DeepMind de Google podría marcar el comienzo de una nueva era de la medicina

Recientemente, los círculos tecnológicos han estado llenos de noticias de que DeepMind de Google ha alcanzado un nivel de aplicación aún más alto. Atrás quedaron los días de jugar al Pong o al ajedrez. Ya en 2016, DeepMind estaba comenzando a tener implicaciones en los sectores de la salud. Últimamente, las habilidades de DeepMind ahora pueden ser capaces de llevarnos a una nueva era de la medicina por completo. Exploremos de dónde vino DeepMind, cómo se volvió tan inteligente y cómo podría cambiar el futuro de la medicina por completo.

Orígenes de DeepMind

DeepMind fue una startup de 2010 fundada originalmente por tres personas: Shane Legg, Demis Hassabis y Mustafa Suleyman. En una entrevista, Hassabis señaló que trabajaron en la tecnología de inteligencia artificial eligiendo juegos primitivos de las décadas de 1970 y 1980 para que los jugara la IA. Como si saliera de Ready Player One, la máquina de inteligencia artificial jugaba con Space Invaders, Breakout e incluso el clásico retro, Pong.

A medida que se introdujo la IA, aprendió a través del juego, sin que se le hubieran dicho las reglas previamente. Después de jugar el juego y fallar por un tiempo, la IA aprendería y dominaría el juego. Por ejemplo, este video ilustra cómo la IA domina Atari Breakout. Según un artículo de Forbes, se dice que los procesos cognitivos de la IA son "muy parecidos a los que usaría un humano que nunca había visto el juego" para captar los conceptos clave y luego volverse expertos en ellos.

El juego como herramienta evolutiva

AlphaGo, un programa informático de Go desarrollado por DeepMind, venció al campeón de Europen Go Fan Hui (dos dan de nueve), cinco a cero en octubre de 2015. Ese fue un hito importante para la tecnología de IA, ya que fue la primera vez que un computadora había podido vencer a un jugador profesional de Go. La razón detrás de eso es el nivel de complejidad. Go es mucho más difícil de ganar para las computadoras, en comparación con otros juegos como el ajedrez, debido a una amplia gama de posibilidades, lo que dificulta que la IA use métodos de búsqueda exhaustivos para ganar.

Luego, en marzo de 2016, AlphaGo derrotó a Lee Sedol (un nueve dan de nueve), uno de los jugadores de Go mejor clasificados a nivel mundial en una partida de cuatro a uno. Al año siguiente, AlphaGo ganó un partido de tres juegos contra Ke Jie, quien había ocupado el puesto número uno mundial para Go durante los últimos dos años. Para aprender, la IA utilizó técnicas de aprendizaje supervisado, estudiando muchos juegos que los humanos jugaban entre sí.

Aprendizaje profundo de refuerzo

La tecnología AlphaGo se creó en base al método de aprendizaje profundo de refuerzo, un tipo de aprendizaje automático. Según un artículo de Artificial Intelligence Depot, "permite que las máquinas y los agentes de software determinen automáticamente el comportamiento ideal dentro de un contexto específico, con el fin de maximizar su rendimiento". Cuando la IA juega Go, por ejemplo, la retroalimentación de recompensa simple ayuda a la IA a aprender de la experiencia y esto se llama la "señal de refuerzo".

AlphaGo y AlphaGo Zero

Como AlphaGo aprendió observando a otros y jugando más juegos de Go, aprendió no solo de los fracasos, sino también de las victorias. Luego, se agregaron datos históricos a su conocimiento de juegos hasta que hubo procesado más de 30 millones de juegos. AlphaGo Zero, una versión mejorada, derrotó a los juegos AlphaGo 100 a cero en 2017. Sorprendentemente, esta hazaña fue posible después de solo tres días de AlphaGo Zero aprendiendo el juego. Además, AlphaZero, un AlphaGo Zero modificado, adquirió una habilidad sobrehumana en el ajedrez y el aprendizaje del shogi puramente a través del autojuego.

DeepMind Health & Identificación de enfermedades oculares

En 2016, DeepMind se asoció con Moorsfield Eye Hospital para desarrollar aplicaciones de inteligencia artificial para el cuidado de la salud. Su objetivo era mejorar la forma en que se trata y se deriva a los pacientes por enfermedades oculares.

Actualmente, los profesionales de la salud visual utilizan tomografías de coherencia óptica (OCT) para ayudar en el diagnóstico de enfermedades oculares. Las exploraciones OCT son imágenes en 3D que trazan un mapa de la parte posterior del ojo. Son notoriamente difíciles de leer y necesitan un análisis de expertos para obtener una mayor comprensión. Entre el largo tiempo de análisis y la gran cantidad de exploraciones por día (aproximadamente 1000 por día en Moorfields), el tiempo entre la exploración y el tratamiento puede retrasarse bastante, incluso en el caso de atención de urgencia. Desafortunadamente, esto significa que si hay un problema de aparición repentina, como una hemorragia, la demora entre la exploración y el tratamiento podría incluso costarle la vista al paciente.

El artículo de DeepMind informa que su sistema de inteligencia artificial "puede interpretar rápidamente las exploraciones oculares de la práctica clínica de rutina con una precisión sin precedentes" y luego recomendar cursos de tratamiento "con la misma precisión que los médicos expertos líderes en el mundo". El sistema puede detectar la presencia de enfermedades oculares en segundos y priorizar a los pacientes que más necesitan atención de urgencia. Gracias a esta tecnología, el tiempo de espera entre la exploración y el tratamiento se reducirá drásticamente, lo que ayudará a las personas en riesgo y reducirá la posibilidad de pérdida de la vista debido al lapso de tiempo.

DeepMind Health & Identificación de enfermedades oculares

A principios de este año, DeepMind se asoció con el Centro Imperial de Investigación del Cáncer del Reino Unido para evaluar si la tecnología de inteligencia artificial podría ayudar a los profesionales a diagnosticar el cáncer de mama en mamografías de manera más eficaz y rápida que un profesional humano. El trabajo continúa mientras DeepMind espera ayudar a mejorar el reconocimiento del cáncer de mama como lo hizo con las enfermedades oculares.

El 4 de octubre de 2018, un artículo de DeepMind anunció que el proyecto DeepMind Health se estaba expandiendo al Hospital Universitario de Jikei, una de las instituciones médicas líderes de Japón, para una asociación de cinco años. El propósito del emparejamiento es analizar mamografías históricas no identificadas de aproximadamente 30,000 mujeres junto con la base de datos histórica de mamografías no identificadas proporcionada por el Reino Unido, con el fin de ver si la tecnología puede localizar signos de tejido canceroso en las radiografías de manera más efectiva. que las técnicas actuales.

Sin embargo, la investigación debe realizarse con cuidado, ya que puede producirse un sesgo cuando un sistema de inteligencia artificial se entrena con datos que no reflejan con precisión a aquellos a quienes intenta ayudar o evaluar. Por ejemplo, puede haber variaciones en la densidad mamaria entre grupos étnicos, un factor que podría causar accidentalmente que algunas pacientes fueran etiquetadas como cancerosas, cuando en realidad su densidad era simplemente más alta.

DeepMind y predicción de enfermedades oculares

Así como DeepMind Health usó los escaneos OCT para notar la presencia de una enfermedad, los profesionales están tratando de ver si también se puede usar para predecir una enfermedad inminente antes de que suceda. Al analizar a 7.000 pacientes del Moorfield Eye Hospital que han recibido tratamiento ocular en un solo ojo, la máquina puede intentar predecir el deterioro en el otro ojo.

Según un artículo de DeepMind, "predecir indicadores potenciales de enfermedades es una tarea mucho más complicada, y computacionalmente intensa, que identificar los síntomas conocidos existentes". Para adaptar la capacidad a las necesidades informáticas, DeepMind y Moorfields han acordado utilizar la infraestructura de computación en la nube de Google del Reino Unido y los EE. UU.

Plegado de proteínas AlphaFold

Recientemente, el último programa de inteligencia artificial de DeepMind, AlphaFold, ha vencido a la competencia en una hazaña particularmente agotadora: predecir las formas 3D de las proteínas. Si bien puede ser poco discutido fuera de los círculos académicos, el plegamiento de proteínas involucra a todos. Es una forma de "origami molecular", como lo expresa un artículo de The Guardian. Los científicos suelen utilizar microscopía crioelectrónica, cristalografía de rayos X y resonancia magnética nuclear para determinar las formas de las proteínas, pero depende de ensayo y error, tiempo y dinero.

Cuanto más grande es la proteína, más difícil es modelar correctamente porque hay más interacciones a tener en cuenta. Por ejemplo, el ADN contiene información sobre los aminoácidos, que forman cadenas largas. Predecir la estructura de esas cadenas y cómo se forman en formas 3D es el "problema del plegamiento de proteínas". Como señala un artículo de DeepMind, la paradoja de Levinthal afirma que "llevaría más tiempo que la edad del universo enumerar todas las configuraciones posibles de una proteína típica antes de alcanzar la estructura 3D correcta".

Comprender la forma de una proteína es recorrer un largo camino para comprender su función. Este solo acto de plegamiento de proteínas predicho por la IA podría traer un proceso masivo para los campos científico y médico. Tenga en cuenta que cuando las proteínas se enredan o se pliegan mal, pueden provocar diabetes, Parkinson, Huntington, fibrosis quística y enfermedad de Alzheimer.

La esperanza es que si los científicos pueden predecir la forma de una proteína a partir de su composición química, puedan averiguar qué hace y cómo puede plegarse incorrectamente y causar daño. Además, las aplicaciones de IA podrían incluso diseñar nuevas proteínas para combatir enfermedades o realizar tareas, dando paso a una nueva era de la medicina.