Chubut Digital

Los investigadores que estudian el cáncer dieron a conocer un nuevo modelo de IA que proporciona mapas y visualizaciones a nivel celular de las células cancerosas, lo que los científicos esperan que pueda arrojar luz sobre cómo y por qué ciertas relaciones intercelulares desencadenan el crecimiento de los cánceres. BioTuring , una startup con sede en San Diego, anunció un modelo de IA que puede crear rápidamente visualizaciones detalladas de tumores cancerosos, con una resolución de una sola célula. Este tipo de datos granulares muestra el tamaño y la forma de una célula, qué genes están activados y, fundamentalmente, la posición espacial relativa de millones de células diferentes dentro de una muestra de tejido. A diferencia de los métodos tradicionales de cálculo biológico, mucho más lentos, el nuevo modelo proporciona información en tiempo real y de alta resolución sobre la dinámica tumoral y cómo interactúan las células cancerosas e inmunes.  “Hay alrededor de 30 billones de células en el cuerpo humano y, si observamos una biopsia de un tumor de gran tamaño, veremos que contiene unos cuantos millones de células”, afirmó Son Pham, director ejecutivo de BioTuring. “La analogía sería: imaginemos que estamos analizando imágenes satelitales con una resolución muy alta, intentando entender cómo funciona una ciudad. Lo que hace nuestro modelo, en el contexto de la biología, es mostrarnos cada casa, qué hay dentro de ellas, quién habla con quién y qué dicen”.  “De manera similar, nuestros modelos permiten ver qué células se comunican con otras células, qué grupos se están formando y comunicando entre sí, y qué tipo de relaciones están formando, lo que puede dar respuesta a algunos de los desafíos más complejos de la investigación oncológica clínica”. BioTuring, miembro del programa NVIDIA Inception para empresas emergentes, continúa su investigación en ómica espacial de células individuales, un subcampo de la biología que examina moléculas biológicas (como el ARN mensajero y las proteínas) en su contexto espacial original en el tejido.  https://www.youtube-nocookie.com/embed/TAA_oZ7V9FE?feature=oembed&iv_load_policy=3&modestbranding=1&rel=0&autohide=1&playsinline=0&autoplay=0Vídeo 1. Demostración de la plataforma de aprendizaje profundo SpatialX de BioTuring para el análisis unificado de datos espaciales de múltiples tecnologías. Para crear su mapeo de alta resolución, o “atlas de células de enfermedad”, incluidas las células de cáncer de ovario, el equipo utilizó GPU NVIDIA H100 Tensor Core y bibliotecas NVIDIA cuBLAS y NVIDIA cuSPARSE para acelerar las operaciones matriciales en análisis optimizados como el algoritmo de aprendizaje automático más tradicional, el análisis de red de coexpresión genética ponderada y CellChat.  Saber cómo se desarrollan y hacen metástasis las células cancerosas en el cuerpo humano (y, en concreto, en el microambiente de un órgano) podría mejorar los métodos de detección temprana del cáncer. Además, los investigadores pueden utilizar los conocimientos celulares del modelo para comprender mejor la heterogeneidad tumoral (o tumores cancerosos en el mismo paciente con células que difieren materialmente entre sí).  La granularidad visual mejorada del nuevo modelo significa que los investigadores y desarrolladores de fármacos tienen una posibilidad mucho mayor de descubrir marcadores moleculares que puedan atacar con mayor precisión a las células cancerosas.  El modelo puede ver, por ejemplo, cómo las células T asesinas de una persona (las células humanas que luchan contra las enfermedades) pueden cambiar de forma para atacar a los cánceres. Al saber cómo se transforma el sistema inmunológico de una persona para combatir un cáncer específico, un desarrollador de medicamentos podría crear terapias sintéticas que refuercen el sistema inmunológico del paciente.   “Estamos ayudando a descubrir descubrimientos biológicos que los investigadores pueden utilizar para impulsar estrategias terapéuticas”, afirmó Rujuta Narurkar, director de operaciones de BioTuring. “Comprender el microambiente del tumor a través de las distintas etapas ayudará a trazar la trayectoria del cáncer y, potencialmente, revelar el origen del cáncer en sí. Este nuevo nivel de resolución del tejido canceroso nunca antes había sido posible, pero las nuevas tecnologías lo están poniendo ahora a nuestro alcance”. Recursos relacionados NVIDIA Blog. E. W. Traducido al español

