Juan Barrios Arce, Médico especialista en Informática médica

En un mundo donde estamos viviendo el hecho de que las máquinas estén superando  a los médicos y otros profesionales en tareas especializadas, se plantea la pregunta: ¿ En realidad está ocurriendo  ? ¿qué significa esto para la humanidad y nuestra relación con la inteligencia artificial? Este artículo explora el asombroso potencial y los dilemas éticos de las Redes Neuronales Generativas y su aplicación en medicina y otros campos, desafiándonos a repensar nuestra posición en la era de la IA.

I. Redes Neuronales Generativas (GAN´s)

  1. ¿Qué son las Redes Neuronales Generativas?

Las redes neuronales generativas son un tipo de modelo de aprendizaje profundo que tiene como objetivo generar datos realistas y de alta calidad a partir de un conjunto de datos de entrenamiento. Estos modelos están diseñados para aprender patrones y características subyacentes en los datos de entrada y producir nuevas muestras que sean similares en estructura y contenido a las muestras originales. Las RNG son ampliamente utilizadas en una variedad de aplicaciones, incluyendo la generación de imágenes, texto, sonido y vídeo.

  1. Tipos de Redes Neuronales Generativas

Existen varios tipos de RNG, cada uno con sus propias características y aplicaciones. Algunos de los tipos más populares de RNG incluyen:

a. Generative Adversarial Networks (GANs): Estos modelos consisten en dos redes neuronales, una generadora y otra discriminadora, que trabajan juntas en un proceso de competición y colaboración. La red generadora crea muestras sintéticas, mientras que la red discriminadora intenta distinguir entre las muestras reales y las generadas. A través de este proceso, las GANs pueden generar datos de alta calidad y realismo.

b. Variational Autoencoders (VAEs): Los VAEs son una combinación de autoencoders y técnicas de inferencia variacional. Aprenden una representación compacta y probabilística de los datos de entrada y pueden generar muestras nuevas a partir de esta representación. Los VAEs son útiles para la generación de datos, la compresión y la reducción de dimensionalidad.

c. Restricted Boltzmann Machines (RBMs): Las RBMs son un tipo de red neuronal generativa que utiliza unidades estocásticas para aprender una representación probabilística de los datos de entrada. Aunque no son tan populares como las GANs o los VAEs en la actualidad, han sido fundamentales en el desarrollo de técnicas de aprendizaje profundo y siguen siendo utilizadas en ciertas aplicaciones.

  1. Aplicaciones de Redes Neuronales Generativas

Las RNG han encontrado aplicaciones en una amplia gama de campos, incluyendo la generación de arte y música, el mejoramiento de imágenes y vídeos, la síntesis de voz, el modelado de lenguaje natural, la simulación de datos y la optimización de diseños. Además, las RNG también han demostrado ser valiosas en la medicina, con modelos como ChatGPT-4 superando exámenes médicos y diagnosticando enfermedades raras con alta precisión.

 

II. Aplicaciones de ChatGPT-4 en Medicina

  1. Superando exámenes médicos y diagnosticando enfermedades raras

Un ejemplo reciente del éxito de los motores de IA en medicina es ChatGPT-4, donde vemos máquinas superando a médicos  en los exámenes médicos en los Estados Unidos y demostrado ser capaz de diagnosticar enfermedades raras en segundos (Business Insider – Hilary Brueck). El Dr. Isaac Kohane, profesor de pediatría en la Escuela de Medicina de Harvard y afiliado al Laboratorio de Ciencias de la Computación del MIT, decidió evaluar el rendimiento de GPT-4 en el campo de la medicina y compartió sus hallazgos en su libro “The AI Revolution in Medicine”, coescrito con Carey Goldberg y Peter Lee, vicepresidente de investigación de Microsoft.

 

Revolución en medicina chat GPT -4 hacia el futuro

Revolución en medicina chat GPT -4 hacia el futuro

  1. Experimento clínico de chat GPT-4

Kohane relata un experimento clínico en el que proporcionó a GPT-4 información sobre un caso real de un recién nacido al que había tratado previamente. Al proporcionar a GPT-4 ecografías y análisis, el modelo fue capaz de diagnosticar correctamente una patología extremadamente rara llamada hiperplasia suprarrenal congénita, algo que él mismo habría hecho después de años de estudio y experiencia. El Dr. Kohane expresó tanto impresión como preocupación por el nivel de habilidad demostrado por GPT-4 en el diagnóstico médico poniendo sobre la mesa el reto par la humanidad que implica máquinas superando a médicos.

  1. Implicaciones éticas y profesionales

La aplicación de IA en medicina plantea preguntas éticas y profesionales, especialmente a medida que los chatbots de IA especializados en legaltech como DoNotPay superan los exámenes para ejercer la abogacía, y los abogados ven peligrar sus profesiones. Los médicos también pueden verse afectados por la creciente precisión y habilidades de las máquinas como GPT-4. ¿Qué ocurrirá cuando las tasas de error de las máquinas sean significativamente menores que las de los médicos humanos y máquinas ya estén superando a médicos? La elección entre un diagnóstico o intervención quirúrgica realizada por un médico humano o una máquina podría ser una pregunta cada vez más relevante.

  1. Reflexiones sobre la inteligencia humana frente a la IA

Algunos expertos en IA han llegado a describir a ChatGPT como “solo un loro que suelta palabras correlacionadas sin entender lo que dice”, pero si estos “loros” pueden superar a los profesionales humanos más inteligentes y capacitados, ¿qué significa esto para la humanidad? A medida que avanza la tecnología y surgen versiones aún más sofisticadas de modelos de IA como ChatGPT, es esencial reflexionar sobre cómo queremos que funcione nuestro mundo y cómo las máquinas pueden complementar y mejorar la experiencia y el conocimiento humano.

III. Precisión en las Redes Neuronales Generativas y Motores de IA

Mejoras en la precisión y eficiencia de los motores de IA

Las redes neuronales generativas han experimentado avances significativos en términos de precisión y eficiencia en los últimos años, gracias en gran parte al aprendizaje profundo y a los avances en el hardware de computación. Estas mejoras han permitido a los modelos de IA como ChatGPT-4 lograr resultados notables en tareas específicas, como el diagnóstico médico y la asesoría legal.

Evaluación de la precisión en IA

La precisión en la IA se refiere a la capacidad del modelo para generar resultados correctos y relevantes en función de los datos de entrada proporcionados. La evaluación de la precisión en los motores de IA es crucial para garantizar que las soluciones propuestas sean efectivas y confiables en situaciones del mundo real. Existen varias métricas y enfoques utilizados para medir la precisión en IA, como la tasa de error, la sensibilidad, la especificidad y el área bajo la curva ROC.

Factores que influyen en la precisión de la IA

La precisión de un modelo de IA puede verse afectada por varios factores, como la calidad y cantidad de datos utilizados para el entrenamiento, la arquitectura del modelo, los algoritmos de optimización y la capacidad de cómputo disponible. Al abordar estos factores, los investigadores pueden mejorar la precisión de los motores de IA y garantizar que sean más efectivos en la resolución de problemas y la toma de decisiones.

Retos en la mejora de la precisión de la IA

A pesar de los avances en la precisión de los motores de IA, aún existen desafíos significativos en la mejora continua de la precisión en las redes neuronales generativas. Estos desafíos incluyen la necesidad de conjuntos de datos más grandes y diversos, la comprensión y mitigación del sesgo en los modelos de IA, la mejora de la interpretabilidad y la explicabilidad de las decisiones de IA y la solución de problemas relacionados con la escalabilidad y la eficiencia energética.

IV. Mi Conclusión

Las redes neuronales generativas han demostrado un potencial significativo en una variedad de aplicaciones, incluida la medicina, donde modelos como ChatGPT-4 han logrado superar a profesionales humanos altamente capacitados en tareas de diagnóstico. A medida que la precisión de los motores de IA continúe mejorando, es esencial abordar los desafíos éticos y profesionales que surgen de la adopción generalizada de estas tecnologías en diversos campos. Además, los investigadores deben seguir abordando los desafíos técnicos y metodológicos relacionados con la precisión en las redes neuronales generativas para garantizar que la IA siga siendo una herramienta valiosa y confiable para mejorar la experiencia y el conocimiento humano.

 

Esta compilación de máquinas superando a médicos fué realizada por:  el Dr. Juan Ignacio Barrios, quién es médico y cirujano especialista en informática médica.  El Dr. Barrios Arce combina sus estudios en inteligencia artificial con su labor docente como profesor visitante en la Universidad de Barcelona donde reside actualmente.   También es faculty member de la Universidad de Rochester en los Estados Unidos.