El aprendizaje automático se puede aplicar a casi cualquier disciplina donde hay muchos datos disponibles, y la medicina es definitivamente una de ellas. Ya hay muchas nuevas empresas que intentan utilizar el aprendizaje automático para interrumpir el sistema médico existente. Sin embargo, el aprendizaje automático por sí solo no puede resolver problemas médicos (al menos todavía), pero puede usarse para mejorar varios aspectos del diagnóstico y el tratamiento de muchas enfermedades, así como la investigación médica. Se ha demostrado que los modelos de aprendizaje automático pueden ser bastante exitosos en el diagnóstico de enfermedades (por ejemplo, Aprendizaje profundo para la detección de la enfermedad ocular diabética), a veces incluso alcanzan una mayor precisión que los médicos. Según muchos investigadores, los radiólogos podrían ser los primeros en temer por sus trabajos, ya que los modelos de aprendizaje automático muestran un gran progreso en la detección de diversas enfermedades al observar diversos tipos de escáneres.
Con la forma en que van las cosas, la medicina personalizada parece ser el futuro de la medicina. Hay muchos datos médicos individuales disponibles, lo que permite un tratamiento más eficiente. A través de varios dispositivos de monitoreo de salud y secuenciación de ADN barata, obtener los datos es cada vez más fácil y económico. En aproximadamente 15 años, el costo de secuenciar un genoma se redujo de cientos de millones de dólares a alrededor de 1000 $. Varios métodos de aprendizaje automático pueden hacer uso de todos estos datos y, en cierta medida, automatizar el proceso de descubrir riesgos potenciales y encontrar la terapia adecuada.
- ¿Qué clasificador es el más adecuado para clasificar los signos en un video de lenguaje de señas?
- ¿Cuáles son algunos modelos matemáticos o técnicas estadísticas que son útiles para los científicos que trabajan con grandes datos?
- ¿Cómo funcionan las capas de incrustación en TensorFlow?
- ¿Cuál es el significado del espacio latente?
- ¿Cuáles serían los proyectos / servicios más interesantes en el cuidado de la salud que involucren alta tecnología como dispositivos móviles, big data y data science? Por ejemplo, Ginger.io.
Otra área donde el aprendizaje automático se puede aprovechar es el descubrimiento de fármacos. Varios modelos computacionales ya se usan comúnmente en el diseño de fármacos. Los modelos de aprendizaje automático se pueden aplicar a varios pasos de este proceso, como la predicción de la estructura objetivo, la predicción de la actividad biológica de nuevos ligandos derivando ecuaciones de afinidad de unión predictiva, descubrimiento u optimización de golpes, etc. La falta de eficacia y los efectos secundarios adversos son dos de las razones principales por las que un fármaco falla en los ensayos clínicos. Los modelos computacionales y los métodos de aprendizaje automático que derivan información útil de grandes cantidades de datos sobre medicamentos y enfermedades son muy prometedores para reducir estas tasas de deserción. Se pueden utilizar grandes cantidades de datos para construir modelos predictivos poderosos para identificar candidatos para ensayos clínicos. Esto podría resultar en ensayos clínicos más rápidos y más baratos.
Finalmente, el aprendizaje automático puede usarse para predecir brotes epidémicos utilizando datos de diversas fuentes, incluidos datos históricos, datos satelitales y datos recopilados de las redes sociales. Esto podría ser especialmente útil en países del tercer mundo que carecen de infraestructura y expertos médicos.