Meta Fundamental AI Research (FAIR) se centra en lograr inteligencia artificial avanzada (AMI) y utilizarla para impulsar productos e innovaciones en beneficio de todos. Conclusiones:  Meta Fundamental AI Research (FAIR) se centra en lograr inteligencia artificial avanzada (AMI) y utilizarla para impulsar productos e innovaciones en beneficio de todos. Hoy, nos complace compartir algunas de nuestras investigaciones y modelos más recientes que respaldan nuestro objetivo de lograr la AMI y nuestro compromiso de larga data de compartir ciencia abierta y reproducible.  Meta PARTNR: Desbloqueo de la colaboración entre humanos y robots  Imagine un mundo en el que los robots sean socios intuitivos en nuestra vida diaria. Limpian, recogen las entregas y ayudan a cocinar, todo ello mientras comprenden nuestras necesidades y se adaptan al entorno dinámico de un hogar ajetreado. Hoy, estamos encantados de presentar PARTNR, un marco de investigación que nos acerca a esta realidad al impulsar la investigación en la colaboración perfecta entre humanos y robots. La mayoría de los robots actuales operan de forma aislada, lo que limita su potencial como agentes de asistencia útiles del futuro. Con PARTNR, pretendemos cambiar el statu quo mediante la publicación de código abierto de un punto de referencia, un conjunto de datos y un modelo a gran escala destinados a estudiar la colaboración entre humanos y robots en las tareas cotidianas. En esencia, PARTNR proporciona un mecanismo para entrenar a los robots sociales mediante un entrenamiento a gran escala en simulación, seguido de su implementación en el mundo físico.  PARTNR se basa en trabajos previos de gran impacto que se han compartido con la comunidad de código abierto. Se basa en los avances logrados con Habitat 1.0 , que entrenó a robots virtuales para navegar en escaneos 3D de casas reales, y Habitat 2.0 , que entrenó a robots virtuales para limpiar casas reorganizando objetos. Con Habitat 3.0 , un simulador diseñado para entrenar modelos para la colaboración entre humanos y robots, dimos otro paso adelante. Habitat 3.0 permitió entrenar modelos de colaboración entre humanos y robots a gran escala, lo que no es factible en el mundo físico debido a problemas de seguridad y escalabilidad. También estamos presentando el benchmark PARTNR, cuyo objetivo es evaluar a los robots colaborativos y garantizar que puedan desempeñarse bien tanto en entornos simulados como físicos. Nuestro benchmark consta de 100.000 tareas, incluidas tareas domésticas como limpiar platos y juguetes. También estamos lanzando el conjunto de datos PARTNR que consiste en demostraciones humanas de las tareas PARTNR en simulación, que se pueden usar para entrenar modelos de IA encarnados. El benchmark PARTNR destaca las principales deficiencias de los modelos existentes, como la mala coordinación y los fallos en el seguimiento de tareas y la recuperación de errores. Animamos a la comunidad académica a seguir desarrollando nuestro trabajo e impulsar el progreso en el campo de la colaboración entre humanos y robots. También hemos avanzado en modelos que pueden colaborar con humanos tanto en entornos físicos como de simulación. Utilizando datos de simulación a gran escala, hemos entrenado un gran modelo de planificación que supera a las líneas base de última generación en términos de velocidad y rendimiento. Este modelo logra un aumento de 8,6 veces en velocidad, al tiempo que permite a los humanos ser un 24 % más eficientes a la hora de completar tareas en comparación con los modelos de alto rendimiento existentes. Puede interpretar instrucciones de largo plazo, descomponiendo tareas complejas en pasos prácticos y proporcionando asistencia significativa a los usuarios humanos. Hemos implementado con éxito este modelo en Spot de Boston Dynamics , lo que demuestra su capacidad para trabajar junto a los humanos en entornos del mundo real. Para mejorar la transparencia y la confianza, también hemos desarrollado una interfaz de realidad mixta que visualiza las acciones y los procesos de pensamiento del robot, ofreciendo una ventana a su toma de decisiones. El potencial de innovación y desarrollo en el campo de la colaboración entre humanos y robots es enorme. Con PARTNR, queremos reimaginar a los robots como futuros socios, no solo agentes, e impulsar la investigación en este apasionante campo. Descargar el código Descargar el conjunto de datos Lea el artículo Democratizar la tecnología lingüística para el Decenio Internacional de las Lenguas Indígenas  El lenguaje es una parte fundamental de quienes somos y, sin embargo, muchas personas en todo el mundo están excluidas de la conversación digital porque su idioma no está respaldado por la tecnología. Para ayudar a cerrar esta brecha, invitamos a la comunidad lingüística a colaborar con nosotros para mejorar y ampliar la cobertura de las tecnologías lingüísticas de código abierto de Meta, incluido el reconocimiento de voz y la traducción automática.  