Combinando IA y neurociencia para detectar y predecir trastornos neurológicos

En un artículo reciente publicado en la revista Sensoreslos investigadores realizan una revisión de alcance sobre la relación compartida entre la inteligencia artificial (IA) y la neurociencia, enfatizando su convergencia y posibles aplicaciones.

Los investigadores realizaron búsquedas exhaustivas en la literatura existente relevante para el objetivo de esta revisión. Como resultado, el conjunto de datos final comprendía 185 publicaciones, 173 de las cuales procedían de bases de datos científicas y las 12 restantes eran referencias de hipervínculos de Google.

Estudiar: Convergencia de la inteligencia artificial y la neurociencia hacia el diagnóstico de trastornos neurológicos: una revisión de alcance. Haber de imagen: Maxim Gaigul/Shutterstock.com

Fondo

Los principios de la neurociencia han mejorado el campo de la IA y viceversa. Por ejemplo, la neurociencia ha ayudado a los investigadores a validar modelos existentes basados ​​en IA. Asimismo, las redes neuronales biológicas han ayudado a desarrollar arquitecturas de redes neuronales profundas con varias aplicaciones, como el procesamiento de texto y el reconocimiento de voz.

Los sistemas basados ​​en IA han ayudado a los neurocientíficos a probar sus hipótesis y analizar datos de neuroimagen que, a su vez, ayudan con la predicción y el diagnóstico tempranos de trastornos psiquiátricos. Además, estos sistemas de IA establecen una interfaz con el cerebro, extraen señales neurológicas y generan comandos que ayudan a dispositivos, como brazos robóticos, a mover partes humanas paralizadas.

Los informáticos se han inspirado en el aprendizaje por refuerzo (RL) en modelos humanos y animales para desarrollar algoritmos para sistemas artificiales, lo que alivia la necesidad de instrucción explícita al aprender estrategias complejas. RL se ha integrado con éxito en varias aplicaciones de juegos y cirugía basadas en robots.

En general, debido a la capacidad de la IA para analizar datos complejos y extraer patrones ocultos, esta tecnología parece ser la opción ideal para el análisis de datos de neurociencia.

La neurociencia inspiró el diseño de sistemas de IA

Al igual que las neuronas del cerebro humano, las redes neuronales artificiales (ANN) tienen varias unidades interconectadas que funcionan en paralelo. Del mismo modo, el concepto de aprendizaje hebbiano y la estructura del cerebro ayudaron a Frank Rosenblatt a diseñar una ANN simple llamada perceptrón en la década de 1950.

Posteriormente, los científicos modificaron las redes de perceptrones para formar perceptrones multicapa (MLP). En MLP, la salida de una capa se alimenta a la siguiente capa a través de la capa oculta hasta que la última capa produce los resultados esperados.

La función de memoria de trabajo del cerebro humano inspiró a los científicos a diseñar una red neuronal recurrente (RNN). La arquitectura RNN permitió el uso de la salida anterior como entrada para predecir la salida posterior. En particular, un tipo de RNN conocido como red de memoria a corto plazo (LSTM) puede manejar dependencias a largo plazo, como las que existen en el resumen de texto.

Los científicos encontraron inspiración para las redes neuronales convolucionales (CNN) a partir de la arquitectura del flujo visual ventral del cerebro. En RL, un agente inteligente como una computadora entiende el estado del entorno para dictar la acción. Además, la computadora aprende a repetir algunas tareas en función de las recompensas y a evitar otras en función de las penalizaciones.

En RL profundo, una red neuronal proporciona un mapeo no lineal basado en descenso de gradiente entre los estados actuales del entorno y todas las acciones factibles. Aunque Deep RL ha permitido que la máquina reconozca sonidos, texto e imágenes, esta tecnología consume inmensos recursos informáticos.

Como alternativa, se están desarrollando redes neuronales de picos (SNN), ya que funcionan como neuronas biológicas y son más eficientes energéticamente. Los SNN transmiten información en forma de señal eléctrica a otra neurona artificial cuando su potencial de membrana alcanza un umbral particular.

¿Cómo se utiliza la IA para estudiar la neurociencia?

Se han desarrollado varias aplicaciones de interfaz cerebro-computadora/máquina (BCI) asistidas por IA para ayudar a las personas con trastornos neuromusculares, como parálisis cerebral o lesiones de la médula espinal. Además, la IA se ha utilizado ampliamente para controlar prótesis, como lo demuestra BrainGate, que es un implante que permite a los usuarios controlar los movimientos de las extremidades.

La detección de infecciones neurológicas como la meningitis es tediosa debido a su amplia gama de síntomas. Sin embargo, los enfoques basados ​​en IA que utilizan diversas variables predictoras, como los neutrófilos, los linfocitos y la proporción de neutrófilos a linfocitos (NLR) del líquido cefalorraquídeo (LCR), podrían predecir el tipo de meningitis con alta precisión. La IA también se asocia con varios beneficios cuando se aplica a la neurooncología, ya que potencialmente puede proporcionar diagnósticos iniciales precisos y opciones terapéuticas.

Conclusiones

El estudio actual destacó el poder de los modelos de IA en la neurociencia, a pesar del tamaño, el alcance y la arquitectura excepcionales de los datos cerebrales.

Los investigadores también discuten los desafíos existentes y enfatizan la necesidad de un enfoque multidisciplinario que utilice inteligencia artificial, neurociencia y biología de sistemas para crear conjuntos de datos interrelacionados. Tal enfoque podría proporcionar una comprensión profunda de las estructuras y las funciones cognitivas, aumentando así la eficiencia de los modelos de IA en el nivel de evaluación clínica.

Es importante destacar que sigue existiendo una necesidad urgente de nuevos estándares dentro de las regulaciones existentes para evaluar la seguridad de los sistemas de IA.