seminario patología de los pares craneales 2024.pptx
AI y Oftalmologia .pptx
1. 1
Inteligencia Artificial y Oftalmología
¿Cómo la Tecnología nos Ayuda a Realizar Evaluaciones más Precisas
y Tomar Decisiones más Certeras?
Laura Gutierrez Sinisterra MD
Oftalmóloga Universidad Javeriana
Dpto. AI e Innovación Digital
Instituto de Investigación Ocular De Singapur
2. 2
Contenido
• Definición
– Artificial Intelligence AI
– Machine Learning ML
– Deep Learning DL
• Historia
• AI en la Medicina
• AI y Oftalmología
• Cómo esta Colombia ?
– Educación
– Recursos
– Estructura
– Financiación
• Qué nos esperar en un futuro?
3. 3
1st
2nd
3rd
4th
Revolución Industrial
• Vapor: Mecanización del trabajo humano
• Electricidad:Principal fuente de energía en la industria
• Computadores: Tecnología de la información para
automatizar la producción.
• AI
4. 4
Que es la Inteligencia Artificial (IA)?
• Def. La capacidad de una
máquina para imitar las
capacidades de la mente
humana
Artificial
Intelligence
5. 5
¿Qué es Machine Learning (ML)?
• Aprendizaje Automatizado
• Red neuronal
– Entrada
– Nivel oculto
– Salida
• Regresion logistica
– Variable dicotomica
Machine
Learning
6. 6
• Data previamente clasificada
• Mejoran la capacidad del modelo para identificar sus y
comprender los datos.
• Solo son capaces de aprendizaje supervisado
¿Qué es Machine Learning (ML)?
Machine
Learning
7. 7
¿Qué es Deep Learning?
• Redes neuronales
profundas
• Cada capa refina aún más
la conclusión anterior.
• Propagación
• Retropropagación
• Aprendizaje supervisado y
no-supervisado
Propagacion
Deep
Learning
Retropopagacion
8. 8
Fundamentos de Red Neuronal Convolucional Convolutional Neural Network (CNN)
• CNN –Input- Hidden (feature extraction layers)-output layers
• Diferentes CNN tendrán diferentes capas ocultas
9. 9
Tipos de Convolutional Neural Network (CNN)
• AlexNet (2012) – 7 Capas para
ImageNet
• Inception V1-4 (2014) – 27 capas
• ResNet (2016) – 18, 34, 50, 101, 152,
1202 Capas
• DenseNet (2016) – 40, 100, 121, 169
capas
#Newer nets – Increased layers, smaller convolutional filters, skip connections, repeated modules with parallel filters, bottleneck
connection and dropout
#Earlier nets (e.g. VGG, Inception V3) can also have comparable diagnostic performance to the deeper nets (e.g. ResNet, DenseNet)
11. 11
• 1950: Alan Turing
– pregunta "¿pueden pensar las
máquinas?“
– Prueba de Turing
Historia de AI
12. 12
1950
• En Computers
and Intelligence,
Alan Turing
describe la
"prueba de
Turing",
1956
• John McCarthy
"inteligencia
artificial" como la
ciencia que
construye
maquinas
inteligentes.
1971
• Los científicos
crean
INTERNIST-1,
un algoritmo
para
diagnósticos.
1991
• Modelo
genera
informes de
patología con
casi un 95%
de precisión
diagnóstica.
2015
• Creación DL
• La FDA
aprueba el
primer
dispositivo
impulsado por
IA para uso en
quirófano.
2020
• Google
DeepMind
utiliza IA para
predecir la
estructura 3D
de una
proteína
13. 13
• 13.800 millones de años para descubrir todas las posibles
configuraciones de una proteína típica.
• DL lo puede ser en semanas inclusive en días.
• Impacto clínico Cambiar mutaciones especificas
• Aplicaciones terapéuticas : medicamentos para
enfermedades genéticas o Progresión mediante terapias
génicas.
Deep Reinforcement Learning Estructura 3D de una Proteina
Precision
14. 14
Publicaciones de AI en Medicina
1. Zahlan, Ahmed, Ravi Prakash Ranjan, and David Hayes. "Artificial intelligence innovation in healthcare: Literature review, exploratory analysis, and
future research." Technology in Society (2023): 102321.
