Deep Learning

La gran revolución de la última década ha sido protagonizada por una técnica específica de aprendizaje automático conocida como APRENDIZAJE PROFUNDO, o DEEP LEARNING (DP). Contrariamente a lo que se hacía previamente, cuando expertos indicaban las reglas que debían seguir las computadoras para extraer los resultados, estos nuevos algoritmos infieren sin ayuda de expertos (más que los datos de entrada a partir de los cuales se hace el análisis) las reglas y patrones asociados.

DEEP LEARNING es un subcampo de “MACHINE LEARNING (ML), sinónimo de aprendizaje automático, que a su vez es un subcampo de la INTELIGENCIA ARTIFICIAL (IA) e intenta imitar al cerebro humano. Aunque lejos de alcanzar su capacidad, esto permite a los sistemas agrupar grandes cantidades de datos y hacer predicciones con un altísimo grado de precisión (si nos atenemos a su etimología, la “inteligencia” tiene que ver con saber elegir entre opciones); para ello utilizan redes neuronales (considerándose algoritmo de aprendizaje profundo a la utilización de más de tres capas o nodos de redes neuronales).

Ahora bien, ¿cómo diferenciamos ML de DL?: principalmente en el tipo de datos con los que se trabaja (mayoritariamente preprocesados o con intervención humana en ML y no procesados en DL) y métodos por los que los sistemas aprenden.

No es la intención de este texto profundizar en detalles técnicos o aplicaciones generales del DL. Sin embargo, como profesionales de la salud toda esta información nos resulta cada día más familiar. Los trabajos donde se exponen las cualidades de la inteligencia artificial y su correlación con la performance humana en nuestro campo son cada vez más y de mayor resonancia, abarcando los principales roadmaps de congresos internacionales en salud.

A la fecha, los enfoques de aprendizaje profundo no se han evaluado exhaustivamente para una amplia gama de problemas médicos que podrían beneficiarse de sus capacidades.

Asimismo, existe una gran complejidad en la aplicación biomédica y cuidado de la salud con nudos difíciles de resolver aún para tan prometedoras herramientas de trabajo en pleno desarrollo: las enfermedades son muy heterogéneas, para muchas de ellas no hay conocimiento sobre sus etiologías y progresión; el número de pacientes suele ser limitado en determinados escenarios clínicos/prácticos y no contamos con la cantidad que requeriríamos para el desarrollo adecuado de este brazo de la IA; la incorporación de conocimiento médico experto como pilar invaluable a la hora de la resolución de problemas; entre otros tantos escalones por sortear.

No se pueden dejar de mencionar también algunas críticas vigentes al aprendizaje profundo, y que hacen hincapié en los sesgos que podría haber en los datos de origen, proporcionando resultados que no son completamente representativos de la población analizada. Por otro lado y no menos importante, a la hora de hablar de protección de datos la cautela debe primar, asegurándose la confidencialidad necesaria.

DL puede abrir camino hacia la próxima generación de sistemas predictivos de atención de la salud con la inclusión de cantidades inusitadas de pacientes usando una única “fuente representativa” que sirva de apoyo eficaz a los médicos en sus actividades diarias e intentando generar un enfoque holístico (unión ideal de fuentes de datos, historias clínicas electrónicas, genómica, medio ambiente, dispositivos portátiles, actividades sociales, etc).

Estas “representaciones profundas” podrían aprovecharse para predicción de riesgo de enfermedades, tratamientos, recomendaciones, recetas personalizadas, ensayos clínicos, investigación y análisis de datos.

En resumen, podríamos decir que DL forma parte de un sistema en el cual, utilizado correctamente, todos ganan: los pacientes en calidad de atención médica; los profesionales al disminuir el error médico, detectar precozmente enfermedades y optimizar tratamientos; la medicina en superarse a si misma al interactuar con la tecnología, en un desafío continuo y vertiginoso de crecer junto a ella. Queda por demostrar si DL puede superar los desafíos y críticas antes planteados, que permanecen sin respuestas contundentes al día de la fecha y por los cuales sigue siendo resistido en algunas áreas de la salud. Consecuentemente, muchos expertos no consideran el DL como el éxito definitivo en cuanto a IA, sino que creen se encontrarán nuevas ideas y soluciones también basadas en el cerebro humano, pero de las cuales DL sólo será un fragmento.