Programa de socios de tecnología lingüística Buscamos socios que colaboren con nosotros para promover las tecnologías lingüísticas, como el reconocimiento de voz y la traducción automática. Nuestros esfuerzos se centran especialmente en los idiomas desatendidos, en apoyo del trabajo de la UNESCO y como parte de la contribución del sector privado al empoderamiento digital en el marco del Decenio Internacional de las Lenguas Indígenas. Buscamos socios que puedan contribuir con más de 10 horas de grabaciones de voz con transcripciones, grandes corpus de texto escrito (más de 200 oraciones) y conjuntos de oraciones traducidas en diversos idiomas. Los socios trabajarán con nuestros equipos para ayudar a integrar estos idiomas en modelos de reconocimiento de voz y traducción automática impulsados ​​por IA, que pretendemos abrir y poner a disposición de la comunidad de forma gratuita. Como socio, también tendrá acceso a talleres dirigidos por nuestros equipos de investigación en los que aprenderá a aprovechar nuestros modelos de código abierto para crear tecnologías lingüísticas. Nos complace que el Gobierno de Nunavut, Canadá, haya aceptado trabajar con nosotros en esta emocionante iniciativa. Para unirse a nuestro Programa de socios de tecnología lingüística, complete este formulario de interés . Referencia de traducción automática de código abierto Además de nuestro Programa de Socios de Tecnología del Lenguaje, estamos lanzando un punto de referencia de traducción automática de código abierto de oraciones cuidadosamente elaboradas por expertos en lingüística

De cara a la próxima década, nuestro enfoque está en lograr inteligencia artificial avanzada (AMI) y usarla para impulsar productos e innovación en beneficio de todos. Durante la última década, el laboratorio Meta Fundamental Artificial Intelligence Research (FAIR) en París ha estado a la vanguardia del avance de la investigación científica. Hemos liderado avances en medicina , ciencia climática y conservación y hemos mantenido nuestro compromiso con la ciencia abierta y reproducible . De cara a la próxima década, nuestro enfoque está en lograr inteligencia artificial avanzada (AMI) y usarla para impulsar productos e innovación en beneficio de todos. Hoy, en colaboración con el Basque Center on Cognition, Brain and Language , un centro de investigación interdisciplinario líder en San Sebastián, España, estamos emocionados de compartir dos avances que muestran cómo la IA puede ayudarnos a avanzar en nuestra comprensión de la inteligencia humana, acercándonos a la AMI. Basándonos en nuestro trabajo previo para decodificar la percepción de imágenes y el habla a partir de la actividad cerebral, estamos compartiendo una investigación que decodifica con éxito la producción de oraciones a partir de grabaciones cerebrales no invasivas, decodificando con precisión hasta el 80% de los caracteres y, por lo tanto, a menudo reconstruyendo oraciones completas únicamente a partir de señales cerebrales. En un segundo estudio, estamos detallando cómo la IA también puede ayudarnos a comprender estas señales cerebrales y aclarando cómo el cerebro transforma eficazmente los pensamientos en una secuencia de palabras. Esta importante investigación no sería posible sin la estrecha colaboración que hemos fomentado en la comunidad de la neurociencia. Hoy, Meta anuncia una donación de 2,2 millones de dólares al Hospital de la Fundación Rothschild en apoyo a este trabajo. Esto continúa nuestra trayectoria de trabajar en estrecha colaboración con algunas de las principales instituciones de investigación de Europa, entre ellas NeuroSpin (CEA) , Inria , ENS-PSL y CNRS . Estas asociaciones seguirán siendo importantes para nosotros a medida que trabajamos juntos para explorar cómo estos avances pueden marcar una diferencia en el mundo y, en última instancia, mejorar la vida de las personas. Uso de IA