ECG, Ecocardiograma,
Mamografías, Nevus,
RX, MRI, Scan,
Histología, Odontología
Análisis de voz para brote
psicótico, Parkinson
Telemedicina y COVID,
control enfermedades
crónicas
Realidad Aumentada
Quimioterapia
Bioinformática
App y Chatbots que
aumentan adherencia del
paciente
Neuroprótesis
simbióticas, dispositivos
inteligentes guían ptes
Chatbot, Historias clínicas
electrónicas predicción de
riesgo
17. 17
AI y Oftalmología
Año Referencia Tema Model AUC
Superiro a
Experto?
2021 Milea et al Papiledema CNN Unet 0.98 Si
2020 Varadarajan et al. Glaucoma CNN InceptionV3 0.89 Si
2020 Singh andGorantla DME CNN Hierarchial Esemble of 5 0.947 Si
2019 Arsalan et al. DR, Seg. Vascular CNN Costume Vess-Net 0.98 Si
2019 Sayres et al. DR Classification CNN Inception V4 0.925 Si
2019 Coyner et al. ROP CNN V3 0.96 Igual
18. 18
From A-Eye to “Oculomics”
Término acuñado en 2020 por el profesor
Alastair Denniston,
Edad +/- 3.2
años
Sexo AUC
0.97
Glucosa 0.8 PA +/-11mmHg
Enfermedad
Cardiovascular
0.78
Anemia 0.98
Esclerosis
Multiple 0.97
Enfermedad
Renal 0.84
ACV 0.79 Parkinson 0.86 Alzheimer 0.84
Enfermedades
Hepatobiliares
0.74
19. 19
Cómo estamos en Colombia?
Situación Actual
Meta
Educación
Estructura
Financiación
Recursos
22. 22
AutoML
AI que hace AI, mediante la aplicación de una búsqueda del
modelo ideal.
La búsqueda de arquitectura neuronal generalmente se logra
mediante uno de dos métodos:
Interfaces de programación de
aplicaciones (API) disponibles
comercialmente
Algoritmos Evolutionarios
Recursos
29. 29
• Los LLM de uso general se pueden entrenar previamente y luego
ajustar para propósitos específicos
– Pre-train and Finetune
• Generative AI hace parte de los LLM
Que son los LLM?
30. 30
Beneficios de los LLM
Que son los LLM?
1 LLM Múltiples problemas
•Traducción de textos
•Completa frases
•Clasificación de texto
•Responder preguntas
Finetuning Process
•Requieren mínima información una
entrenados (zero shot o Single shot)
Continuamente
mejora si se le
alimentan mas
parámetros
31. 31
Que son los LLM?
Retos
• Gran cantidad de datos para ser
entrenados
• Parametros Ideales?
Propósitos General
• Entrenados en múltiples aspectos
de la vida cotidiana Bias
• Recursos físicos para entrenarlos
(GPU A100)= 100k usd
Entrenarlos y Afinarlos
• Necesita experticia técnica
32. 32
1. Identificar la pregunta correcta (clínica)
2. Identificar los datos correctos (clínicos)
3. Identificar el asociado correcto (técnico)
4. Comprender el concepto correcto (clínico y técnico)
5. Identificar los habilitadores correctos (equipo de implementación y
comercialización)
Estructura 5 Reglas del AI en Salud
34. 34
Que esperar en un futuro?
• Heterogenidad / multicentrico/ mayores tamaños
• Estándares Consolidados de Pruebas -AI (CONSORT-AI)
– Permitir que las autoridades reguladoras y las partes interesadas
relevantes evaluar la eficacia y la rentabilidad
• AI blackbox
35. 35
Para meditar
• Me interesa AI quisiera saber mas
– An Ophthalmologist’s Guide to Deciphering Studies in Artificial Intelligence
• -Daniel S.W. Ting, MD, PhD
• Un articulo gnrl. Complejidad media para profundizar
– Artificial intelligence for anterior segment diseases: Emerging applications in ophthalmology
• Daniel Shu Ting
36. 36
Quantum computing: 200 seconds (3.5 minutes) to sample 1 quantum circuit a million times
A classical GPU takes 10,000 years
Quantum Computing 5ta Revolución Industrial?
aprender de ejemplos y experiencias, reconocer objetos, comprender y responder al lenguaje, tomar decisiones ETC. También tienen la capacidades para realizar funciones que un ser humano podría realizar, como saludar a un huésped del hotel responder un chat hacer un email o conducir un automóvil.
