¿Es cierto que la IA puede diagnosticar el autismo?

Respuesta corta: No.

Respuesta un poco más larga y probablemente más precisa: todavía no.

Últimamente ha habido algunos rumores sobre artículos con titulares como “La IA puede diagnosticar el autismo infantil a partir de fotografías oculares con '100% de precisión'” y... bueno, no, no puede. Voy a explicar por qué creo que la investigación nunca debería haber pasado la revisión por pares. La investigación es defectuosa y los informes son irresponsables. Hay posible para que la IA finalmente aprender a diagnosticar el autismo, pero eso no es lo que está sucediendo en este estudio.

¿Qué intentó hacer el estudio?

El El estudio intentaba enseñar a un modelo de conjunto profundo de IA cómo diagnosticar el autismo mediante escáneres de retina.—imágenes del interior del ojo. Los investigadores hicieron que el modelo de IA examinara exploraciones de 479 niños y adolescentes autistas y 479 niños con desarrollo típico que fueron emparejados por factores como edad, sexo y origen socioeconómico.

Un modelo de conjunto profundo significa que tenían muchas IA individuales mirando lo mismo. Puedes considerarlo como una versión tecnológica de la vieja parábola de los ciegos tocando un elefante. En la historia, un hombre sostiene la cola y dice que un elefante es como una cuerda. Otro toca la pierna y dice que un elefante es como un árbol. Otro toca el tronco y dice que es como una serpiente mientras que otro toca un colmillo y dice que es como una lanza. Están bien, pero cada uno sólo tiene una parte de la respuesta.

El Deep Ensemble hace algo similar: cada IA ​​mira los escaneos de retina desde una perspectiva diferente, luego todas las IA "hablan" entre sí sobre lo que han visto, se corrigen entre sí y se concentran en comprender el "elefante completo". de las imágenes que están analizando. Deep Ensemble está destinado a proporcionar un resultado más preciso porque las computadoras verifican el trabajo de las demás a lo largo del camino.

El resultado de su estudio fue… bueno, en mi opinión, demasiado bueno para ser verdad. El modelo de IA identificó correctamente al 100% de los sujetos a los que se les había diagnosticado autismo y al 100% de los sujetos a los que se les había identificado con un desarrollo típico. Pero les voy a explicar por qué creo que la IA no estaba aprendiendo cómo identificar el autismo sino más bien cómo replicar los sesgos del sistema médico que había diagnosticado/no diagnosticado a esos 958 sujetos.

¿Era plausible su objetivo?

En primer lugar, sin embargo, quiero decir que no creo que los investigadores se hayan descarriado. Creo que, con el tiempo, los escáneres de retina podrían utilizarse para identificar el autismo. Ya es posible para médicos e investigadores ver Alzheimer y Parkinson en escáneres de retina. 

La retina es la "pared trasera" del interior del ojo. Probablemente lo aprendiste en la escuela con una metáfora como si fuera la pantalla de cine en la que el ojo proyecta la luz que vemos. En el centro de la retina hay un punto llamado disco óptico, pero probablemente lo conozca con el nombre más común de “punto ciego”, si es que es consciente de ello. Nuestros cerebros cubren ese punto ciego en un ojo típico al crear la sensación de ver las cosas que acabamos de ver allí. Nuestros ojos se mueven y el punto ciego se mueve. Nuestro cerebro nos convence de que lo vemos todo y oculta nuestra percepción del punto ciego en nuestro campo visual.

Ese punto ciego del disco óptico es el lugar donde los nervios salen de nuestro ojo y se conectan con nuestro cerebro para enviar señales desde la retina a la corteza visual ubicada en la parte posterior de nuestra cabeza. ¡Y los nervios que forman el disco óptico son más antiguos que nuestro cerebro! El disco óptico se desarrolla a partir del tubo neural en los primeros meses de nuestra vida dentro del útero. Es una de las estructuras nerviosas más antiguas de nuestro cuerpo y puede mostrar cosas sobre los cimientos de nuestro cerebro.

Dado que el autismo incluye diferencias estructurales y funcionales en el cerebro en comparación con la mayoría de los cerebros, es teóricamente posible que algunas de esas diferencias puedan observarse en un escáner de retina. Y yoSi los investigadores pueden descubrir cómo identificar el autismo en un escáner de retina, podría ser algo bueno para las personas autistas y nuestras familias. Podría hacer que el diagnóstico sea más rápido, más preciso y mucho más accesible, especialmente para las personas marginadas. Aunque creo que este estudio en particular sólo es útil como ejemplo de lo que no Quiero que los investigadores sigan intentándolo, porque están buscando formas en que la IA podría convertirse en un asistente muy útil en el proceso de diagnóstico.

¿Por qué lo llamo estudio fallido?

En el momento en que vi esos titulares pregonando un 100% de éxito, comencé a mirar más de cerca el estudio. ¿Por qué sospechaba tanto? 

Los sujetos del estudio fueron identificados por médicos, investigadores y cuidadores que estudiaron el comportamiento observado de niños y adolescentes. El conjunto profundo de IA examinó la evidencia biológica. La correlación entre el comportamiento observado y las estructuras biológicas debería no han sido perfectos.

