FRIKADAS: Una inteligencia artificial que detecta enfermedades oliéndote el aliento

06/07/2018Artículo original

La inteligencia artificial ha demostrado su gran capacidad a la hora de utilizar algunos “sentidos”, por ejemplo la vista (para conducir coches o analizar resonancias magnéticas), el oído (por ejemplo el asistente de tu móvil o Google Home) o el tacto (a la hora de que un robot agarre y levante una caja midiendo su peso, rozamiento, etc…). Parece ser que ahora también pueden usar el sentido del olfato.

Unos investigadores de la universidad de Loughborough en Inglaterra, el Hospital Western General, la universidad de Edimburgo y el Centro de Cáncer de Edimburgo han desarrollado un método basado en deep-learning que podría analizar compuestos en el aliento humano y detectar enfermedades (incluyendo cáncer) con un promedio de aciertos superior al obtenido por especialistas humanos.

El sentido del olfato lo usan los animales e incluso las plantas para identificar cientos de sustancias diferentes que flotan en el aire. Pero comparado con el de otros animales, el sentido del olfato humano está mucho menos desarrollado y desde luego no se utiliza para llevar a cabo actividades diarias “, escribió la investigadora Andrea Soltoggio en Smithsonian.com. “Por esta razón, los humanos no somos particularmente conscientes de la riqueza de la información que se puede transmitir a través del aire, y puede ser percibida por un sistema olfativo altamente sensible“.

  Pylabra. Aplicación para almacenar vocabulario

Esta técnica se ha utilizado durante ya algunas décadas por parte de laboratorios en todo el mundo. Los cromatógrafos de gases y espectrógrafos de masas son dispositivos que pueden analizar el aire y extraer su composición, pudiendo identificar miles de moléculas que flotan en el aire denominadas compuestos orgánicos volátiles.

Foto por Gem & Lauris RK en Unsplash, retocada por campusMVP

El problema es la gran cantidad de moléculas detectables y el hecho de que, a veces, la más mínima traza de cierta molécula puede ser crucial en el diagnóstico, por lo que el proceso es largo y tedioso, se necesitan recabar muchísimos datos y analizarlos y es propenso a muchos errores u omisiones.

El equipo de investigación que realizó el trabajo al que hacemos referencia hoy, entrenó a una inteligencia artificial para aprender a reconocer ciertos tipos de compuestos a partir de los datos del aliento de pacientes obtenidos con uno de estos sistemas de cromatografía de gases y espectrografía de masas (GC-MS). Para ello se basaron en los conocidos frameworks de código abierto para deep-learning Keras y TensorFlow, con los que crearon y entrenaron a su red neuronal. Como datos de control y entrenamiento utilizaron muestras del aliento de pacientes que sufrían diferentes tipos de cáncer y estaban recibiendo radioterapia. Para acelerar el proceso de aprendizaje utilizaron GPUs Tesla de NVIDIA, y para mejorar la eficiencia de la red neuronal, el equipo incrementó la cantidad de datos de entrenamiento mediante técnicas de aumento de datos, logrando hasta 100 veces más muestras de datos de base que los que tenían realmente.

  Ya está disponible PHP 8.0, con compilador JIT y numerosas novedades en su sintaxis

Gracias a esta red neuronal, una máquina es capaz de dar resultados muy fiables sobre posibles condiciones médicas, en unos pocos minutos y de manera autónoma. Un experto humano puede tardar muchas horas y en ocasiones ser menos preciso.

Este es el primer intento exitoso de machine learning para aprender patrones iónicos y detectar compuestos a partir de datos en bruto de cromatografía de gases y espectrografía de masas“, ha dicho el equipo detrás del proyecto. La red neuronal convolucional logró el mejor rendimiento cuando se implementó con dos características concretas: filtros unidimensionales para adaptarse a la estructura particular de los datos GC-MS, y una entrada de tres canales para leer señales de alta, media y baja intensidad del espectro de GC-MS altamente variable. Este nuevo enfoque descubrió incluso errores de etiquetado en las muestras proporcionadas por personas con experiencia, lo que sugiere un rendimiento promedio mejor que el humano “, explicaron los investigadores.

Los investigadores también usaron la AI entrenada con los datos anteriores para analizar nuevas muestras de aliento e inferir resultados: “Los computadores equipados con esta tecnología solo tardan unos minutos en analizar de forma autónoma una muestra de aliento que anteriormente requería horas por parte de una persona experta“, dijo Soltoggio. La inteligencia artificial está haciendo que todo el proceso sea más barato, pero sobre todo lo está haciendo más confiable.

  Publicado Ruby 3.0.0 RC1

El trabajo se ha presentado en la Conferencia Internacional sobre Redes Neuronales (IJCNN 2018), en Río de Janeiro, Brasil, este mismo mes de julio de 2018. El documento de investigación fue publicado en Research Gate.

Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos y para mostrarte publicidad relacionada con sus preferencias en base a un perfil elaborado a partir de tus hábitos de navegación. Contiene enlaces a sitios web de terceros con políticas de privacidad ajenas que podrás aceptar o no cuando accedas a ellos. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad