Un nuevo artículo publicado por el destacado especialista australiano en ética de la IA Stefan Harrer PhD propone por primera vez un marco ético completo para el uso, diseño y gobernanza responsables de las aplicaciones de la IA Generativa en la asistencia sanitaria y la medicina.

El estudio, revisado por expertos y publicado en la revista eBioMedicine de The Lancet, detalla cómo los Modelos Lingüísticos Amplios (LLM por sus siglas en inglés) tienen el potencial de transformar fundamentalmente la gestión de la información, la educación y los flujos de trabajo de comunicación en la asistencia sanitaria y la medicina, pero siguen siendo uno de los tipos de IA más peligrosos e incomprendidos.

«Los LLM solían ser aburridos y seguros. Ahora son emocionantes y peligrosas», afirma Harrer, que también es Director de Innovación del Centro de Investigación Cooperativa en Salud Digital (DHCRC), uno de los principales financiadores australianos de la investigación y el desarrollo en salud digital, y miembro de la Coalición por la Inteligencia Artificial en Salud (CHAI).

Los LLM son un componente clave de las aplicaciones de IA generativa para crear nuevos contenidos, como texto, imágenes, audio, código y vídeos, en respuesta a instrucciones textuales. Entre los ejemplos más destacados analizados en el estudio en relación con los principios éticos de diseño, publicación y uso, así como con su rendimiento, figuran el chatbot ChatGPT de OpenAI, el chatbot Med-PALM de Google, el generador de imágenes Stable Diffusion de Stability AI y el bot BioGPT de Microsoft.

El estudio destaca y explica muchas aplicaciones clave para la atención sanitaria:

• ayudar a los clínicos a generar informes médicos o cartas de autorización previa;
• ayudar a los estudiantes de medicina a estudiar de forma más eficiente
• simplificar la jerga médica en la comunicación médico-paciente;
• aumentar la eficiencia del diseño de ensayos clínicos
• ayudar a superar los obstáculos de interoperabilidad y normalización en la extracción de HCE;
• aumentar la eficacia de los procesos de descubrimiento y diseño de fármacos.

Sin embargo, el artículo también destaca que el peligro inherente de la IA generativa impulsada por LLM, derivado de la capacidad de los LLM para producir y difundir de forma autoritaria y convincente contenidos falsos, inapropiados y peligrosos a una escala sin precedentes, se está marginando cada vez más en un bombo publicitario en torno a la última generación de potentes chatbots LLM.

El Dr. Harrer sostiene que las limitaciones de los LLM son sistémicas y tienen su origen en su falta de comprensión del lenguaje.

«La esencia de una recuperación eficaz del conocimiento es formular las preguntas adecuadas, y el arte del pensamiento crítico se basa en la capacidad de sondear las respuestas evaluando su validez con respecto a los modelos del mundo. Los LLM no pueden realizar ninguna de estas tareas. Son intermedios que pueden reducir la inmensidad de todas las respuestas posibles a una pregunta a las más probables, pero son incapaces de evaluar si la pregunta o la respuesta tienen sentido o son contextualmente apropiadas», afirma Harrer.

Por tanto, sugiere que aumentar el tamaño de los datos de entrenamiento y construir LLM cada vez más complejos no mitigará los riesgos, sino que los amplificará. El estudio propone enfoques alternativos para (re)diseñar éticamente las aplicaciones generativas de IA, configurar los marcos normativos y dirigir los esfuerzos de investigación técnica a explorar métodos de aplicación y cumplimiento de los principios éticos de diseño y uso.

El Dr. Añade que, sin supervisión humana, orientación, diseño y funcionamiento responsables, las aplicaciones de IA generativa impulsadas por LLM seguirán siendo una fuente con gran potencial para crear y difundir desinformación o contenidos nocivos e inexactos a una escala sin precedentes.

«El DHCRC desempeña un papel fundamental a la hora de llevar la IA ética a la práctica», ha declarado Annette Schmiede, directora general del DHCRC. «Existe un entusiasmo renovado por el papel de la IA generativa en la transformación de la asistencia sanitaria y nos encontramos en un punto de inflexión en el que la IA empezará a integrarse cada vez más en el ecosistema de la sanidad digital. Estamos en primera línea y marcos como el esbozado en este documento se convertirán en fundamentales para garantizar un uso ético y seguro de la IA.»

«La IA ética requiere un enfoque de ciclo de vida, desde la curación de datos hasta la prueba de modelos y la supervisión continua. Sólo con las directrices y barandillas correctas podemos asegurar que nuestros pacientes se beneficien de las tecnologías emergentes al tiempo que minimizamos los sesgos y las consecuencias no deseadas», dijo John Halamka, M.D., M.S, Presidente de Mayo Clinic Platform y cofundador de CHAI.

«Este estudio proporciona una importante orientación ética y técnica a los usuarios, desarrolladores, proveedores y reguladores de la IA generativa y los incentiva a prepararse de manera responsable y colectiva para el papel transformador que esta tecnología podría desempeñar en la salud y la medicina», dijo Brian Anderson, M.D., Médico Jefe de Salud Digital en MITRE.

Mayo 15/2023 (EurekaAlerts!) – Tomado de News Releases  Copyright 2023 by the American Association for the Advancement of Science (AAAS).

Tres estudiantes de secundaria -Andrea Olsen, de Oslo (Noruega); Zachary Harpaz, de Boca Ratón (Florida); y Chris Ren, de Shanghai (China)- son coautores de un artículo en el que utilizan un motor de inteligencia artificial (IA) generativa para el descubrimiento de dianas de Insilico Medicine («Insilico») llamado PandaOmics con el fin de identificar nuevas dianas terapéuticas para el glioblastoma multiforme (GBM). El GBM es el tumor cerebral maligno más agresivo y frecuente, y representa el 16% de todos los tumores cerebrales primarios. Los resultados se publicaron el 26 de abril en la revista Aging.

Los investigadores utilizaron PandaOmics para examinar conjuntos de datos del repositorio Gene Expression Omnibus, mantenido por el Centro Nacional de Información Biotecnológica. Identificaron tres genes fuertemente correlacionados tanto con el envejecimiento como con el glioblastoma multiforme y que podrían servir como posibles dianas terapéuticas para nuevos fármacos.

Aunque parecería haber una conexión clara entre el envejecimiento y el cáncer, Olsen dice que sus hallazgos fueron más matizados. «A veces, en lugar de envejecer, el cuerpo cambia a mecanismos cancerígenos, lo que fue realmente interesante de descubrir». Su hipótesis es que «el cuerpo intenta preservarse de una forma que vuelve a los procesos embrionarios de división celular». El GBM está causado por una mutación genética que provoca el crecimiento descontrolado de las células gliales, o células que rodean a las neuronas en el cerebro. Incluso con las terapias existentes, la supervivencia media de los pacientes con GBM es de sólo 15 meses.

Los resultados del proyecto del glioblastoma fueron presentados en la conferencia Aging Research and Drug Discovery (ARDD) de Copenhague, espacio en el que los tres adolescentes crearon la Youth Longevity Association (TYLA).

«Seleccionamos los genes que se superponían para estar altamente correlacionados en 11 de los 12 conjuntos de datos, y dividimos nuestros datos en grupos de jóvenes, de mediana edad y de ancianos», dijo Harpaz. «Lo relacionamos con la importancia de la expresión génica para la supervivencia». Tras identificar dos dianas genéticas para el glioblastoma y el envejecimiento -CNGA3 y GLUD1-, cruzaron sus hallazgos con otros anteriores de Insilico en torno a genes fuertemente correlacionados con el envejecimiento e identificaron una tercera diana: SIRT1.

«Aprendí mucho sobre la realización de un proyecto de investigación», afirma Ren, que ayudó a revisar las tres dianas. «La plataforma PandaOmics hizo que el proyecto fuera realmente accesible para mí. Como estudiante de segundo de bachillerato, no tenía experiencia suficiente para la investigación y el análisis avanzados, sin embargo, pude navegar por la plataforma PandaOmics tras un breve periodo de formación para procesar y comparar conjuntos de datos de glioblastoma.»

