Entrevistas temáticas

Juan Manuel Górriz Sáez

Prof. Juan Manuel Górriz Sáez

Juan Manuel Górriz Sáez es doctor en Física por la Universidad de Cádiz, y doctor en Ingeniería Electrónica por la Universidad de Granada. En la actualidad es Catedrático del Instituto de Ciencia de Datos e Inteligencia Computacional (DASCI) de la Universidad de Granada, y profesor visitante de la Universidad de Cambridge (Reino Unido) desde 2017. Ha realizado estancias en Regensburg y Múnich (Alemania), Liège (Bégica) y Northeastern University (EE. UU.), y lidera el grupo de investigación Signal Processing and Biomedical Applications (SiPBA). Además forma parte del European Laboratory for Learning and Intelligent Systems (ELLIS network) y la red Cambridge Neuroscience.

Su campo de investigación se centra en la aplicación de técnicas de aprendizaje máquina y otras técnicas de inteligencia artificial (IA) en el análisis de datos biomédicos, en especial en neuroimagen de enfermedades neurodegenerativas como la enfermedad de Alzheimer (EA). Ha publicado más de 200 artículos que acumulan más de 9000 citas con un índice h de 51 y un índice i10 de 188 y ha participado en proyectos financiados de más de tres millones de euros. Ha desempeñado puestos de editor y como miembro del comité editorial de revistas de alto impacto como Information Fusion, Journal of Alzheimer Disease, Current Alzheimer Research, IEEE Transactions on Emerging Topics in Computational Intelligence, Neurocomputing, etc.

Ha recibido múltiples distinciones como la Medalla de la Real Academia Española de Ingeniería (Joven Investigador), el premio Consejo Social de la Universidad de Granada, el premio Andalucía Sociedad de la Información (ASI) de la Junta de Andalucía al mejor proyecto de investigación en neurociencias, etc.

Ir al comienzo

Circunvalación del hipocampo: ¿Qué es la inteligencia artificial?

Prof. Górriz Sáez: La IA es un (más o menos) nuevo campo de la ciencia, integrado por un conjunto de métodos, técnicas y procedimientos basados en la información que contienen los datos. Este campo de investigación pretende revolucionar buena parte de los sectores tecnológicos (comunicaciones, biomedicina, etc.) mediante la automatización inteligente y resolución de las tareas que se realizan en dichos sectores. Matizando las palabras clave señaladas, respecto a ser un nuevo campo, la IA se remonta a los años 50 donde surgieron grandes expectativas (y también algunos inviernos tristes de la IA, p. ej. hasta los años 80) de que, efectivamente, estos procedimientos podrían cambiar el mundo tal y como lo conocemos, y significar una nueva revolución industrial (la 4ª).

Sin embargo, hemos tenido que esperar más de la cuenta hasta disponer tanto de avances teóricos de relevancia, como de una infraestructura hardware suficientemente potente para que estos avances fueran computacionalmente plausibles. Asimismo, la principal novedad de estos métodos es que siguen el camino de la cultura del modelado basado en los datos, los cuales están disponibles actualmente en la mayor parte de los campos de investigación. Por tanto estos métodos se liberan del corsé que significaban las aproximaciones basadas en modelo. Estas aproximaciones además rompen el paradigma de «todo lo que veo son los datos que tengo y todo lo que importa es minimizar mi error» e intentan que los sistemas que los implementan tengan máxima capacidad de generalización = datos + conocimiento (en este contexto, en estadística clásica se conoce como capacidad de extrapolación). Esto es, por ejemplo, lo que distingue fundamentalmente un sistema experto desarrollado en los años 80 de una red neuronal artificial profunda implementada en la actualidad.

Ir al comienzo

Circunvalación del hipocampo: ¿Qué ventaja aportan las técnicas de inteligencia artificial sobre los métodos que se vienen utilizando hasta ahora?

