«Health & AI» Workshop Cátedra ENIA IAFER
11 febrero, 2025
Nos complace anunciar la organización del Taller gratuito «Salud e IA», sobre la creciente importancia que la Inteligencia Artificial, IA, desempeña en la Salud. Esta actividad se enmarca dentro del proyecto Inteligencia Artificial, Ética, Responsable y de Uso General (IAFER).
Se celebrará de forma presencial en el Edificio UGR-AI del PTS el martes 18 de febrero de 2025, de 10-12:30h y online en el siguiente enlace:
Sólo los 50 primeros inscritos podrán asistir en persona, el resto podrá acceder por Internet. Los ponentes son especialistas en el uso de la IA para problemas médicos complejos de las universidades de Granada, Nottingham y el Imperial College de Londres.
Consulte a continuación el programa del seminario. ¡No olvide inscribirse!
10:00-10:30 Inteligencia artificial responsable para el más allá
Resumen: La inteligencia artificial está revolucionando nuestra forma de interactuar con el mundo, y la muerte no es una excepción. Durante esta charla, el profesor Pérez presentará el programa de investigación del UKRI RAi UK https://rai.ac.uk/ , una inversión de 35 millones de libras desarrollada para ofrecer las mejores prácticas mundiales sobre cómo diseñar, evaluar, regular y operar sistemas de IA de forma que beneficien a las personas y a la sociedad. A continuación se analiza un caso concreto: DeathTech, (es decir, tecnologías emergentes que pretenden preservar digitalmente los recuerdos de nuestros seres queridos). Desde la creación de avatares conversacionales hasta la reconstrucción de voces y rostros mediante IA generativa, las posibilidades parecen ilimitadas. Sin embargo, es crucial abordar esto con responsabilidad. La charla examina cómo la IA puede ayudarnos a sobrellevar el duelo y mantener vivos los recuerdos de nuestros seres queridos, al tiempo que subraya la necesidad de un marco ético sólido para garantizar que estas tecnologías se utilicen en beneficio de la sociedad.
Biografía: Elvira Pérez Vallejos es catedrática de Salud Mental y Tecnología, nombrada conjuntamente por la Facultad de Medicina y la Facultad de Informática de la Universidad de Nottingham. Posee una cartera de investigación altamente interdisciplinar (>80 millones de libras), respaldada por la financiación de los principales consejos de investigación del Reino Unido (AHRC, EPSRC, ESRC, MRC) y el Instituto Nacional de Investigación Sanitaria (NIHR). Es presidenta del Comité de Acciones del UKRI Responsible AI UK y directora de Investigación e Innovación Responsables del UKRI Trustworthy Autonomous Systems Hub. Elvira está a la vanguardia de la investigación mundial sobre salud mental digital. Su trabajo aborda cuestiones críticas como la ética de los datos, la privacidad, la participación de los usuarios y las partes interesadas, la coproducción y la IA responsable. En los últimos seis años, ha colaborado con jóvenes para amplificar sus voces y traducir sus preocupaciones y recomendaciones en recomendaciones políticas en el ámbito de la salud mental digital. Este trabajo contribuyó a la Ley del Reino Unido: Online Safety Act 2023. Actualmente, su trabajo de investigación se centra en la «IA responsable para la muerte y el morir» y en cómo los servicios digitales emergentes de inmortalidad después de la muerte (por ejemplo, griefbots, deadbots y avatares postmortem) pueden afectar al proceso de duelo y luto.
10:30-11:00 Subagrupación de linfomas de células B derivados de centros germinales basada en módulos de metilación del ADN educados por aprendizaje automático
Resumen: Las técnicas de subagrupación existentes para los linfomas difusos de células B grandes basadas en la morfología, la transcriptómica o las alteraciones genéticas se ven obstaculizadas por la superposición de firmas moleculares, la heterogeneidad intratumoral y la reproducibilidad inconsistente. Aunque los perfiles de metilación del ADN han estratificado con éxito tumores sólidos y leucemias, su aplicación a los linfomas de células B maduras (FL y DLBCL) se ve dificultada por una distribución continua y no discreta de los estados de metilación. Para abordar este problema, utilizamos un marco no supervisado que integra la agrupación preliminar de metilación del ADN con la factorización de matrices no negativas difusas (FNMF) para extraer marcadores de metilación robustos e interpretables. Este enfoque es capaz de capturar las ambigüedades inherentes en los patrones de metilación, mejorando así la delineación de subtipos. Los resultados revelaron 300 CpGs que formaban cuatro módulos de metilación, que ordenaban los linfomas en siete patrones de metilación (MP1-7). Estos MP1-7 mostraron asociaciones significativas con características biológicas de los linfomas y se replicaron en muestras externas.
