pero realmente no se sabe qué células no están respondiendo o qué hace que no respondan para poder adaptar el tratamiento de manera inteligente. Ese ha sido el objetivo de nuestros estudios. Tra- tamos de encontrar las poblaciones de células clínica- mente relevantes dentro de un tumor individual para poder actuar lo antes posible. Por ejemplo, la pauta de actuación actual en el diagnóstico de un paciente con cáncer es someterle a un tratamiento y evaluar su enfer- medad mínima residual o la respuesta a la terapia en el curso de las siguientes semanas y esperar a ver su evo- lución. Hoy por hoy se sabe que a los 7-10 años, un 80% de los pacientes se curarán y un 20% recaerán. Las preguntas que nos planteamos en la actualidad son, en el momento del diagnóstico, cuando el paciente ingresa en el hospital por primera vez, ¿se puede prede- cir quién va a recaer y quién no?, ¿es posible distinguir realmente qué células causarán la recaída y cómo tratar al paciente más eficazmente? Para responder a estas preguntas diseñamos un estudio con una cohorte de 60 pacientes con leucemia desde el momento en que fueron diagnosticados y un grupo control con médula ósea sana. Determinamos a través de estudios de estimulación de células aisladas de alta dimensión qué proteínas tenían a nivel de células individuales de estos pacientes. Para ello, analizamos los distintos tipos de proteínas mediante citometría de masas en cada una de las células extraídas de los pacientes y los controles. El primer problema que se nos planteó en este estudio de células tumorales indivi duales fue la gran heterogeneidad de las células estudiadas y la dificultad para analizarlas. El objetivo entonces fue organizarlas en bloques y tratar de obtener un modelo. ¿Cómo pasar de este conglomerado de información a un modelo de aprendizaje? Para ello, aplicamos el mismo enfoque a células B sanas de la médula ósea y analizamos en detalle cómo era su proceso de maduración. Evaluamos los com- ponentes principales de las poblaciones de células normales y cómo las células de la leucemia se sitúan en dicho rango de fenotipos, y comprobamos que los patrones de las células B sanas y de las cancerígenas se superponían. A partir de ahí desarrollamos un clasifi- cador de desarrollo de células únicas, y en cada una de las distintas etapas de poblaciones de células B sanas analizamos la expresión de 11 proteínas principales. Realizamos también este tipo de análisis en pacientes con leucemia extrayendo de cada paciente un total de alrededor de 600.000 células y determinamos, «El paradigma de la recaída en la leucemia es que las células que causan la recaída están presentes desde el inicio de la enfermedad, escondidas, y se debe intentar detectarlas en los estadios iniciales.» 37 Potencial de la inteligencia artificial/deep learning para mejorar el tratamiento oncológico | Dra. Kara L. Davis tomando como base la expresión de estos marcadores, qué poblaciones eran más similares a la población sana. Por último, organizamos nuestros datos normali- zándolos según la progresión normal del desarrollo de células B y pudimos observar que, en comparación con las células sanas, las células B de pacientes con leucemia se expandían en la transición entre células pro-B y pre-B. Analizamos también otras características de las células, como la genética de pronóstico, y pudimos comprobar que no había una gran diferencia, según la genética, en cómo se asentaban estas células en esta clasificación de desarrollo. Comprobamos también que para predecir la recaída no bastaba únicamente con tener en cuenta las diferencias observadas en la clasificación de desarrollo. En este punto recurrimos al aprendizaje automá- tico. Disponíamos de datos de parámetros diferentes medidos en 600.000 células de cada uno de los 60 pacientes. Para ello, extrajimos las características de dichos datos (proteínas fenotípicas, señal basal y señal inducida) en el momento del diagnóstico y las situa- mos en un algoritmo de aprendizaje automático. Divi- dimos nuestra cohorte en un grupo de entrenamiento con el 80% de las muestras y un grupo de prueba con el 20% de las muestras. Lo llevamos al modelo reali- zando un total de 10 veces una validación cruzada y obtuvimos la selección de las características celulares que podían predecir con precisión una futura recaí- da, denominando a este modelo predictor de recaída dependiente del desarrollo (DDPR). El modelo DDPR identificó seis características de señalización presentes en el momento del diagnóstico que podían predecir una futura recaída; dichas carac- terísticas estaban básicamente confinadas a dos células en particular (células pre-B y pro-B), presentes una a continuación de la otra en el proceso de desarrollo de las células B. La conclusión de estos hallazgos es que los pacientes que van a recaer presentan altos niveles de señalización al inicio y no pueden continuar activando esa señalización con nuestras estrategias de tratamiento. Pudimos observar que, tanto en nuestra cohorte de entrenamiento como en la cohorte de validación, tenía- mos un excelente poder predictivo basado en las áreas bajo las curvas. Cuando comprobamos la curva de Kaplan-Meier que valoraba el riesgo de tener o no una recaída según nuestro modelo, obtuvimos una fantás- tica separación entre los pacientes
Compartir