Prof. Górriz Sáez: La ventaja fundamental es la tremenda complejidad en la función de decisión que podemos implementar para resolver cualquier tarea. Esta función emula el conocimiento y la experiencia del mejor experto en el campo, que tiene en cuenta una gran cantidad de variables para llegar a un diagnóstico preciso. No todo son ventajas, por supuesto, debemos también disponer una experiencia previa sobre el problema (un «gold-standard», un «ground-truth», etc.) y una gran cantidad de datos, esto es, un tamaño de muestra similar al número de predictores (a veces millones). En otro caso, podríamos estar afrontando el problema señalado por Von Neumann en su famosa frase «Puedo ajustar un elefante con cuatro variables…». De hecho, nuestros modelos profundos emplean millones de parámetros y Von Neumann quedaría escandalizado.

Ir al comienzo

Circunvalación del hipocampo: Hasta el momento actual, Vd. y su grupo se han centrado en la aplicación de estas técnicas en las pruebas de neuroimagen; ¿nos puede resumir cuáles han sido sus principales aportaciones en este campo, y qué avances suponen sobre la situación previa?

Prof. Górriz Sáez: Nuestro grupo de investigación (SiPBA) trabaja desde 2006 en el campo de la automatización del diagnóstico. Para ello hemos empleado el aprendizaje supervisado de clasificadores complejos con extracción de características para resolver tareas de clasificación, y técnicas de validación estadística para comprobar el grado de generalización de los sistemas implementados. Hemos conseguido poner en valor la versatilidad de los métodos del aprendizaje máquina, basados en la teoría del aprendizaje estadístico (SLT), que es el core de la IA, mediante la aplicación de estos métodos al problema de diagnostico y pronóstico de diversas condiciones neurológicas y patológicas en el campo de la neuroimagen. Por ejemplo, hemos trabajado con imágenes de modalidades varias como tomografía por emisión de positrones (PET), tomografía computarizada por emisión de fotón único (SPECT), imagen de resonancia magnética (MRI), etc. o señales bio-eléctricas, como la Electroencefalografía (EEG), para el estudio de la EA, el párkinson, la migraña, el autismo, la esclerosis múltiple, la esquizofrenia, y un largo etcétera.

En particular, en el campo del autismo con MRI estructural y empleando la SLT en bases de datos limitadas en tamaño y estratificadas por sexo, hemos predicho tasas de clasificación teóricas entre la clase neurotípica y la del espectro autista, que se han visto refrendadas posteriormente en la literatura, empleando métodos basados en aprendizaje profundo y bases de datos masivas. Otro gran avance, es el grado de transparencia (la IA explicable) de los métodos diseñados por el grupo en los distintos contextos que permiten trazar mapas de relevancia para caracterizar el patrón bajo estudio, por ejemplo empleando el concepto de prevalencia, entendido como el ratio de sujetos que permiten ser clasificados bajo ese criterio.

Ir al comienzo

Circunvalación del hipocampo: ¿Se podrían aplicar estas técnicas en otros procedimientos diagnósticos o terapéuticos?

Prof. Górriz Sáez: Lo interesante de las nuevas aproximaciones de la IA basadas en dato (y no en modelo) es su capacidad de aprender en otros contextos. Esto nos ha permitido, como comentaba en la anterior pregunta, trabajar con patologías/condiciones neurológicas tan distintas como la EA o el autismo, si bien las arquitecturas diseñadas se ajustan a un contexto dado (su complejidad) el procedimiento basado en SLT para llegar a un sistema que proporciona una precisión y capacidad de generalización óptimas (!) es muy similar. El símbolo «!» significa que lo óptimo siempre está referido al conjunto de muestras del que disponemos (la realización), es decir, tanto su volumen como la «calidad» de la experimentación para obtenerlo (proceso de adquisición, definición del experimento, etc.) influyen tremendamente en el rendimiento final del sistema.

