2. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
“La salud no lo es todo, pero sin ella todo lo demás es nada”
(Arthur Schopenhauer, 1788-1860)
“La salud lo es todo, y con ella, todo lo demás es posible”
3. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
● 31-37% interpretaciones
discordantes en TC oncológicas
abdominales, (2008) [1].
● ~61% falso-positivo | Cáncer
Mamografías (2016) [2]
¿Qué tan frecuente es el error radiológico?
4. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
● Metástasis por carcinoma de
próstata (flecha), omitida en RM
axial T1W (error debido a
anormalidad fuera del área de
interés) [3]
[3] Brady A, (2017)
Cada año se realizan alrededor de
3.6 billones de radiografías de
diagnóstico en todo el mundo, (2013).
¿Qué tan frecuente es el error radiológico?
5. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
“1 de 20 adultos estadounidenses pueden ser diagnosticados erróneamente
cuando van a ver a sus médicos … ” (Journal BMJ Quality & Safety, 2014)
¿Qué tan frecuente es el mal diagnóstico?
6. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
¿Cómo podemos ayudar a mejorar
esta situación?
El uso de la Inteligencia Artificial
7. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
“… el sector salud (medicina) es uno de los más renuentes de adoptar
nuevas tecnologías …” (Dr. Eric Topol, Deep Medicine Book, 2018)
Fuente: World Economic Forum
El sector salud
esta aquí.
4ta Revolución Industrial
8. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Inteligencia “Natural”
● Capacidad de resolver
problemas …
Inteligencia Artificial
● Capacidad de resolver
problemas imitando en
comportamiento inteligente.
?
Agente
¿ Qué es la Inteligencia Artificial?
9. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Inteligencia Artificial
Machine LearningDeep Learning
Ciencia de datos
Procesamiento de Lenguaje
Natural (NLP)
10. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep
Learning
Machine Learning
Inteligencia Artificial
Ciencia de Datos
• Lógica Difusa
• Algoritmos
Evolutivos
• Deep
Reinforcement
Learning
• GANs
Adaptado de: Machine Learning and AI for Helathcare, Arjun Panesar, 2019.
11. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
● Caso: Predicción de diabetes en mujeres mayores a 21 años (Pima USA, Arizona).
Edad: Años
Embarazos: Número de Embarazos
Glucosa: Nivel de glucosa en sangre
Presión: Presión sanguínea (mm Hg)
EspesorPiel: Piel de triceps (mm)
Insulina: Nivel de insulina (mu U/ml)
IMC: Indice Masa Corporal (kg/m^2)
DiabetesFamiliar: Historia familiar de diabetes
PacienteDiabético: Sí/No (1 / 0)
Machine Learning aplicado a la Salud
https://pdfs.semanticscholar.org/e41f/0bbef6ca2d54591a0cbf4aad1a6e0c422f95.pdf
14. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Original%29
Machine Learning aplicado a la Salud
● Caso: Predicción de Cáncer de mama (Wisconsin, USA)
Class: Benigno o Maligno
1.Uniformidad del tamaño de la célula
2.Uniformidad de la forma de la célula
3.Grosor del grupo
4.Adhesión marginal
5.Tamaño de células epiteliales individuales
6.Núcleos desnudos
7.Cromatina blanda
8.Nucleolos normales
9.Mitosis
15. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Attribute Information:
1. Class: DIE, LIVE
2. AGE: 10, 20, 30, 40, 50, 60, 70, 80
3. SEX: male, female
4. STEROID: no, yes
5. ANTIVIRALS: no, yes
6. FATIGUE: no, yes
7. MALAISE: no, yes
8. ANOREXIA: no, yes
9. LIVER BIG: no, yes
10. LIVER FIRM: no, yes
11. SPLEEN PALPABLE: no, yes
12. SPIDERS: no, yes
13. ASCITES: no, yes
14. VARICES: no, yes
15. BILIRUBIN: 0.39, 0.80, 1.20, 2.00, 3.00, 4.00
16. ALK PHOSPHATE: 33, 80, 120, 160, 200, 250
17. SGOT: 13, 100, 200, 300, 400, 500,
18. ALBUMIN: 2.1, 3.0, 3.8, 4.5, 5.0, 6.0
19. PROTIME: 10, 20, 30, 40, 50, 60, 70, 80, 90
20. HISTOLOGY: no, yes
https://archive.ics.uci.edu/ml/datasets/Hepatitis
Machine Learning aplicado a la Salud
● Caso: Predicción de Hepatitis (Carnegie-Mellon University)
16. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Machine Learning aplicado a la Salud
http://www.jds-online.com/file_download/687/01+No.09+310+Machine+learning+algorithms+to+predict+the+childhood+anemia+in+Bangladesh.pdf
● Caso: Predicción de anemia infantil en Bangladesh (2019)
“We selected twenty-four variables associated with the risk
for childhood anemia.”
