Descargar para leer sin conexión
Subido porlauragutierrez90
AI y Oftalmologia .pptx
El documento describe cómo la inteligencia artificial (IA) está ayudando a mejorar los diagnósticos y la toma de decisiones en oftalmología. Explica conceptos clave como aprendizaje automático (ML), aprendizaje profundo (DL) y redes neuronales convolucionales (CNN). Luego detalla varios estudios que muestran que los modelos de IA superan a los expertos humanos en la detección de enfermedades oculares como degeneración macular diabética, glaucoma y retinopatía del prematuro. Finalmente
AI y Oftalmologia .pptx
- 1. 1 Inteligencia Artificial yOftalmología ¿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 – ArtificialIntelligence 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 laInteligencia Artificial (IA)? • Def. La capacidad de una máquina para imitar las capacidades de la mente humana Artificial Intelligence
- 5. 5 ¿Qué es MachineLearning (ML)? • Aprendizaje Automatizado • Red neuronal – Entrada – Nivel oculto – Salida • Regresion logistica – Variable dicotomica Machine Learning
- 6. 6 • Data previamenteclasificada • 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 DeepLearning? • 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 RedNeuronal Convolucional Convolutional Neural Network (CNN) • CNN –Input- Hidden (feature extraction layers)-output layers • Diferentes CNN tendrán diferentes capas ocultas
- 9. 9 Tipos de ConvolutionalNeural 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)
- 10.
- 11. 11 • 1950: AlanTuring – pregunta "¿pueden pensar las máquinas?“ – Prueba de Turing Historia de AI
- 12. 12 1950 • En Computers andIntelligence, 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 millonesde 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 AIen 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
- 15.
- 16.
- 17. 17 AI y Oftalmología AñoReferencia 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 enColombia? Situación Actual Meta Educación Estructura Financiación Recursos
- 20. 20 Educación Ideal seria educaciónde AI desde carrera de medicina
- 21. 21 • Prestadores delServicio Recursos
- 22. 22 AutoML AI que haceAI, 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
- 23.
- 24. 24 1. Import 2. Check theImg 3. Train 4. Evaluate 5. Deploy
- 25. 25 Kermany-OCT Dataset 5kimagenes Amazon Rekognition Google Vision* Inception V3 CNV DME Drusen Normal CNV DME Drusen Normal CNV DME Drusen Normal Sensibility 0.98 0.97 0.93 0.99 0.996 1 0.916 1 0.964 0.992 0.988 0.968 Specificity 0.99 0.97 0.94 0.99 0.978 0.998 1 1 0.976 0.981 0.985 1 F1 0.98 0.97 0.94 0.99 0.96 0.99 0.95 1 0.964 0.979 0.982 0.989 Google* results from “Code-free deep learning for multi-modality medical image classification Optical Coherence Tomography”, Recursos
- 26. 26 Crea tu propia appen 10 min Recursos
- 27. 27 Kermany Dataset • Segment •Obj Detection ROI • Visual Prompting
- 28.
- 29. 29 • Los LLMde 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 losLLM 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 losLLM? 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 lapregunta 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
- 33.
- 34. 34 Que esperar enun 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 • Meinteresa 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: 200seconds (3.5 minutes) to sample 1 quantum circuit a million times A classical GPU takes 10,000 years Quantum Computing 5ta Revolución Industrial?
- 37.
Notas del editor
- #3 Desarrollar mas cornea
- #5 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.
- #6 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
- #7 . 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.
- #8 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)
- #9 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.
- #11 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.
- #12 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
- #15 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
- #17 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
- #23 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
- #25 Desplegar el modelo
- #26 F1 es una medida de prescion diagnostica
- #30 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
- #31 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)
- #32 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)
- #35 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.