Se reprograma a sí mismo, a medida que digiere más datos, para realizar la tarea específica con una precisión cada vez mayor. Pero requiere ser supervisado por un humano
. Los modelos de ML solo constan de una sola capa oculta
El input debe de ser previamente clasificado
Solo son capaces de aprendizaje supervisado (supervisión humana), como el ajuste periódico de los algoritmos en el modelo.
DL se enseña a sí mismo a realizar una tarea específica con una precisión cada vez mayor, sin intervención humana
Redes con múltiples capas ocultas, cada una de las cuales refina aún más las conclusiones de la capa anterior.
El movimiento de cálculos a través de las capas ocultas hasta la capa de salida se denomina forward progression o propagación .
La retropropagación, sucede cuando el modelo identifica errores en los cálculos, les asigna pesos diferentes y de devuelvea capas anteriores para refinar el proceso Disminuir el error cuadrático medio (la diferencian entre la predicción y el valor obervado)
Las CNN se basan en una red de cálculos algorítmicos que intenta imitar el proceso de pensamiento del cerebro humano.
En su forma más básica, una red neuronal consta de:
Un nivel de entrada, donde los datos ingresan a la red.
Al menos un nivel oculto, donde los algoritmos de aprendizaje automático procesan las entradas y aplican pesos, sesgos y limites.
Una capa de salida, donde surgen varias conclusiones, con diferentes grados de confianza.
AI: maquinas que imitan funciones cognitivas de la mente humana
Machine learning: Se programa a sí mismo, a medida que digiere datos, con una precisión cada vez mayor.
DL Se enseña a sí mismo a realizar una tarea específica con una precisión cada vez mayor, sin intervención humana.
1950: Alan Turing
Matematico ingles que durante la II GM ayudo a desifrar el código enigma de los nazis. Luego desarrollo la ideal de una maquina universal que pudiera computar todo lo posible
Luego 1950 se pregunto si las maquinas podían simular ser humanos? Desarrollo una prueba doden un evaluador humano le pide al interlocutor que desarrolle multiples tareas y determina si es humano o maquina
Medicamentos mas baratos y hechos en menor tiempo
Un estudio revela que aprovechar las aplicaciones y los portales virtuales facilitan la comunicación del paciente con los médicos y mejora las tasas de adherencia hasta en un 60 % o más.
Tecnología de interfaz cerebro-computadora, control mioeléctrico, neuroprótesis simbióticas
Hoy pricipalmnte nos vamos a enfocar en imagenes diagnoticas y clasificacion
Por ejemplo, para la clasificación de RD moderada o peor, el modelo logró una sensibilidad y especificidad del 97,1% y 92,3% (respectivamente), en comparación con una media del 75,2% y 97,9% para los oftalmólogos, y una media del 74,6% y 99,3% para los especialistas en retina
En DL, diseñar y elegir el modelo más adecuado y esto toma tiempo y requiere expertice tecnica para probar todos los tipos de arquitecturas posibles. Pero con AutoML métodos automatizados para la selección de modelos DRL la base de la API disponible comercialmente (programación de aplicaciones). interfaces) evaluados en este estudio
Desplegar el modelo
F1 es una medida de prescion diagnostica
Generative AI es un tipo de technologia que puede producer diferentes contenidos como texto data e imagines single shot (necestian muy poco entrenamiento previo para generar lo que se le pide) o zero shot (no necsita entrenamiento previo para generar el output requerido
Single shot(necestian muy poco entrenamiento previo para generar lo que se le pide) o
Zero shot (no necesita entrenamiento previo para generar el output requerido)
Generative AI
single shot(necestian muy poco entrenamiento previo para generar lo que se le pide) o zero shot (no necsita entrenamiento previo para generar el output requerido)
Actualmente hay muestras pequeñas y relativamente pocos han sido validados en el mundo real
La heterogeneidad de los paciente podría potencialmente resultar en una menor precisión
Cuando los sistemas de IA robustos y clínicamente validados lleguen a democratizar dicha tecnología para las partes interesadas. Tienen que exitir unos Estándares Consolidados
Estas directrices no solo mejorar la coherencia y la transparencia de los informes, pero también Permitir que las autoridades reguladoras y las partes interesadas relevantes evaluar la eficacia y la rentabilidad de la IA
"caja negra de la IA", interpretar de los algoritmos de IA por parte de los profesionales sanitarios
y desafíos medicolegales y regulatorios, también deberán abordarse antes de que se puedan introducir tecnologías de IA y implementado en la práctica clínica.