¿Por qué? Porque los médicos humanos tienen prejuicios y no diagnostican a algunas personas. Estoy dispuesto a creer que la IA podría haber identificado a los sujetos autistas con un 100% de precisión, porque los investigadores seleccionaron cuidadosamente a sus sujetos autistas y solo utilizaron aquellos que obtuvieron una puntuación alta en las herramientas de diagnóstico diseñadas para clasificar la "gravedad" del autismo. (Pongo "severo" entre comillas porque odio la campaña dirigida por personas no autistas que habla de "grave"O"autismo profundo"Y también porque no creo que los efectos del autismo en la vida de una persona sean algo tan claro como un falso binario de "grave versus no". Además, la experiencia de los sujetos sobre su propia vida nunca fue examinada; toda la clasificación diagnóstica fue realizada por profesionales y cuidadores sin la participación de los propios niños y adolescentes autistas).

Para ver un ejemplo de cómo los profesionales mal capacitados pueden cometer errores, consideremos al Dr. Tony Attwood, un profesional reconocido mundialmente en el diagnóstico y estudio del autismo. Su propio hijo es autista, pero el Dr. Attwood no se dio cuenta hasta que su hija, que trabaja en educación especial, se acercó a su padre, el Dr. Attwood, para decirle que pensaba que su hermano probablemente estaba en el espectro. 

Will Attwood tenía treinta años cuando su famoso padre diagnosticador se dio cuenta de que la lucha de su hijo contra el abuso de sustancias y la cárcel durante toda su vida era El resultado de vivir con autismo no reconocido.. Will Attwood ha publicado desde entonces un libro sobre sus experiencias con el autismo diagnosticado tarde y la prisión, con la esperanza de ayudar a otros adultos autistas que se encuentran tras las rejas. La historia de Will Attwood puede parecer extrema, pero es muy común en esta fase de nuestra comprensión colectiva del autismo que las personas autistas se escapen de las grietas del diagnóstico. 

Si el modelo AI Deep Ensemble realmente estuviera siendo entrenado para reconocer el autismo, debería haber descubierto al menos una persona autista escondida en esa cohorte de 479 niños y adolescentes que se suponía que tenían un desarrollo típico. Pero, en cambio, coincidió con la falta de diagnóstico en el 100% de esos sujetos.

¿Por qué? Porque los datos eran erróneos. Esta es una cita directa del estudio: 

“Al obtener fotografías de retina de pacientes con TEA, los cuidadores los acompañaron para garantizar su comodidad y estabilidad. Las sesiones de fotografía para pacientes con TEA se desarrollaron en un espacio dedicado a sus necesidades, distinto de una sala de exploración de oftalmología general. Este espacio fue diseñado para ser cálido y acogedor, creando así un ambiente familiar para los pacientes. Se obtuvieron fotografías de retina de individuos con desarrollo típico (TD) en una sala de examen de oftalmología general”.

Un humano que examine las fotografías podría no darse cuenta de que fueron tomadas en habitaciones diferentes. O podrían ver que las imágenes eran de diferentes habitaciones pero no prestar atención a esa información, centrándose en cambio en las imágenes reales de la retina.

Pero la IA se da cuenta de todo. El hecho de que todas las imágenes de ojos autistas fueron tomadas en una habitación diferente a las imágenes de aquellos sujetos que no habían sido diagnosticados con autismo significa que este estudio es inútil y nunca debería haber pasado la revisión por pares. Este es un estudio fallido porque los datos son erróneos.

No sé cómo la IA reconoció la diferencia de habitación, pero es obvio para mí que lo hizo, porque los resultados son "demasiado perfectos" y la IA simplemente está aprendiendo a replicar los sesgos de los investigadores. Es como si uno de los miembros de la IA del Deep Ensemble saliera del recinto del elefante y encontrara un libro en braille sobre elefantes y fuera lo suficientemente convincente para los otros modelos de IA como para hacer que todos dieran forma a sus observaciones en torno a esa diferencia de habitación.

¿Son las señales externas un problema conocido con la IA?

Si, absolutamente. Es bien sabido en la investigación de la IA que los estudios deben controlar este tipo de señales externas, ya que pueden confundir los resultados de un estudio. 

Un ejemplo de señales externas proviene de un estudio de dermatología e inteligencia artificial realizado por el Dr. Roberto Novoa de la Universidad de Stanford. Los primeros intentos del Dr. Novoa de entrenar IA para reconocer el cáncer tuvieron resultados similares a los del actual estudio de escaneo de retina y autismo: la IA parecía ser tan precisa como los médicos... ¡Hasta que Novoa se dio cuenta de que solo estaban entrenando a la IA para reconocer a los gobernantes! Cuando un dermatólogo cree que una lesión podría ser cancerosa, la fotografía con una regla (una regla de madera básica como la que probablemente usabas en la escuela primaria) para indicar el tamaño. La IA aprendió a equiparar a los gobernantes con el cáncer, por lo que hubo que rediseñar el estudio.

Se podría pensar que tomar imágenes de retina en una habitación diferente es demasiado sutil para que la IA las capte, pero el objetivo de usar un modelo AI Deep Ensemble es captar señales tan sutiles que un observador humano podría no notar. Este estudio de exploración de retina debe repetirse con todos sujetos fotografiados en una sala especialmente preparada para ayudar a los sujetos autistas a mantener la calma. Mientras las fotografías procedan de diferentes salas (y probablemente de diferentes equipos), este estudio no está listo para pasar la revisión por pares ni para ser publicado.

Ahí está la versión larga de mi respuesta corta: No, la IA es no identificando el autismo…. todavía. 

Y todos los periodistas que pregonan esa estadística del 100% y declaran un gran avance en el diagnóstico del autismo acaban de demostrar que son reporteros científicos poco confiables, más interesados ​​en titulares sensacionalistas que en ciencia cuidadosa y replicable.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://thinkingautismguide.com/2024/01/about-those-ai-can-diagnose-autism-claims.html