IBM impulsa a la IA para acelerar la investigación médica

Trabajos presentados por los investigadores

• Diagnóstico temprano de Alzheimer a través del estudio de marcadores del habla. Guillermo Cecchi, Gerente del Laboratorio de Psiquiatría Computacional y Neuroimágenes de IBM Thomas J. Watson Research Center.
• Relación entre los cambios en el sentido del olfato y las enfermedades

Raquel Norel, investigadora de Digital Health y Pablo Meyer Rojas, Gerente de Análisis y Modelado Biomédicos de IBM Thomas J. Watson Research Center.

• Detección y representación automática de sesgos en datos utilizados para diagnóstico y tratamiento en dermatología

Celia Cintas, investigadora de AI Science en IBM Research África, Laboratorio de Nairobi, Kenia.

• Modelos moleculares integrales en inmunología para apoyar a los médicos en tratamientos personalizados

María Rodríguez Martínez, Líder Técnica de Biología de Sistemas Computacionales, IBM Research Zurich.

Diagnóstico temprano de Alzheimer a través del estudio de marcadores del habla

Guillermo Cecchi, Gerente del Laboratorio de Psiquiatría Computacional y Neuroimágenes de IBM Thomas J. Watson Research Center.

El Alzheimer es una enfermedad devastadora que comienza con signos vagos, a menudo mal interpretados, de pérdida leve de la memoria, seguidos de una disminución lenta y progresivamente grave de la capacidad cognitiva y la calidad de vida ^(1,2). Estimaciones afirman que en América (en concreto Latinoamérica) los casos de demencia -donde se incluye Alzheimer- aumentarán hasta más de 27 millones en 2050⁽³⁾.

Actualmente, no existe una cura o prevención eficaz. Debido a su naturaleza y cómo se afianza dentro del cerebro, es probable que la mejor manera de retrasar su aparición y ralentizar su progreso sea la intervención temprana⁽⁴⁾. Es decir, cuanto más temprano los médicos puedan detectar el Alzheimer -incluso antes de que los síntomas aparezcan- es más probable que algún día puedan retrasarlo de manera efectiva y tratarlo. Desafortunadamente para muchos, cuando el Alzheimer se diagnostica, a menudo es demasiado tarde para evitar que la enfermedad se acelere y se afiance por completo⁽⁴⁾.

El lenguaje, lo que decimos y cómo lo decimos, es una pieza clave para comprender el funcionamiento de nuestro cerebro. Desde esta perspectiva, IBM Research y Pfizer desarrollaron un nuevo modelo de inteligencia artificial (IA) que utiliza pruebas de habla cortas, no invasivas y estandarizadas, para ayudar a predecir la eventual aparición de la enfermedad de Alzheimer en personas cognitivamente sanas con una precisión de 0,7 y un AUC de 0,74 (area under the curve — área bajo la curva). Estas predicciones se hicieron contra muestras de datos de un grupo de personas cognitivamente sanas que finalmente desarrollaron o no la enfermedad más adelante en la vida, lo que permitió a los investigadores verificar la precisión de la predicción del modelo de IA. Este es un aumento significativo con respecto a las predicciones basadas en escalas clínicas (59%) y en la elección aleatoria (50%).

En última instancia, los investigadores esperan que este estudio ayude en el desarrollo futuro de una herramienta simple, directa y de fácil acceso para apoyar a los médicos en la evaluación del riesgo de un paciente de contraer Alzheimer, a través del análisis del habla y el lenguaje, junto con una serie de otros marcadores de la salud y la biometría de un individuo.

