En un análisis publicado en Cancers, los investigadores señalaron que esta clase emergente de IA ofrece una forma innovadora de utilizar enormes conjuntos de datos para ayudar a descubrir las complejas causas de enfermedades como el cáncer y mejorar sus estrategias de tratamiento.
"Esto fomenta una nueva era en el diseño de algoritmos de IA dirigidos e informados para resolver problemas científicos, comprender mejor las enfermedades y guiar la medicina individualizada", afirma el autor principal y coinventor Ph.D. Hu Li, investigador de biología de sistemas e investigador de IA en Mayo Clinic en el Departamento de Farmacología Molecular y Terapéutica Experimental. "Esto tiene el potencial de descubrir la información perdida por la IA convencional."
La IA convencional se utiliza principalmente en tareas de clasificación y reconocimiento, como en el reconocimiento facial y en la clasificación por imágenes en el diagnóstico clínico, y se ha aplicado cada vez más a tareas generadoras como, por ejemplo, en la creación de textos similares a los de un humano. Los investigadores observaron que los algoritmos de aprendizaje convencionales a menudo no incorporan el conocimiento científico o las hipótesis existentes. En cambio, estos algoritmos dependen en gran medida de grandes conjuntos de datos imparciales que, a su vez, pueden ser difíciles de obtener.
Según el Dr. Li, esta limitación restringe considerablemente la flexibilidad de los métodos de IA y sus usos en áreas que requieren descubrimiento de conocimiento, como la medicina.
La IA es una herramienta valiosa para identificar patrones en conjuntos de datos grandes y complejos, como los empleados en la investigación del cáncer. El desafío central en la utilización de la IA convencional ha sido maximizar la información incorporada en estos conjuntos de datos.
Con la IA impulsada por hipótesis, los investigadores buscan encontrar formas de incorporar la comprensión de una enfermedad, por ejemplo, integrando variantes genéticas patógenas conocidas e integrando interacciones entre ciertos genes en el cáncer en el diseño del algoritmo de aprendizaje. Esto permitirá a los investigadores y clínicos determinar qué componentes contribuyen al rendimiento del modelo y, en consecuencia, a la mejora de la interpretabilidad. Además, esta estrategia puede abordar cuestiones relacionadas con los conjuntos de datos y promover nuestro enfoque en cuestiones científicas abiertas.
"Esta nueva clase de IA abre una nueva vía para una mejor comprensión de las interacciones entre el cáncer y el sistema inmunológico y es muy prometedora no solo para probar hipótesis médicas, sino también para predecir y explicar cómo responderán los pacientes a las inmunoterapias", explica el Ph.D. Daniel Billadeau, profesor del Departamento de Inmunología de Mayo Clinic. Billadeau es coautor y co-inventor del estudio y tiene un interés de larga data en la investigación sobre la inmunología del cáncer.
El equipo de investigación dice que la IA basada en hipótesis se puede utilizar en todo tipo de aplicaciones de investigación del cáncer, incluida la clasificación de tumores, la estratificación de pacientes, el descubrimiento de genes del cáncer, la predicción de la respuesta a los medicamentos y la organización espacial del tumor.
El Dr. Li señala que la desventaja de esta herramienta es que la creación de este tipo de algoritmos requiere experiencia y conocimiento especializado, lo que puede limitar su amplia accesibilidad. También hay potencial para la construcción de sesgos. Ellos afirman que los investigadores deben tener esto en cuenta al aplicar las diferentes piezas de la información. Además, los investigadores a menudo tienen un campo de aplicación limitado y no formularán todos los escenarios posibles, lo que podría perder algunas relaciones impredecibles y críticas.
"Sin embargo, la IA impulsada por hipótesis facilita las interacciones activas entre los expertos humanos y la IA, lo que alivia las preocupaciones de que la IA eventualmente eliminará ciertos trabajos", dice el Dr. Li.
Debido a que la IA impulsada por hipótesis aún se encuentra en su fase inicial, aún quedan preguntas como la mejor manera de integrar el conocimiento y la información biológica para minimizar los sesgos y mejorar la interpretación. El Dr. Li dice que, a pesar de los desafíos, la IA impulsada por hipótesis está un paso por delante.
Redacción MD