maternal age (years)
maternal education
paternal education
maternal working status
child age
child gender
maternal anemia
maternal underweight
household toilet facilities
household water source
child morbidity (fever)
child morbidity (diarrhea)
place of residence
wealth index
vitamin A within 6 months
iron with 7 days
. . . .
17. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
● Deep Learning: Es un tipo de machine learning capaz de procesar grandes
volúmenes de datos con algoritmos especializados como las RNA.
Visión por computadora Voz por computadora
1. Poder computacional
Deep Learning aplicado a la Salud
2. Data
3. Nuevos algoritmos
18. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep Learning aplicado a la Salud
Visión por computadora
19. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep Learning aplicado a la Salud
Visión por computadora
20. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
“I think that if you work as a radiologist you are like
Wile E. Coyote in the cartoon. You’re already over
the edge of the cliff, but you haven’t yet looked down.
There’s no ground underneath. It’s just completely
obvious that in five years deep learning is going
to do better than radiologists. It might be ten
years. (2016)”
— Geoffrey Hinton, A.I. Versus M.D.
https://www.youtube.com/watch?v=2HMPRXstSvQ
Deep Learning aplicado a la Salud
21. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
“Pattern Doctors”
(Doctor Eric Topol, Deep Medicine Book, 2018)
Deep Learning aplicado a la Salud
“40% de las actividades del sector
médico en el mundo se pueden
automatizar … ”
(OECD Organisation for Economic Co-operation and Development, 2018)
22. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
¿Ciencia ficción?
¿Buzzword?
¿Bullshit?
Deep Learning aplicado a la Salud
23. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
https://medicalfuturist.com/fda-approvals-for-algorithms-in-medicine/
24. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
End-to-end Deep Network for Health Coaching. Fuente: Deep Medicine book, 2018.
Deep Learning aplicado a la Salud
25. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep Learning aplicado a la Salud
● Caso: Diagnóstico de Parkinson basado en el Test de dibujos (Frontiers in Neurology, 2017)
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5592741/
Figure 2: A 2017 study by Zham et al. concluded that it is possible to detect Parkinson’s by asking the patient to draw a
spiral while tracking the speed of pen movement and pressure.
26. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep Learning aplicado a la Salud
● Caso: Diagnóstico de Parkinson basado en el Test de dibujos (Frontiers in Neurology, 2017)
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5592741/
Figure 3: Today’s Parkinson’s image dataset is curated by Andrade and Folado from the NIATS of Federal University
of Uberlândia. Adrian Rosebrock used Python and OpenCV to train a model for automatically classifying Parkinson’s
from similar spiral/wave drawings..
71.33% classification accuracy
27. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep Learning aplicado a la Salud
● Caso: Diagnóstico de Parkinson basado en el Test de dibujos (Frontiers in Neurology, 2017)
https://bit.ly/2JuNTJo
28. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Deep
Learning
Machine Learning
Inteligencia Artificial
Ciencia de Datos
• Lógica Difusa
• Algoritmos
Evolutivos
• Deep
Reinforcement
Learning
• GANs
Adaptado de: Machine Learning and AI for Helathcare, Arjun Panesar, 2019.
29. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Fuente: Glloballink, Usage of Generative Adversarial Networks in Healthcare, 2017.
Natural Language Processing
Redes GAN
https://thispersondoesnotexist.com/
Inteligencia Artificial aplicado a la Salud
30. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Desmistificando la Inteligencia Artificial
ANI
AI
AGI
(Artificial Narrow Intelligence) (Artificial General Intelligence)
✓ Self-Driving Cars
✓ Virtual Assistants
✓ Computer Vision
✓ Etc.