Los estudiantes dicen que están ansiosos por continuar sus estudios en IA y biología en la universidad y avanzar en la investigación del GBM desde el descubrimiento de objetivos hasta el desarrollo de fármacos.

La mejor manera de llevar esta investigación más allá va a ser utilizando el software Chemistry42 de Insilico, donde podemos tomar los objetivos que identificamos a través de PandaOmics y generar pequeñas moléculas, fármacos potenciales, con estos objetivos que tienen el potencial de tratar el glioblastoma y el envejecimiento al mismo tiempo, dice Harpaz.

Antes de sus prácticas en Insilico, Olsen afirma: «Nunca supe que la IA pudiera ser tan útil para encontrar dianas terapéuticas completamente nuevas. Para mí fue una oportunidad increíble de sumergirme en el campo de la investigación, el envejecimiento, la longevidad y la neurociencia».

«Estoy realmente impresionado por el compromiso de estos jóvenes investigadores», afirma Zhavoronkov, CEO y fundador de Insilico Medicine. «Espero que su trabajo inspire a otros jóvenes entusiasmados por la ciencia y la tecnología a estudiar cómo pueden utilizar herramientas de IA para descubrir nuevas dianas y tratamientos tanto para el envejecimiento como para las enfermedades.»

Sobre Insilico Medicine: 

Insilico Medicine, es una empresa de descubrimiento de fármacos de extremo a extremo impulsada por inteligencia artificial (IA) en fase clínica. Conecta la biología, la química y el análisis de ensayos clínicos mediante sistemas de IA de nueva generación. La empresa ha desarrollado plataformas de IA que utilizan modelos generativos profundos, aprendizaje por refuerzo, transformadores y otras técnicas modernas de aprendizaje automático para descubrir nuevas dianas y diseñar nuevas estructuras moleculares con las propiedades deseadas. Insilico Medicine ofrece soluciones revolucionarias para descubrir y desarrollar fármacos innovadores contra el cáncer, la fibrosis, la inmunidad, el sistema nervioso central (SNC) y las enfermedades relacionadas con el envejecimiento.

Para más información, visite www.insilico.com

Mayo 02/2023 (EurekaAlerts!) – Tomado de News Releases Copyright 2023 by the American Association for the Advancement of Science (AAAS).

Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator

La secuenciación metagenómica (mNGS) es una poderosa herramienta de diagnóstico para detectar patógenos causantes en pruebas microbiológicas clínicas. La clasificación rápida y precisa de las secuencias metagenómicas es un procedimiento crítico para la identificación de patógenos en el paso de laboratorio seco de las pruebas mNGS. Sin embargo, este paso crucial puede mejorarse clasificando las secuencias en un plazo clínicamente relevante.

Para hacer frente a este reto, un equipo de BGI Genomics dirigido por Xuebin Wang ha lanzado recientemente GPMeta, un método ultrarrápido de detección de patógenos, y ha publicado estos aspectos destacados en Briefings in Bioinformatics.

GPMeta puede identificar patógenos de forma rápida y precisa a través de datos de secuenciación mNGS complejos y masivos. Utilizando conjuntos de datos simulados y conjuntos de datos de secuenciación metagenómica de muestras clínicas, los resultados se compararon con herramientas utilizadas por la comunidad de investigadores bioinformáticos como Bowtie2, Bwa, Kraken2 y Centrifuge.

Los resultados muestran que GPMeta no sólo tiene una mayor precisión, sino que también exhibe una velocidad con un incremento de velocidad significativo. Además, GPMeta ofrece un algoritmo de agrupamiento GPMetaC, un modelo estadístico para agrupar y volver a puntuar alineaciones ambiguas con el fin de mejorar la discriminación de secuencias altamente homólogas de genomas microbianos con una identidad nucleotídica media >95%. Estos resultados subrayan el papel clave de GPMeta en el desarrollo de la prueba mNGS en enfermedades infecciosas que requieren tiempos de respuesta rápidos.

