¿Cómo puede la inteligencia artificial avanzar en el tratamiento del cáncer si no hay suficientes datos de pacientes? Este es el desafío que han abordado dos estudios liderados por la Universidad Politécnica de Madrid.
En el ámbito médico, la IA necesita datos para aprender, pero estos suelen ser escasos, heterogéneos y difíciles de compartir debido a normativas éticas y de privacidad. Esta carencia es especialmente crítica en el estudio de enfermedades raras, el cáncer o los análisis de supervivencia.
Para solucionar esto, un equipo de la UPM ha desarrollado una metodología para generar datos sintéticos. Se trata de registros artificiales que reproducen los patrones estadísticos de los datos reales sin copiar a pacientes concretos. Los autores subrayan que, para validar su calidad, es fundamental combinar métricas de utilidad con métricas de similitud, asegurando que los datos artificiales conserven las relaciones complejas de los originales.
El primer estudio, publicado en la revista 'Neurocomputing', propone el uso de un "sesgo inductivo artificial" y técnicas de transferencia de aprendizaje para que los modelos aprendan con muy pocos ejemplos. Los resultados muestran mejoras de hasta el 60 por ciento en la similitud de la distribución de los datos.
El segundo trabajo, publicado en el 'IEEE Journal of Biomedical and Health Informatics', aplica esta metodología a la oncología y al análisis de supervivencia, permitiendo estimar eventos clínicos como recaídas o la progresión de la enfermedad incluso en condiciones restrictivas.
Según la investigadora Patricia Alonso, disponer de datos sintéticos fiables facilitará el desarrollo de herramientas de IA en hospitales con escasos datos y favorecerá la ciencia abierta sin comprometer la privacidad de los pacientes.
Suscríbete a Noticias lat para más noticias.