La Universidad Politécnica de Madrid desarrolla métodos para generar datos sintéticos en investigación oncológica, mejorando la calidad de los modelos de IA al abordar la escasez de datos reales.
La inteligencia artificial (IA) requiere de datos para su aprendizaje, pero en el campo de la medicina, estos datos son a menudo escasos y difíciles de compartir debido a consideraciones éticas, legales y de privacidad. Esta situación es especialmente crítica en áreas como el cáncer, las enfermedades raras y los estudios sobre supervivencia, donde la recopilación de grandes volúmenes de información sobre pacientes no siempre es viable.
En este contexto, un equipo de la Universidad Politécnica de Madrid (UPM) ha llevado a cabo dos investigaciones complementarias que buscan mejorar la generación de datos sintéticos. Estos registros artificiales están diseñados para replicar patrones estadísticos observados en datos reales sin necesidad de incluir información sobre pacientes específicos. Los autores enfatizan que, para el futuro de la IA médica, no solo es esencial verificar si los datos sintéticos pueden entrenar modelos en tareas específicas, sino también evaluar su similitud con los datos originales y su capacidad para mantener relaciones complejas entre variables. Por ello, ambos estudios subrayan la importancia de combinar métricas que evalúan tanto la utilidad como la similitud, lo que permite una validación más efectiva de la calidad real del dato sintético.
El primer estudio, publicado en la revista Neurocomputing, propone una metodología innovadora que permite a los modelos generativos aprender eficazmente incluso con un número reducido de ejemplos reales. La clave radica en introducir un “sesgo inductivo artificial”, que actúa como una guía matemática previa para orientar al modelo en situaciones donde hay pocos datos disponibles.
Para implementar esta metodología, los investigadores emplearon técnicas de transferencia de aprendizaje junto con metaaprendizaje y compararon diversas estrategias como el preentrenamiento y el model-agnostic meta-learning (MAML). Los resultados obtenidos indicaron que las estrategias basadas en transferencia de aprendizaje lograron un rendimiento notablemente superior, mejorando significativamente la calidad de los datos sintéticos generados. En algunos casos, se alcanzó una mejora del 60% en la divergencia de Jensen-Shannon, una métrica utilizada para estimar cuán similar es la distribución de los datos sintéticos respecto a los datos reales.
El segundo estudio, publicado en el IEEE Journal of Biomedical and Health Informatics, aplica esta metodología al ámbito biomédico, enfocándose específicamente en investigaciones oncológicas y análisis sobre supervivencia. Este tipo de análisis es crucial ya que permite estimar el tiempo hasta que se produce un evento clínico significativo, como una recaída o progresión de enfermedad, siendo muy sensible a la falta de datos. El trabajo demuestra que esta metodología resulta útil incluso bajo condiciones restrictivas y contribuye a generar datos sintéticos de alta calidad.
Las repercusiones derivadas de esta línea investigativa son amplias. Según Patricia Alonso, investigadora del equipo: “Contar con datos sintéticos confiables puede facilitar tanto el desarrollo como la validación de herramientas basadas en IA dentro hospitales y centros investigativos donde hay escasez data. Además, esto podría favorecer estudios realizados con cohortes pequeñas e impulsar nuevas colaboraciones científicas sin poner en riesgo la privacidad del paciente.”
Estos estudios se han desarrollado dentro del marco europeo del proyecto GenoMed4All, bajo el acuerdo nº 101017549, así como del proyecto SYNTHEMA, correspondiente al acuerdo nº 101095530.
Citas relevantes:
Los datos sintéticos son registros artificiales que reproducen patrones estadísticos de datos reales sin copiar pacientes concretos. Son importantes en la investigación médica porque permiten entrenar modelos de inteligencia artificial (IA) en contextos donde los datos reales son escasos, heterogéneos y difíciles de compartir por razones éticas y legales.
La metodología desarrollada combina técnicas de transferencia de aprendizaje y metaaprendizaje para introducir un "sesgo inductivo artificial", lo que guía al modelo cuando hay pocos ejemplos reales disponibles. Esto ha demostrado mejorar significativamente la calidad de los datos sintéticos generados, alcanzando mejoras del 60% en ciertas métricas comparativas.
Disponer de datos sintéticos fiables puede facilitar el desarrollo y validación de herramientas de IA en hospitales con escasos datos, favorecer estudios en cohortes pequeñas y abrir nuevas vías para la colaboración científica sin comprometer la privacidad de los pacientes.