El Fin Del Conocimiento - Bóveda 5/62 - CVPR - 2021 - Inteligencia Artificial para la Salud Global

graph LR classDef symphonia fill:#f9d4d4, font-weight:bold, font-size:14px classDef responsibleAI fill:#d4f9d4, font-weight:bold, font-size:14px classDef smartpooling fill:#d4d4f9, font-weight:bold, font-size:14px classDef medicalAI fill:#f9f9d4, font-weight:bold, font-size:14px classDef drugdiscovery fill:#f9d4f9, font-weight:bold, font-size:14px A["Inteligencia Artificial para
la Salud Global"] --> B["SYMPHONIA: centro de investigación de IA
responsable en Colombia. 1"] B --> C["Investigación: visión, sostenibilidad, salud. 2"] B --> D["Visión para descubrimiento de fármacos,
interacciones moleculares. 3"] D --> E["Entrenamiento adversarial mejora
interpretabilidad, enfoca subestructuras. 4"] D --> F["Modelos identificaron molécula antiviral
potencial contra FPPS. 5"] B --> G["Segmentación genérica de imágenes médicas:
órganos, lesiones. 6"] G --> H["Desafíos: anotaciones, computación,
generalización. 7"] G --> I["Robustez, interpretabilidad vitales
para confianza en IA médica. 8"] G --> J["Modelo de segmentación: competitivo,
robusto al ruido. 9"] B --> K["Riesgo de CHD en infantes,
diagnóstico temprano con IA. 10"] K --> L["TERFOS: cribado de CHD,
tratamiento en Colombia. 11"] K --> M["UltraGAN: mejora ecocardiogramas,
preserva anatomía. 12"] M --> N["Imágenes mejoradas mejoran
segmentación del corazón. 13"] A --> O["COVID-19: 160M+ casos,
3M+ muertes a mediados de 2021. 14"] O --> P["Pruebas PCR críticas
pero limitadas. 15"] O --> Q["Agrupamiento en dos pasos eficiente
con baja prevalencia. 16"] Q --> R["Dos pasos ineficiente a medida que
aumenta la prevalencia. 17"] O --> S["Agrupamiento inteligente: ML
predice estado, optimiza. 18"] S --> T["App recopila datos,
informa al algoritmo. 19"] S --> U["Aprende de resultados,
se adapta a cambios. 20"] S --> V["Prueba de concepto: 2K pruebas,
$100K ahorrados. 21"] S --> W["Desplegado en medio de alta
ocupación UCI, positividad. 22"] S --> X["Datos históricos entrenan
modelos robustos. 23"] S --> Y["1.5x eficiencia sobre
individual al 35%+. 24"] S --> Z["Beneficios vs dos pasos
con alta prevalencia. 25"] S --> AA["Mejora PCR, desplegado
con éxito. 26"] S --> AB["Robusto a datos,
supera agrupamiento. 27"] S --> AC["Interpretabilidad, optimiza recursos
de laboratorio. 28"] S --> AD["Generaliza a otras
enfermedades de cribado agrupado. 29"] S --> AE["IA responsable para
bien social. 30"] class A,B symphonia class C,H,I,J,K,L,M,N medicalAI class D,E,F drugdiscovery class G,O,P,Q,R,S,T,U,V,W,X,Y,Z,AA,AB,AC,AD,AE smartpooling

Resumen:

1.- SYMPHONIA es un centro de investigación de IA en la Universidad de Los Andes en Bogotá, Colombia, enfocado en la investigación responsable y principios éticos.

2.- Las áreas clave de investigación son visión por computadora, desarrollo sostenible y aplicaciones de salud global.

3.- Aplican técnicas de visión por computadora al descubrimiento de fármacos para predecir interacciones moleculares e identificar candidatos farmacéuticos prometedores.

4.- El entrenamiento adversarial mejora la interpretabilidad de los modelos de descubrimiento de fármacos al enfocarse en subestructuras moleculares relevantes.