Antecedentes

La detección más rápida y temprana de los patógenos causantes es fundamental para una terapia antibiótica precisa en lugar de un tratamiento empírico. Puede detectar simultáneamente casi todos los microorganismos patógenos nuevos y conocidos en el cuerpo del paciente en una sola prueba y tiene enormes aplicaciones potenciales en el diagnóstico de infecciones.

La detección de mNGS consta de dos componentes: las manipulaciones experimentales en laboratorio húmedo, que incluyen el preprocesamiento de muestras clínicas, la extracción de ácido nucleico total, la preparación de bibliotecas y la secuenciación, y el análisis bioinformático en laboratorio seco, que incluye el preprocesamiento de datos de secuenciación brutos, la eliminación de secuencias de huéspedes humanos, la alineación de secuencias con la base de datos curada de patógenos y la clasificación taxonómica de secuencias microbianas.

El análisis bioinformático es el último paso crucial en la detección de mNGS, que debe completarse con rapidez y precisión para acelerar todo el proceso de detección. Sin embargo, existe una necesidad urgente de nuevas estrategias para acelerar el análisis bioinformático de la identificación de patógenos.

Para hacer frente a este reto, GPMeta utiliza un esquema de índice hash sucinto y admite múltiples GPU para llevar a cabo en bases de datos divididas de forma simultánea, lo que satisface una necesidad creciente de la capacidad para hacer frente a un número cada vez mayor de genomas microbianos.

En el conjunto de datos de 25 millones de lecturas, GPMeta y GPMetaC sólo necesitan menos de 3 minutos para completar todo el análisis de detección.

En el conjunto de datos de 110 millones de lecturas (volumen de datos de detección mNGS convencional), GPMeta y GPMetaC sólo necesitan 4 minutos para completar todo el análisis de detección.

Cuando se aplicó a la biblioteca completa de patógenos de 190Gb, GPMeta y GPMetaC la aceleraron 39-50 y 12-35 veces respectivamente en comparación con Bwa y Bowtie2.

La detección completa y el análisis GPMeta son 18 veces y 12 veces más rápidos que Bwa y Bowtie2 respectivamente.

GPMeta admite múltiples GPUs para realizar el alineamiento y la clasificación taxonómica de secuencias microbianas en bases de datos divididas simultáneamente y fusiona automáticamente los resultados de múltiples sub-bases de datos, lo que resulta significativo para mantenerse al día con la rápida expansión de la base de datos de genomas microbianos. Para sacar el máximo partido de GPMeta, es necesario estudiar más a fondo cómo integrarla mejor y con mayor facilidad en las prácticas clínicas.

Abril 26/2023 (EurekaAlert!) – Tomado de News Releases  Copyright 2023 by the American Association for the Advancement of Science (AAAS) 

Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator

Durante la formación de los cirujanos, es necesaria la intervención y supervisión se médicos más experimentados que les orienten sobre la correcta utilización de las técnicas.  Esto podría cambiar gracias a un nuevo sistema de inteligencia artificial desarrollado por investigadores de Caltech y urólogos del Keck Medicine of USC que pretende proporcionar a los cirujanos información valiosa sobre la calidad de su trabajo.

El objetivo de este nuevo Sistema de Inteligencia Artificial Quirúrgica (SAIS) es proporcionar a los cirujanos evaluaciones objetivas de su rendimiento que puedan mejorar su trabajo y, por extensión, los resultados de sus pacientes. Cuando se le proporciona un vídeo de una intervención quirúrgica, SAIS puede identificar qué tipo de cirugía se está realizando y la calidad con la que la ha ejecutado un cirujano.

El sistema se presentó a través de una serie de artículos en las revistas Nature Biomedical Engineering, Digital Medicine y Communications Medicine, publicados simultáneamente a finales de marzo de 2023.

«En entornos de alto riesgo como la cirugía robótica, no es realista que la IA sustituya a los cirujanos humanos a corto plazo», afirma Anima Anandkumar, catedrática Bren de Informática y Ciencias Matemáticas y autora principal de los estudios. «En su lugar, nos preguntamos cómo la IA puede mejorar de forma segura los resultados quirúrgicos para los pacientes, y de ahí, nuestro enfoque en hacer que los cirujanos humanos sean mejores y más eficaces a través de la IA».