Aspectos singulares del estudio:

• El modelo utiliza el procesamiento del lenguaje natural para analizar muestras de habla de uno a dos minutos de una prueba cognitiva breve, proporcionadas por el Framingham Heart Study, un estudio de larga duración que rastrea varios aspectos de la salud en más de 5,000 personas y sus familias desde 1948.
• El conjunto de datos para entrenar el sistema de IA incluye muestras que se recolectaron mientras los sujetos estaban cognitivamente sanos, antes de que experimentaran signos de deterioro. Además, contaron con información actualizada de los sujetos para verificar las predicciones del modelo con resultados de la vida real.
• Se evaluó el riesgo de enfermedad de Alzheimer en la población general, en lugar de centrarse únicamente en los grupos de alto riesgo, antecedentes genéticos o predisposición.
• Se analizaron las transcripciones de las muestras de habla de los participantes con el procesamiento del lenguaje natural, lo que permitió aprovechar la IA para detectar sutilezas y cambios en el discurso que de otro modo podrían haberse pasado por alto.
• Altos estándares de calidad y seguridad para la gestión de información sensitiva y datos personales, respetando siempre los principios básicos de privacidad, transparencia y consentimiento.

Más información en: Lancet eClinical Medicine – Linguistic markers predict onset of Alzheimer’s disease

Referencias

[1]https://www.nejm.org/doi/full/10.1056/NEJMra0909142

2 S. Health and Human Services: National Institute on Aging

3 “Informe ADI/Bupa, ‘La demencia en América: El coste y la prevalencia del Alzheimer y otros tipos de demencia.’, octubre 2013”. Link: https://www.alzint.org/u/dementia-in-the-americas-SPANISH.pdf

4 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6073093/

Relación entre los cambios en el sentido del olfato y las enfermedades

Raquel Norel, investigadora de Digital Health y Pablo Meyer Rojas, Gerente de Análisis y Modelado Biomédicos de IBM Thomas J. Watson Research Center.

El sentido del olfato es uno de los menos comprendidos y también el menos predecible. Parece un sentido sin importancia, hasta que lo perdemos. Un determinado tono o color se puede “adivinar” por la frecuencia del sonido o la longitud de onda de la luz, pero no podemos saber a priori cómo va a oler una molécula de acuerdo con las características de su estructura química.

Desde el 2020, la pérdida de olfato es uno de los síntomas clave para detectar el COVID-19 y muchas personas en todo el mundo sufrieron su perdida por un prolongado tiempo, pese a superar la enfermedad. Frente a la demanda de más información sobre el sentido del olfato y su relación directa con COVID-19, investigadores de docenas de países decidieron formar el Global Consortium for Chemosensory Research (GCCR), del que varios investigadores de IBM forman parte.

Desde hace varios años, científicos de IBM Research vienen trabajando en estudiar el funcionamiento del cerebro al percibir olores, estudian el olfato intentando resolver sus misterios y se especializaron en el uso de algoritmos y procesamiento de lenguaje natural para analizar estos datos biológicos. Ahora, están aplicando su conocimiento y experiencia para impulsar la creación de una mayor cantidad de datos usando encuestas que les permitan profundizar en el estudio del olfato.

Contar con más y mejores datos permite acelerar los descubrimientos. Al aplicar procesamiento de lenguaje natural, los investigadores de IBM pueden extraer nueva información a través del análisis de los patrones del habla. En este caso, el sistema examina texto escrito que proviene de encuestas y/o de grabaciones en entrevistas, datos que van más allá del limitado cuestionario de preguntas a las que se responde con opciones múltiples. El lenguaje es muy rico y nuestra capacidad de describir cómo percibimos los olores también lo es, por lo que allí esperan encontrar características que permitan identificar diferentes enfermedades.

Al analizar encuestas abiertas con IA, los investigadores de IBM encontraron una correlación entre las respuestas de los sujetos de habla inglesa que permitiría predecir un diagnóstico de COVID: ellos usaban palabras muy diferentes para describir los olores frente a los que no lo tenían, incluso aquellas personas que no habían perdido completamente el olfato. Empleaban palabras como “ácido”, “agrio”, “metálico”, “quemado” y “orina”, entre otras. Esta prueba de concepto será ahora explorada en detalle en conjuntos de datos más grandes, como por ejemplo, con texto en otros idiomas.

