Inspiradas en la organización de las neuronas biológicas y el funcionamiento del cerebro humano, las redes neuronales son modelos de algoritmos que integran el área de la computación natural. Esta disciplina se basa en la observación de fenómenos naturales para crear inteligencia artificial.
Para comprender la relación entre las redes neuronales artificiales y biológicas, es importante profundizar en el funcionamiento del cerebro humano y entender cómo sus numerosos procesos pueden inspirar el desarrollo de algoritmos avanzados de inteligencia artificial y resultar en soluciones robustas y adaptables.
El cerebro, uno de los órganos más fascinantes del cuerpo humano, forma parte del sistema nervioso central y cuenta con aproximadamente 86 mil millones de neuronas que procesan y transmiten información. Este órgano dirige todas las funciones del organismo y actúa como un verdadero núcleo de inteligencia y aprendizaje.
A lo largo de millones de años de evolución constante, el cerebro desarrolló mecanismos de alta eficiencia para procesar información, aprender a partir de experiencias pasadas y adaptarse a nuevas situaciones.
Estudiar y adaptar estos mecanismos del cerebro es una tarea imprescindible para el avance de la inteligencia artificial, sobre todo en áreas como el aprendizaje automático y las redes neuronales artificiales. De esta forma, esta investigación proporciona valiosos conocimientos sobre principios fundamentales como la plasticidad neuronal y el aprendizaje.
No cabe duda de que las redes neuronales artificiales funcionan como el “cerebro” de la tecnología. Esta rama de la computación natural es, en definitiva, una de las herramientas más poderosas y versátiles de la inteligencia artificial. Es por eso que, gracias a su capacidad para aprender y resolver problemas complejos, se utiliza en varios sectores, incluida la salud.
Las redes neuronales y sus capas de percepción
Dentro del concepto de redes neuronales existe una subrama conocida como capas de percepción. Dado que la capacidad de la inteligencia humana no depende de una sola neurona, sino de la conexión y coordinación de múltiples neuronas al mismo tiempo, estas deben organizarse en capas.
Inspirada en el sistema nervioso biológico, una red neuronal artificial es, en esencia, una herramienta computacional compuesta por unidades interconectadas, conocidas como perceptrones o neuronas artificiales, que también se organizan en capas. Estas capas son responsables de procesar y transformar los datos de entrada para generar las salidas deseadas.
En resumen, las capas de entrada recopilan la información, las capas intermedias procesan los datos y las capas de salida se encargan de la ejecución.
Biologix y su uso de las redes neuronales
Biologix utiliza redes neuronales dentro de su algoritmo para detectar el ronquido. La solución Biologix se formuló en 2017, se implementó en 2019 y, hasta ahora, solo se utilizaba en el Examen del Sueño Biologix®. En 2024, el parámetro evolucionó nuevamente con el lanzamiento de la Prueba de Ronquidos de Biologix®, que ya no requiere el uso del sensor Oxistar®.
Basándonos en el principio de las capas de percepción, el aprendizaje de una red neuronal es un proceso iterativo que implica la presentación repetida de datos de entrenamiento. Las redes neuronales artificiales son un conjunto de algoritmos matemáticos que logran aprender a partir de características y patrones en grupo de datos, lo que luego permite clasificar eventos.
La red neuronal artificial pasa por un proceso de entrenamiento/aprendizaje similar al de enseñar a una persona a clasificar un objeto a partir de ciertas características. Los procesos clave por los que estos algoritmos pasan son:
- Entrenamiento: la inteligencia artificial aprende a identificar eventos a partir de características establecidas (en el caso del ronquido: volumen, frecuencia, duración, etc.).
- Prueba: mediante el uso de muestras nuevas, se desafía a la inteligencia artificial a aplicar los conocimientos adquiridos en la clasificación correcta de los eventos.
De esta forma, en la solución Biologix se proporcionaron características que describen el ronquido (como su sonido grave y periódico, con una duración promedio de 0,6 a 2 segundos, etc.), junto con ejemplos de una red neuronal. Se utilizaron audios de 268 pacientes grabados durante exámenes de polisomnigrafía en el laboratorio del sueño del Instituto del Corazón de la Facultad de Medicina de la Universidad de São Paulo. Un evaluador humano escuchó cada uno de estos audios y clasificó los sonidos encontrados de forma manual en dos tipos de eventos: “ronquido” o “ruido”.
A continuación, se proporcionaron ejemplos previamente clasificados y características de interés a la red neuronal. De esta forma, se dio inicio a su proceso de entrenamiento y aprendizaje. Cabe recordar que, en este proceso, se asigna un peso para cada atributo; por lo tanto, aquellos que mejoran el rendimiento tienen su peso aumentado.
En la siguiente etapa, se desafió la red neuronal con muestras nuevas para aplicar los conocimientos adquiridos en la clasificación correcta de los eventos sonoros.. Ao concluir todo este processo, a performance da ferramenta foi avaliada segundo diferentes critérios estatísticos:
- Precisión.
- Sensibilidad.
- Especificidad.
Es importante destacar que, cuanto mejores sean estos indicadores, más confiable será la clasificación de la red neuronal y viceversa.
La herramienta implementada en la solución Biologix ya se sometió a diversas pruebas y mejoras por un equipo exclusivamente dedicado a la investigación e innovación. Hoy en día, después de varias versiones, la precisión en la identificación y clasificación de ronquidos es del 92%,resultado que culminó en dos validaciones científicas, publicadas en las revista Clinics (11/2020) y Scientific Reports – Nature (09/2022).
Dado que este proceso es totalmente automatizado, se garantiza la privacidad de los audios de aquella persona que realiza el Examen del Sueño Biologix®. Solo el médico responsable y el paciente tienen acceso a esa información.