SAIS se entrenó utilizando un gran volumen de datos de vídeo anotados por profesionales médicos. La actuación de los cirujanos se evaluó hasta el nivel de los movimientos individuales discretos, es decir, sujetar una aguja, clavarla en el tejido y retirarla del tejido. Tras la formación, se encargó a SAIS que revisara y evaluara la actuación de los cirujanos durante una amplia gama de procedimientos utilizando vídeos de diversos hospitales.

«SAIS tiene el potencial de proporcionar a los cirujanos información precisa, coherente y escalable», afirma Dani Kiyasseh, autor principal de los estudios, antiguo investigador postdoctoral en Caltech y ahora ingeniero sénior de IA en Vicarious Surgical. Según los investigadores, se espera que SAIS proporcione a los cirujanos orientación sobre las habilidades que deben mejorar.

Para que la herramienta sea más útil para los cirujanos, el equipo ha desarrollado la capacidad de la IA para justificar sus evaluaciones. Ahora, la IA puede informar a los cirujanos sobre su nivel de destreza y proporcionarles información detallada sobre los motivos que le han llevado a realizar esa evaluación señalando vídeos concretos.

«Hemos podido demostrar que las explicaciones de la IA coinciden a menudo con las que habrían dado los cirujanos», afirma Kiyasseh. «Las explicaciones fiables basadas en IA pueden allanar el camino para proporcionar retroalimentación cuando los cirujanos colegas no están disponibles de inmediato».

Al principio, los investigadores que probaron SAIS observaron que el sistema adolecía de un sesgo involuntario, ya que a veces la IA calificaba a los cirujanos como más o menos hábiles de lo que indicaría su experiencia, basándose únicamente en el análisis de sus movimientos generales. Para resolver este problema, los investigadores guiaron el sistema de IA para que se centrara exclusivamente en los aspectos pertinentes del vídeo quirúrgico. Este enfoque mitigó, aunque no eliminó, el sesgo, que los investigadores siguen estudiando.

«En la actualidad, la información quirúrgica derivada de los humanos no es objetiva ni escalable», afirma Andrew Hung, urólogo de la Facultad de Medicina Keck de la USC y profesor asociado de urología de dicha facultad. «La información derivada de la IA, como la que ofrece nuestro sistema, representa una gran oportunidad para proporcionar a los cirujanos información práctica».

Abril 20/2023 (MedicalXpress) – Tomado de Surgery – Health Informatics https://medicalxpress.com/news/2023-04-ai-tool-surgeon.html Copyright Medical Xpress 2011 – 2023 powered by Science X Network.

Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator

Investigadores de la Universidad de Finlandia Oriental, la Universidad de Turku y la Universidad de Tampere han desarrollado un método basado en inteligencia artificial para la tinción virtual de muestras de tejido histopatológico como parte del consorcio nórdico ABCAP. La tinción química ha sido la piedra angular del estudio de la histopatología durante más de un siglo y se aplica ampliamente, por ejemplo, en el diagnóstico del cáncer.

«La tinción química hace visible la morfología de las secciones de tejido casi transparentes y de bajo contraste. Sin ella, analizar la morfología de los tejidos es casi imposible para la visión humana. La tinción química es irreversible y, en la mayoría de los casos, impide utilizar la misma muestra para otros experimentos o mediciones», explica la investigadora universitaria y vicedirectora del Instituto de Biomedicina de la Universidad de Finlandia Oriental Leena Latonen, que dirigió la parte experimental del estudio.

El método de inteligencia artificial desarrollado en este estudio produce imágenes computacionales que se asemejan mucho a las producidas por el proceso real de tinción química. Esta imagen teñida virtualmente puede utilizarse para inspeccionar la morfología de los tejidos. La tinción virtual reduce tanto la carga química como el trabajo manual necesario para el procesamiento de las muestras, al tiempo que permite utilizar el tejido para otros fines distintos de la propia tinción.

El punto fuerte del método de tinción virtual propuesto es que no requiere ningún hardware o infraestructura especial más allá de un microscopio óptico normal y un ordenador adecuado.