Esto abre la posibilidad de usar IA para desarrollar un mapa olfativo predictivo y observar los vínculos entre los cambios en el olfato y aquellas enfermedades donde estas alteraciones se manifiestan, como lo son las enfermedades neurodegenerativas, psiquiátricas y cognitivas.

Detección y representación automática de sesgos en datos utilizados para diagnóstico y tratamiento en dermatología

Celia Cintas, investigadora de AI Science en IBM Research África, Laboratorio de Nairobi, Kenia.

Cada vez más la tecnología se pone a disposición de los profesionales de la salud para acceder a más conocimiento, analizar datos para mejorar la atención de los pacientes y ayudar a detectar, prevenir y tratar enfermedades, entre otros.

El crecimiento exponencial de los datos de salud digitalizados permite, por ejemplo, entrenar modelos de IA que apoyen el trabajo de médicos e investigadores para acelerar los descubrimientos. Estos datos -altamente sensibles y confidenciales- deben ser administrados de manera responsable, utilizados de forma transparente y con el debido consentimiento del paciente. Al mismo tiempo, los sistemas de IA entrenados con ellos deben ser justos y explicables, es decir, que podamos comprender cómo se llegó a cada conclusión. Un sistema que no cumpla con estos requisito no debería estar en el mercado.

Los investigadores de IBM Research están trabajando en la detección y representación automática de sesgos en imágenes en dermatología, con foco en el contenido bibliográfico que las principales universidades del mundo ofrecen a sus estudiantes y conjuntos de datos dermatológicos utilizados para entrenar modelos de IA.

El equipo encontró que los datos utilizados para entrenar modelos de IA están formados mayoritariamente por imágenes de población caucásica, lo que puede reducir la capacidad de estos modelos para detectar enfermedades cutáneas en otros pacientes y su correspondiente impacto negativo en la calidad de atención y tratamiento que las personas reciben. Por ejemplo, en poblaciones afrodescendientes el melanoma es comúnmente diagnosticado en etapas tardías. Además, la escasez de imágenes de las manifestaciones cutáneas de COVID-19 en pacientes latinos y afrodescendientes es un problema, ya que dificulta el diagnóstico clínico.

Los investigadores presentan un framework para evaluar modelos ya entrenados para detección de lesiones de piel, bajo distintos tonos de piel. Dado que los datos no se encuentran etiquetados con respecto al tono, el framework propuesto estima automáticamente los diferentes tonos de piel y estratifica su evaluación, para saber cómo están constituidos los datasets utilizados para entrenar los modelos y cómo estos se desempeñan ante distintos tonos de piel. De esta manera, el equipo espera contribuir en la visibilización de sesgos en Machine Learning y medicina, y así disminuir sesgos en imágenes dermatológicas, tanto en el ámbito académico como en el entrenamiento de sistemas de IA.

A medida que la adopción de la IA aumenta rápidamente es fundamental que la ética en materia de inteligencia artificial avance de las teorías abstractas a las prácticas concretas. Es imperativo que la IA de hoy refleje los valores de las poblaciones para las que fue creada y que en su desarrollo participen equipos diversos de profesionales y especialistas. Esto requiere más que un simple “sentimiento” de que se puede confiar en el sistema: necesita evidencia sólida, como pruebas estandarizadas y mecanismos transparentes de presentación de informes, que nos conduzcan a sistemas transparentes y justos.

Referencias

¹ Kinyanjui, Newton M., Timothy Odonga, Celia Cintas, Noel CF Codella, Rameswar Panda, Prasanna Sattigeri, and Kush R. Varshney. “Estimating skin tone and effects on classification performance in dermatology datasets.” NeurIPS 2019 Workshop on Fair ML for Health. arXiv preprint arXiv:1910.13268 (2019). https://arxiv.org/abs/1910.13268

² Kinyanjui, Newton M., Timothy Odonga, Celia Cintas, Noel CF Codella, Rameswar Panda, Prasanna Sattigeri, and Kush R. Varshney. “Fairness of Classifiers Across Skin Tones in Dermatology.” In International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 320-329. Springer, Cham, 2020. https://link.springer.com/chapter/10.1007/978-3-030-59725-2_31

