Conexiones de IA superpuestas sobre redes neuronales del cerebro humano

Un grupo de investigadores de la Universidad de Stanford ha presentado un modelo de aprendizaje automático, en inglés Maching Learning (ML), que predice respuestas inmunológicas de nuestros organismos.

El aprendizaje automático es una rama de la inteligencia artificial, cuyo propósito es desarrollar técnicas de enseñanza para que dispositivos inteligentes puedan aprender de forma espontánea.

¿Cómo?, educando a través del ejemplo. Tal cual, cómo nos educaron nuestros padres, es decir, en un aprendizaje extendido, enseñándonos de todo un poco, hasta volverlo un patrón de conducta.

¿En qué consiste el modelo de ML desarrollado por la Universidad de Stanford?

Un quipo conformado por 27 investigadores de la Facultad de medicina de Stanford, usó como base la red celular humana, bajo la idea de obtener información de nuestro sistema inmune que pudiera ser comprensible. Al respecto, en la página oficial de la Universidad se lee lo siguiente:

“La densa red de respuestas de señalización celular interconectadas cuantificables en las células inmunitarias periféricas proporciona una gran cantidad de información inmunológica procesable”

Asimismo, hacen alusión a que actualmente son muchos los avances en materia de citometría. Sin embargo, “la amplia dimensión de los datos aumentan la posibilidad de descubrimientos de falsos positivos y sobreajuste del modelo”.

En vista de ello, decidieron introducir un algoritmo de aprendizaje automático, el Elastic-Net inmunológica (iEN), cuyo patrón principal gira en torno al sistema inmunológico. Esta característica hará del ‘conjunto de instrucciones’, un modelo capaz de prever cambios en la red celular estudiada.

¿Cuál es la ventaja de este modelo? ¿Por qué es tan importante? Al respecto, parte del equipo de investigación comunicó:

“Una ventaja clave de nuestro método es que no limita la naturaleza basada en datos de los modelos. En los casos en los que los datos recopilados no están de acuerdo con el conocimiento previo, nuestro algoritmo puede reducir la importancia del conocimiento previo y, en cambio, centrarse en los datos sin procesar, si esa resulta ser la solución más fuerte”.

¿Cómo se probó la efectividad del modelo de aprendizaje automático?  

El grupo de investigación realizó un total de tres prácticas para probar la efectividad del modelo de ML. Uno independiente del otro. El resultado fue satisfactorio, pues, el algoritmo podía “predecir resultados clínicamente relevantes a partir de la sangre de los pacientes”.

En una de las pruebas, se pudo identificar biomarcadores fetales en un análisis de embarazo “a término longitudinal”.

Por otro lado, se realizó un estudio de clasificación. Este estuvo orientado al modelado de pacientes, técnica de aprendizaje espontáneo.

A partir de aquí, haciendo uso del computador, pudieron utilizar ‘datos artificiales’ para compararlos con registros de “citometría de masas en entornos clínicos grandes” con el modelo de aprendizaje automático.

Este modelo de ML no es el único que piensa desarrollar el equipo de investigadores de Standford. Aghaeepour, uno de los desarrolladores del algoritmo, dijo que están trabajando en otros proyectos, los cuales pueden ser “aplicables a otros tipos de conjuntos de datos biológicos”.

Por ahora, solo nos queda esperar por otro proyecto similar, puede que no sea por mucho tiempo. Pues, la Universidad de Stanford va de la mano con el auge tecnológico. Para muestra, recientemente en alianza con Samsung, presentó una innovadora pantalla que facilita la VR.