5.- Sus modelos de IA identificaron una molécula antiviral potencial activa contra la proteína FPPS, demostrando el poder del cribado in silico.

6.- La segmentación genérica de imágenes médicas tiene como objetivo identificar órganos y lesiones en escaneos diagnósticos 3D como rayos X, RM, TC.

7.- Los desafíos incluyen anotaciones limitadas, demandas computacionales de volúmenes 3D y la necesidad de métodos que se generalicen en tareas.

8.- La robustez adversarial y la interpretabilidad son importantes para la confianza en los sistemas de IA médica, que pueden ser vulnerables a ataques.

9.- Su modelo genérico de segmentación médica obtiene un rendimiento competitivo en tareas y es más robusto al ruido adversarial.

10.- Las enfermedades cardíacas congénitas (CHD) ponen en riesgo a los infantes cuando no se detectan hasta el nacimiento. El diagnóstico temprano con IA puede ayudar.

11.- Su proyecto TERFOS busca implementar un programa nacional de cribado y tratamiento de CHD en Colombia.

12.- La calidad de la imagen del ecocardiograma afecta la evaluación de CHD. Su método UltraGAN mejora la calidad de la imagen mientras preserva las estructuras anatómicas.

13.- Las imágenes mejoradas mejoran la segmentación posterior de las cámaras y estructuras del corazón.

14.- La pandemia actual de COVID-19 ha causado más de 160 millones de casos y 3 millones de muertes en todo el mundo a mediados de 2021.

15.- Las pruebas moleculares PCR son críticas pero costosas. La escasez de personal y suministros limita las pruebas masivas.

16.- Las pruebas agrupadas en dos pasos aumentan la eficiencia con baja prevalencia de la enfermedad al probar grupos de muestras, luego grupos positivos individualmente.

17.- A medida que aumenta la prevalencia de la enfermedad, el agrupamiento en dos pasos se vuelve ineficiente ya que la mayoría de los grupos dan positivo.

18.- El agrupamiento inteligente utiliza aprendizaje automático para predecir el estado de COVID-19 del paciente y optimizar el agrupamiento, manteniendo la eficiencia con alta prevalencia.

19.- Una aplicación móvil recopila datos del paciente para informar al algoritmo de agrupamiento inteligente. Los grupos optimizados se prueban en el laboratorio.

20.- El aprendizaje continuo de los resultados de las pruebas permite que el modelo se adapte a las distribuciones de datos cambiantes a lo largo del tiempo.

21.- Una prueba de concepto ahorró más de 2,000 pruebas por un valor de $100,000+ en 2 semanas, permitiendo pruebas gratuitas ampliadas para poblaciones en riesgo.

22.- Despliegue a gran escala en Bogotá en medio de una ocupación de UCI del 95%+ y una tasa de positividad del 30%+, en colaboración con la ciudad y ONG.

23.- Datos históricos de millones de pacientes utilizados para entrenar modelos de agrupamiento inteligente más robustos.

24.- El agrupamiento inteligente mantiene ganancias de eficiencia de 1.5x frente a pruebas individuales incluso con una tasa de positividad del 35%+ con tamaño de grupo óptimo.

25.- El enfoque proporciona beneficios significativos sobre el agrupamiento en dos pasos con altas prevalencias vistas actualmente.

26.- El agrupamiento inteligente mejora en lugar de reemplazar las pruebas PCR y se ha desplegado con éxito en el campo.

27.- El método es robusto a diferentes tipos de datos y poblaciones, superando consistentemente el agrupamiento convencional.

28.- El agrupamiento inteligente proporciona una mayor interpretabilidad a los resultados de PCR y optimiza los recursos de pruebas de laboratorio.

29.- La técnica se generaliza más allá de COVID-19 a otras enfermedades donde se utiliza el cribado de laboratorio agrupado.

30.- Esto demuestra el uso responsable de la IA para el bien social. El equipo invita a colaboraciones para desplegar el agrupamiento inteligente más ampliamente.

Bóveda de Conocimiento construida por David Vivancos 2024