«Los resultados son muy aplicables. Quedan muchos temas por investigar y los métodos computacionales aún pueden mejorarse. Sin embargo, ya podemos vislumbrar varias áreas de aplicación en las que la tinción virtual puede tener un gran impacto en la histopatología», afirma el profesor asociado Pekka Ruusuvuori, de la Universidad de Turku, que dirigió la parte computacional del estudio.

Investigación pionera con financiación internacional

Uno de los factores clave que hicieron posible el estudio fue la financiación del consorcio obtenida de la convocatoria transnacional conjunta ERAPerMed. El consorcio ABCAP está formado por grupos de investigación nórdicos que desarrollan diagnósticos del cáncer de mama basados en inteligencia artificial con vistas a la medicina personalizada, y está financiado por ERAPerMed, la Unión Nórdica del Cáncer y la Academia de Finlandia. Tanto Latonen como Ruusuvuori dirigen sus propios subproyectos.

«Esta investigación es verdaderamente interdisciplinar. Sin la financiación del consorcio, sería muy difícil encontrar recursos suficientes tanto para el trabajo experimental de laboratorio como para el esfuerzo computacional que permiten estudios como éste», reconocen Ruusuvuori y Latonen.

Esta investigación interdisciplinar se basa en conocimientos de biología tisular, procesos histológicos, informática de bioimágenes e inteligencia artificial. La primera parte del estudio en dos fases se centró en la optimización de los pasos de procesamiento de muestras de tejidos y obtención de imágenes, y corrió a cargo de la investigadora doctoral Sonja Koivukoski, de la Universidad de Finlandia Oriental. La evaluación sistemática de la viabilidad histológica fue un componente único del estudio.

«El desarrollo de métodos computacionales mediante inteligencia artificial carece a menudo de una evaluación adecuada de la viabilidad desde la perspectiva del usuario final. Esto puede llevar a que se desarrollen y publiquen métodos que finalmente no se utilizan realmente en la práctica. Por tanto, es especialmente importante combinar los conocimientos computacionales y los basados en el dominio ya en la fase de desarrollo, como se hizo en nuestro estudio», afirman Latonen y Koivukoski.

Gran potencial de los métodos computacionales

Las redes neuronales profundas que aprenden a partir de grandes volúmenes de datos han transformado rápidamente el campo del análisis biomédico de imágenes. Además de las tareas tradicionales de análisis de imágenes, como su interpretación, estos métodos también son muy adecuados para las transformaciones de imagen a imagen. La tinción virtual es un ejemplo de este tipo de tareas, como se demostró con éxito en las dos partes publicadas del trabajo. La segunda parte se centró en la optimización de la tinción virtual basada en redes neuronales generativas adversariales, con el investigador doctoral Umair Khan, de la Universidad de Turku, como desarrollador principal.

«Las redes neuronales profundas son capaces de rendir a un nivel que no éramos capaces de imaginar hace un tiempo. La tinción virtual basada en inteligencia artificial puede tener un gran impacto hacia un procesamiento de muestras más eficiente en histopatología», afirma Khan.

Además de los algoritmos de inteligencia artificial, la clave del éxito fue la disponibilidad de servicios informáticos de alto rendimiento a través del CSC.

«En Finlandia tenemos una infraestructura excelente para la computación paralela de alto rendimiento. Una investigación de alta carga computacional como ésta no sería posible sin la capacidad que ofrece el CSC», afirma Ruusuvuori.

Los resultados del estudio se publicaron en dos revistas internacionales revisadas por pares, Laboratory Investigation y Patterns.

Abril 14/2023 (EurekAlert!) – Tomado de la Selección de Medicine and Health. Copyright 2023 by the American Association for the Advancement of Science (AAAS). Traducido al español por DeepL Traductor. Copyright 2023 DeepL.

Los investigadores estadounidenses David Baker y John Jumper y el británico Demis Hassabis, que han revolucionado el estudio y el diseño de proteínas con inteligencia artificial (IA), han sido galardonados con el Premio Fronteras del Conocimiento de la Fundación BBVA en la categoría de Biología y Biomedicina. Read more