✓ Hacer TODO lo que el ser
humano puede hacer.
31. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Desmistificando la Inteligencia Artificial
AGI
El Sistema más avanzado de IA hoy día
es todavía neurologicamente menos
evolucionado que una cucaracha.
(Artificial General Intelligence)
[Fuente: deepkapha.ai]
32. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Más allá de la IA …
✓ IoT
✓ Wearables
✓ Blockchain
✓ Realidad Virtual
✓ Nanorobots
✓ Robótica
✓ 5G, 6G
✓ 3D Printing
✓ etc … etc … etc …
Da Vinci System, called Xi (c)
… el futuro de la Medicina
33. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Phd, MD, Kun-Hsing Yu
I. Práctica médica convencional:
Paciente Juicio médico
Historia Clínica
Decisión
Adaptado de: Yu, K.-H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature
Biomedical Engineering, 2(10), 719–731.
Transformando la Medicina con IA
34. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Phd, MD, Kun-Hsing Yu
II. Práctica médica con soporte de un Sistema Experto de
Toma de Decisiones:
Paciente Juicio médico Historia Clínica DecisiónAlgoritmo (IA/ML)
Adaptado de: Yu, K.-H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature
Biomedical Engineering, 2(10), 719–731.
Transformando la Medicina con IA
35. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Phd, MD, Kun-Hsing Yu
II. Práctica médica completamente automatizada:
Adaptado de: Yu, K.-H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature
Biomedical Engineering, 2(10), 719–731.
Algoritmo (IA/ML)Paciente
Historia Clínica
Decisión
Transformando la Medicina con IA
36. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Fuente: http://www.chinadaily.com.cn/a/201903/14/WS5c89bda6a3106c65c34ee983.html
https://bit.ly/32f7jZU
¿Qué tan difícil es aprender IA?
37. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Programa curricular de Educación Secundaria (Perú, Minedu - 2016)
¿Qué tan difícil es aprender IA?
38. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
1. Empezar con una sesión de Design Thinking
con los stakeholders y entender la visión (plan
estratégico).
2. Identificar los problemas principales que al
solucionarlos nos permitan cumplir el plan
estratégico.
3. Elegir uno o dos casos de uso a partir de los
problemas encontrados en (2) para iniciar un
POC.
4. Recolectar un dataset relacionados a los casos
de uso elegidos.
5. Desarrollar y desplegar un modelo piloto y
realizar mediciones.
6. Escalar de acuerdo al desempeño del modelo.
Equipo:
- Especialistas en IA
- Technology engineer
- Domain Expert (Doctor)
¿Cómo empezar un proyecto de IA?
39. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Integración de Sistemas de Información.
+Interoperabilidad.
Almacenamiento, acceso y explotación de data.
+Disponibilidad de data.
Integración dentro del flujo actual.
+Nuevo flujo debido a agentes IA.
Regulaciones.
+Certificaciones, normativas, políticas gubernamentales, etc.
Interpretación de modelos de IA.
+Descubrir las “cajas negras”
Implicaciones socio-legales.
+Reentrenamiento de la fuerza laboral, relocación, datos personales, etc.
Limitaciones y retos
40. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Mensaje final
“La IA no reemplazará a los médicos,
pero puede cambiar drásticamente sus trabajos.”
(Forbes)
“La IA no reemplazará a los médicos,
pero con suerte les facilitará la vida.”
(Dr. Alan Karthikesalingam, DeepMind - Google)
42. Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
Referencias:
● [1] Siewert B, Sosna J, McNamara A, Raptopoulos V, Kruskal JB (2008) Missed lesions at abdominal
oncologic CT: lessons learned from quality assurance. Radiographics 28:623–638.
● [2] Nelson HD, Pappas M, Cantor A, Griffin J, Damges M, Humphrey L (2016) Harms of breast
cancer screening: systematic review to update the 2009 U.S. Preventive services task force
recommendation. Ann Intern Med 164(4):256–267.
● [3] Brady A, (2017) Error and discrepancy in radiology: inevitable or avoidable? Insights Imaging
(2017) 8:171–182