Ir al comienzo

Circunvalación del hipocampo: Hasta ahora estas técnicas se vienen aplicando a nivel de investigación y en laboratorios con una importante dotación de medios computacionales. ¿Será posible integrar estos procedimientos diagnósticos en la consulta del día a día? o, más aún, ¿podrían incorporarse en el entorno natural y facilitar la detección precoz de deterioro cognitivo incluso antes que aparecieran quejas o problemas cognitivos?

Prof. Górriz Sáez: Definitivamente, sí. Aunque, como muy bien se apunta, las técnicas de IA requieren recursos computacionales enormes, no disponibles en un entorno clínico rutinario, éstas pueden ejecutarse en servidores centrales para su evaluación (test) o re-entrenamiento, al igual que los datos clínicos e historial de un paciente se albergan en un servidor central y no de manera local en el PC del médico especialista. Una vez entrenado el sistema la función de decisión, que se describe con millones de parámetros que aportan el conocimiento, se puede evaluar incluso en un PC estándar en (casi) tiempo real.

Ir al comienzo

Circunvalación del hipocampo: ¿Llegarán estas técnicas a sustituir la labor de los profesionales?

Prof. Górriz Sáez: Definitivamente, no. Seguramente esta es la pregunta que más he escuchado en los últimos años en diversos foros sobre desarrollo de sistemas de ayuda al diagnóstico (CAD), y que requeriría una mayor extensión en la respuesta. Para ser breve, puedo invocar simplemente a la definición del concepto de aprendizaje supervisado (grosso modo): es un paradigma del aprendizaje estadístico que emplea un tutor para ajustar los clasificadores. Este tutor suele venir representado en forma de etiquetas o categorías que se aplican a los datos disponibles para formar pares (dato, etiqueta).  Por tanto, necesitaremos siempre la participación de expertos humanos que puedan establecer una categoría (conocimiento) a priori en los datos. Quiero aquí recordar que la definición de la IA, según el REPORT / STUDY8 April 2019 Ethics guidelines for trustworthy AI: «los sistemas de IA son sistemas software o hardware diseñados por humanos que….», y en ese diseño es fundamental, no solo el conocimiento a priori del patrón que pretendemos buscar, sino la validación del mismo en un entorno real. Por tanto, la IA para el desarrollo de sistemas CAD no va a reemplazar a los especialistas en Medicina, de ninguna forma, mas les va a proporcionar nuevas herramientas cuantitativas de apoyo a su labor diagnóstica, como las que se encuentran disponibles en la actualidad en navegación para cirugía, preprocesado, fusión y reconstrucción de imágenes de tomografía, etc.

Ir al comienzo

Bibliografía recomendada

• Zhang Y, Gorriz JM, Dong Z. Deep learning in medical image analysis. J Imaging 2021;7(4):74. Digital object identifier (doi): 10.3390/jimaging7040074.
• Gorriz JM, et al. A connection between pattern classification by machine learning and statistical inference whith the General Linear Model. IEEE J Biomed Health Inform 2021; doi: 10.1109/JBHI.2021.3101662.
• Gorriz JM, Iglesias-González E, Ramirez J. Multivariate approaches in neuroimaging: assessing the connectome of Alzheimer´s disease. J Alzheimer Dis 2018;65:693-5. doi: 10.3233/JAD-180654.
• Segovia F, Gorriz JM, Ramirez J, et al. Combining feature extraction method to assist the diagnosis of Alzheimer´s disease. Curr Alzheiner Dise 2016;13:831-7. doi: 10.2174/1567205013666151116141906.
• Ortiz A, Munilla J, Gorriz JM, Ramirez J. Ensembles of deep learning architectures for the early diagnosis of the Alzheimer´s disease. Int J Neural Syst 2016;26:1650025. doi: 10.1142/S0129065716500258.

Ir al comienzo

Cómo citar esta entrevista:

Ir al comienzo