Inteligencia Artificial Á la Carte en Salud

En mi columna anterior (“Persiguiendo un Ferrari en Bicicleta”) describí en forma general los conceptos de Machine Learning ML y Deep Learning DL con algunos de los modelos matemáticos usualmente utilizados en ellos.

A modo de resumen, debemos entender a la Inteligencia Artificial (IA)como un continuo que abarca tanto modelos de ML como de DL, las diferencias fundamentales entre uno y otro son que:

1. ML aprende de datos con características específicas (aunque no siempre) y

2. DL aprende de la experiencia en datos usualmente de mayor tamaño y complejidad que ML.

ML a su vez tiene tres subtipos de aprendizaje (supervisado, no supervisado y reforzado). La diferencia entre estos es la presencia o no de variables objetivo, ¿a que me refiero?, veámoslo:

a. Aprendizaje Supervisado: La máquina aprende usando datos caracterizados, previamente existentes antes de generar decisiones. Si la variable objetivo es continua se utilizan regresiones lineales, polinómicas o cuadráticas.

Por otro lado, si la variable objetivo es categórica se utilizan técnicas más complejas como regresión logística, redes bayesianas, máquinas de soporte vectorial SVM, arboles de decisión, clasificadores Bagging, Random Forest o Gradient Boosting.

b. Aprendizaje No Supervisado: La máquina es entrenada con datos no caracterizados y sin una guía previa, ella infiere patrones en forma automática y los relaciona mediante generación de clústeres. El aprendizaje se genera a través de observaciones y estructuras deducibles, algunas técnicas son el PCA (análisis de componente principal) y clusterización (K-means).

c. Aprendizaje Reforzado: La máquina aprende mediante una técnica de ensayo y error, involucra un agente que interactuará con el ambiente y creará acciones y luego descubrirá los errores o aciertos de dicha acción, a estas técnicas se les llama generadoras de decisión.

El DL por su parte requiere un mayor procesamiento de datos con modelos que son más similares al cerebro humano (redes neurales, por ejemplo), que le permitan identificar algo, analizarlo y tomar una decisión. En general DL se utiliza para datos mucho más grandes como análisis de imágenes o captura automática de voz.

Esta introducción es esencial para la segunda parte de esta columna que pretende recomendar dentro de este gran menú algunos modelos de utilidad para las preguntas de nuestro sector salud. Debido a la complejidad del tema no detallaré cada uno de los modelos, para ello crearemos una serie de entregas respecto a los mismos aquí en www.AIpocrates.org, por lo tanto los invito a seguirnos.

¿Cómo elegir un modelo de ML o DL para las preguntas en salud?

En general la elección depende específicamente de los tipos de datos con que se cuente y el interrogante a resolver. Si los datos son lineales el modelo elegible será una regresión lineal, por otro lado si los datos no muestra linealidad (es decir correlación), se pueden utilizar modelos de clasificación (Bagging, por ejemplo).

Si queremos analizar o interpretar los datos para propósitos de segmentación (de usuarios, por ejemplo) podemos usar árboles de decisión o SVM.

Si los datos son complejos como imágenes, videos, audios etc, debemos recurrir a DL a través de redes neurales o procesadores de lenguaje natural de diverso tipo.

Antes de elegir el modelo de IA a utilizar es importante iniciar con un análisis exploratorio de los datos (EDA), para entender mejor su estructura, linealidad, datos perdidos, outliers, etc y con ello definir la técnica “ideal”. Este EDA puede ejecutarse en Python a través de sus librerías Matplotlib, Seaborn o Plotly.

A continuación, una imagen que compila algunas preguntas de interés en salud y el modelo elegible desde este increíble menú de la IA:

Espero que este pequeño resumen sea de utilidad y los esperamos pronto en nuestra serie descriptiva de cada uno de los modelos de ML/DL, un mundo no solo fascinante sino necesario para movernos con seguridad y conocimiento hacia la medicina exponencial.

Feliz domingo para todos.