Impacta la Inteligencia Artificial en las enfermedades zoonóticas

Por Jared Pimentel Gómez  

México. En el Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS), la doctora Nidiyare Hevia Montiel presentó una ponencia acerca de la Inteligencia Artificial para el estudio de enfermedades zoonóticas. Esta presentación formó parte de las Jornadas de Inteligencia Artificial. 

Empezó por comentar los conceptos que existen referentes a los padecimientos zoonóticos. “Son aquellas enfermedades que se pueden transmitir de un animal a los seres humanos”. Asimismo, explicó que también se le suele conocer como Salud Global , esto debido a que se tiene presente en todo el mundo. Agregó algunos ejemplos de las enfermedades más comunes, entre ellos,  la malaria, el dengue, las chagas y la leishmaniasis. 

Explicó que  las áreas de la inteligencia artificial son el aprendizaje computacional, el aprendizaje profundo y la visión computacional. Esta última, es en la que se enfocó para sus estudios. “Aquí podemos hacer proceso de imágenes, proceso de detección y de segmentaciones de ciertos patrones que ayuda para una aplicación en específico. En este caso nos ayuda para el análisis de la enfermedad de chagas”.

Por otra parte, hizo una comparación de la visión humana a la visión que se puede generar de manera computacional. “Lo que vamos intentar con inteligencia artificial es poder determinar patrones que pueden ser muy complejos para que nos determine por ejemplo, que lo que estamos viendo es un perro dálmata o un árbol”.

Para el caso de la enfermedad de Chagas explica que buscan  utilizar la Inteligencia Artificial para la detección de patrones. Para eso hace un análisis de sus etapas iniciales hasta las más crónicas. Busca entender la transición de pacientes sanos a enfermos. Esto lo realizan por medio de ratones que de manera posterior a las pruebas los dejan sanos. 

Otra función de la inteligencia artificial es la creación de algoritmos de aprendizaje profundo y el daño que se puede tener de esta enfermedad en el tejido cardíaco. “Tenemos una imagen y dos caminos. Por un lado, irnos por el aprendizaje computacional en donde uno extrae sus propias características, seleccionamos las mejores y clasificamos. O permitir un sistema totalmente computacional, donde el mismo sistema extrae las características que considere más importante para la clasificación”.

to