Biografía: María Coral del Val Muñoz es Profesora Titular en el Departamento de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada. Imparte docencia en diversas titulaciones, incluyendo el Grado en Biotecnología, el Grado en Odontología y los Másteres Universitarios en Ciencia de Datos e Ingeniería de Computadores y en Biología Molecular Aplicada a Empresas Biotecnológicas. Obtuvo su doctorado en el año 2000 en la Universidad de Granada con la tesis titulada «Diversidad de hongos formadores de micorrizas arbusculares en suelos contaminados con metales pesados», dirigida por la Dra. Concepción Azcón González de Aguilar. Tras su doctorado, realizó estancias postdoctorales en el Consejo Superior de Investigaciones Científicas (CSIC) en Granada y en el Centro Alemán de Investigación del Cáncer (DKFZ) en Heidelberg, Alemania. Durante este periodo, colaboró con departamentos de Biofísica Molecular y grupos de Bioinformática, ampliando su experiencia en análisis genómico y bioinformática. Su labor investigadora se centra en áreas como la Bioinformática, los Sistemas Inteligentes y la Inteligencia Artificial. Ha participado en proyectos relacionados con el análisis de datos genómicos y la aplicación de técnicas de inteligencia artificial en biología y medicina. Además de su actividad docente e investigadora, la profesora del Val es miembro del grupo de investigación «Soft Computing y Sistemas de Información Inteligentes» de la Universidad de Granada.
11:30-12:00 Mejora del análisis de la fibrosis pulmonar idiopática mediante trayectorias longitudinales de la CVF e identificación de endotipos utilizando técnicas computacionales avanzadas
Resumen: Se identificaron grupos de pacientes con fibrosis pulmonar idiopática (FPI) mediante modelos de aprendizaje automático (ML) mejorados con análisis de sensibilidad. Se realizaron dos estudios: 1) análisis de trayectorias de FVC y 2) clasificación de endotipos. En el análisis de FVC, los modelos RF entrenados con simulaciones MCMC mostraron el NRMSD más bajo. Se obtuvieron cuatro grupos de CVF, cada uno de ellos asociado a distintos riesgos de mortalidad. Un descenso significativo de la CVF en el primer año tras el diagnóstico indicaba un mayor riesgo de mortalidad. Para la clasificación de los endotipos, se identificaron tres grupos (membrana basal, lesión epitelial y fibrina reticulada), cada uno de ellos asociado a tasas de supervivencia y perfiles de biomarcadores únicos. El análisis de sensibilidad y la replicación en un conjunto de datos independiente confirmaron estos resultados. Conclusiones: El análisis de sensibilidad mejora los modelos ML al mejorar su robustez, interpretabilidad y generalizabilidad en el análisis de las trayectorias longitudinales de la CVF y la clasificación de los endotipos en la FPI. Estos resultados respaldan trayectorias de función pulmonar y endotipos distintos, cada uno con características clínicas únicas, y ofrecen información sobre la progresión de la FPI para futuros ensayos clínicos y un mejor tratamiento de los pacientes.
Biografía: Hernán Fainberg es un científico con más de 20 años de experiencia, cuya carrera integra fisiología humana, evolución, estadística y algoritmos computacionales para el procesamiento de datos. Su investigación biomédica se centra en el avance de soluciones terapéuticas en campos como el desarrollo infantil temprano y las enfermedades relacionadas con la edad, en particular la fibrosis pulmonar idiopática (FPI). Colabora con destacados científicos de prestigiosas instituciones de Argentina, Israel, Arabia Saudí, Kuwait, Australia, Estados Unidos, España (Universidad de Granada), Francia y Reino Unido. Sus investigaciones se han publicado en revistas revisadas por expertos de gran impacto, como The Lancet Respiratory Medicine, Trends in Molecular Medicine y JCI Insight. Además de su experiencia en análisis de datos, Hernán tiene experiencia práctica en laboratorios de biología molecular, bacteriología y fisiología animal, lo que le da una amplia perspectiva de los retos científicos. Esta formación interdisciplinar le permite abordar el análisis de datos con una perspectiva integrada y holística. En la actualidad, es investigador principal en el Margaret Turner Warwick Centre for Fibrosing Lung Disease del Imperial College de Londres. Su trabajo se centra en el análisis de agrupación de biomarcadores sanguíneos para identificar perfiles moleculares en afecciones como la fibrosis pulmonar, vinculándolos a factores fisiológicos y clínicos como la capacidad pulmonar. Este enfoque pretende clasificar a los pacientes en endotipos específicos, contribuyendo así al avance de la medicina personalizada. En sus últimas investigaciones, Hernán ha aplicado el análisis de sensibilidad para superar el efecto «caja negra» del aprendizaje automático, mejorando la interpretabilidad de modelos complejos. Esto ha abierto nuevas perspectivas para la comprensión de datos biológicos heterogéneos y el desarrollo de soluciones biomédicas innovadoras, dando lugar a interpretaciones más precisas de la información procedente de diversas bases de datos.