³ Tadesse ,A. G, Kim ,H., Daneshjou ,R., Cintas ,C., Varshney ,K., Adelekun, A., Lipoff ,J., Onyekab, G., Rotemberg, V., Zou, J. Automated Evaluation of Representation in Dermatology Educational Materials. In AAAI 2021 Workshop: Trustworthy AI for Healthcare. https://taih20.github.io/papers/11/CameraReady/AAAI_2021_Trustworthy_camera_ready.pdf

Modelos moleculares integrales en inmunología para apoyar a los médicos en tratamientos personalizados

María Rodríguez Martínez, Líder Técnica de Biología de Sistemas Computacionales, IBM Research Zurich.

La respuesta inmunitaria es un proceso adaptativo que implica complejas respuestas a diferentes escalas para impedir el crecimiento de los patógenos invasores. El objetivo es crear una respuesta eficaz en el menor tiempo posible. Investigadores de IBM Research están trabajando en la creación de modelos personalizados y multiescala del sistema inmunutario. Con ese fin, utilizan una combinación de métodos de modelaje determinísticos, estocásticos y de inteligencia artificial. Estos modelos híbridos  permiten predecir como los receptores de las células del sistema inmunitario se acoplan a los antígenos, así como las interacciones celulares y sistémicas que se activan a raíz de la detección de un antígeno.


Tales simulaciones in silico -es decir, simulación computacional- de la respuesta inmunitaria son reproducibles, de manera rápida y a bajo costo, y pueden ayudar a entender mejor los mecanismos detrás de trastornos autoinmunes, así como, facilitar la optimización de inmunoterapias más efectivas para pacientes con cáncer. Otros beneficios incluyen el desarrollo de vacunas, la optimización de tests serológicos y una comprensión más profunda del sistema inmunitario.

En la actualidad, uno de los proyectos en los que trabaja uno de los equipos de IBM Research está relacionado con el modelaje estocástico multiescala del desarrollo y maduración de las células B, también conocidas como linfocitos B. Estas son células tienen la función clave de generar anticuerpos, que son esenciales para eliminar patógenos.

En la superficie de un linfocito B pueden encontrarse cientos de miles de receptores para antígenos. Las células B proliferan en compartimientos especializados de los órganos secundarios del sistema linfático llamados centros germinales. Los investigadores de IBM buscan simular la evolución de las células B a través de árboles filogenéticos.

Otro proyecto se ocupa en dilucidar detalles sobre la unión de antígenos y receptores en las células T, las cuales se especializan en reconocer selectivamente a antígenos extraños. El modelo calcula la probabilidad de unión entre antígeno y receptor, y tiene la peculiaridad de ser interpretable, lo cual es posible gracias a mecanismos de atención incorporados en un modelo de redes neuronales (Deep Learning).

La interpretabilidad es una característica esencial y no siempre presente en estos tipos de modelos. Muy al contrario, a menudo se comportan como cajas negras que no permiten acceder a información sobre el modo en el que han llegado a una conclusión o resultado. Para su uso en la investigación biomedica, sin embargo, la interpretabilidad, o sea la transparencia de los modelos, es imprescindible.

Resumiendo: su trabajo en el modelaje -y en un futuro el diseño- de la respuesta inmunitaria se basa en modelos híbridos que incorporan varias escalas y diferentes métodos, incluyendo modelos de Deep Learning. Esta investigación tiene el potencial de contribuir a un mejor entendimiento del sistema inmunitario en general y podría ayudar al desarrollo de vacunas y de terapias personalizadas para diferentes enfermedades.

Referencias:

1. Pélissier, Aurélien, et al. Cells (2020). https://www.mdpi.com/2073-4409/9/6/1448
2.  J. . Born et al, iScience, 2021. https://www.sciencedirect.com/science/article/pii/S2589004221002376
3. https://www.zurich.ibm.com/compsysbio/software.html
4. https://github.com/IBM/depiction