12:00-12:30 Clasificación de la resistencia a múltiples especies y antibióticos con MALDI-TOF
Resumen: La resistencia a los antimicrobianos (RAM) representa una importante amenaza para la salud mundial, ya que afecta a los tratamientos clínicos, la agricultura y la salud pública. Aunque las técnicas de espectrometría de masas como MALDI-TOF ofrecen la oportunidad de detectar rápidamente la AMR, los modelos más avanzados se basan en gran medida en el análisis manual o en técnicas clásicas de aprendizaje automático que dependen en gran medida del preprocesamiento. En esta charla hablaremos de MSDeepAMR, una red convolucional que predice AMR a partir de los datos brutos de espectrometría de masas. El modelo se probó con varios antibióticos y especies bacterianas, destacando la variabilidad de la precisión en cada caso. El modelo también se probó en condiciones de aprendizaje por transferencia, para estimar su rendimiento cuando se trabaja con datos de hospitales pequeños. Además, discutimos una adaptación de MSDeepAMR para incorporar la clasificación multiespecie y multiantibiótico, permitiendo la predicción simultánea de la resistencia a través de múltiples antibióticos y especies bacterianas. Los resultados demuestran una mayor precisión de la predicción y generalizabilidad, destacando el potencial de la integración de la clasificación multietiqueta con datos MALDI-TOF para la detección eficiente y escalable de AMR multidroga.
Controlador de datos: Universidad de Granada e Instituto Interuniversitario Andaluz de Ciencia de Datos e Inteligencia Computacional (DaSCI). La Universidad de Granada tiene derecho a tratar sus datos personales porque es necesario para el cumplimiento de una misión realizada en interés público o en el ejercicio de poderes públicos conferidos al responsable del tratamiento: art. 6.1 e) RGPD. La finalidad del tratamiento es tramitar su solicitud de inscripción. Destinatarios: Universidad de Granada, para la inscripción en la plataforma virtual. Derechos: Tiene derecho a solicitar el acceso, oposición, rectificación, supresión, limitación o portabilidad del tratamiento de sus datos, tal y como se explica en la información adicional.
Biografía: Daniel Peralta Cámara es Profesor Permanente Laboral en el Departamento de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada. Desempeña su labor docente en la Escuela Técnica Superior de Ingenierías Informática y de Telecomunicación. En el ámbito académico, imparte asignaturas en el Grado en Ingeniería Informática, específicamente «Diseño y Desarrollo de Sistemas de Información». Además, participa en el Máster Universitario en Ingeniería Informática, donde enseña «Planificación y Gestión de Proyectos Informáticos» dentro del módulo de Dirección y Gestión de Proyectos. En cuanto a su labor investigadora, el Dr. Peralta Cámara forma parte del grupo de investigación «Soft Computing y Sistemas de Información Inteligentes». Además de su trabajo en la Universidad de Granada, colabora internacionalmente con el Vlaams Instituut voor Biotechnologie, ampliando así su red de investigación y contribuyendo al avance en su campo de especialización.
Esta formación forma parte del proyecto «Inteligencia Artificial Ética, Responsable y de Uso General: Aplicaciones en Escenarios de Riesgo (IAFER)’ Exp: TSI-100927-2023-1 financiado a través de la creación de cátedras universidad-empresa (Cátedras Enia), orientadas a la investigación y desarrollo de la inteligencia artificial, para su difusión y formación en el marco del Plan Europeo de Recuperación, Transformación y Resiliencia, financiado por la Unión Europea-Next Generation EU.