para decodificar el lenguaje a partir de grabaciones no invasivas del cerebro Cada año, millones de personas sufren lesiones cerebrales que les impiden comunicarse. Los métodos actuales muestran que la comunicación se puede restablecer con una neuroprótesis que envía señales de comando a un decodificador de IA. Sin embargo, las técnicas invasivas de registro cerebral, como la electroencefalografía estereotáctica y la electrocorticografía, requieren intervenciones neuroquirúrgicas y son difíciles de escalar. Hasta ahora, el uso de métodos no invasivos se ha visto limitado por la complejidad del ruido de las señales que registran. Para nuestro primer estudio , utilizamos tanto MEG como EEG (dispositivos no invasivos que miden los campos magnéticos y eléctricos provocados por la actividad neuronal) para registrar a 35 voluntarios sanos del BCBL mientras teclean oraciones. Luego, entrenamos un nuevo modelo de IA para reconstruir la oración únicamente a partir de las señales cerebrales. En las oraciones nuevas, nuestro modelo de IA decodifica hasta el 80% de los caracteres escritos por los participantes registrados con MEG, al menos el doble de lo que se puede obtener con el sistema de EEG clásico. Esta investigación podría crear una nueva vía para las interfaces cerebro-computadora no invasivas que ayuden a restablecer la comunicación a quienes han perdido la capacidad de hablar, pero aún quedan varios desafíos importantes antes de que este enfoque pueda aplicarse en entornos clínicos. El primero está relacionado con el rendimiento: el rendimiento de decodificación aún es imperfecto. El segundo es más práctico, porque la MEG requiere que los sujetos estén en una habitación protegida magnéticamente y permanezcan quietos. Por último, aunque esta investigación se realizó con voluntarios sanos, será necesario realizar trabajos futuros para explorar cómo podría beneficiar a las personas que sufren lesiones cerebrales. Utilizando la IA para entender cómo el cerebro forma el lenguaje También estamos compartiendo un avance hacia la comprensión de los mecanismos neuronales que coordinan la producción del lenguaje en el cerebro humano. Estudiar el cerebro durante el habla siempre ha resultado extremadamente difícil para la neurociencia, en parte debido a un simple problema técnico: mover la boca y la lengua corrompe en gran medida las señales de neuroimagen. Para explorar cómo el cerebro transforma los pensamientos en complejas secuencias de acciones motoras, utilizamos inteligencia artificial para ayudar a interpretar las señales MEG mientras los participantes escribían oraciones. Al tomar 1000 instantáneas del cerebro por segundo, podemos identificar el momento preciso en el que los pensamientos se convierten en palabras, sílabas e incluso letras individuales. Nuestro estudio muestra que el cerebro genera una secuencia de representaciones que comienzan desde el nivel más abstracto de representaciones (el significado de una oración) y las transforman progresivamente en una miríada de acciones, como el movimiento real de los dedos sobre el teclado. Es importante destacar que el estudio también revela cómo el cerebro representa de manera coherente y simultánea palabras y acciones sucesivas. Nuestros resultados muestran que el cerebro utiliza un «código neuronal dinámico», un mecanismo neuronal especial que encadena representaciones sucesivas y mantiene cada una de ellas durante largos períodos de tiempo. Descifrar el código neuronal del lenguaje sigue siendo uno de los principales retos de la IA y la neurociencia . La capacidad de lenguaje, propia de los humanos, ha dotado a nuestra especie de una capacidad de razonar, aprender y acumular conocimientos como ningún otro animal del planeta. Comprender su arquitectura neuronal y sus principios computacionales es, por tanto, un camino importante para el desarrollo de la IA . Habilitando avances en salud con IA de código abierto En Meta, estamos en una posición única para ayudar a resolver algunos de los mayores desafíos del mundo mediante IA. Nuestro compromiso con el código abierto ha permitido a la comunidad de IA aprovechar nuestros modelos para lograr sus propios avances. El mes pasado, compartimos cómo BrightHeart , una empresa con sede en Francia, está utilizando DINOv2 como parte de su software de IA para ayudar a los médicos a identificar o descartar signos sugestivos de defectos cardíacos congénitos en ecografías cardíacas fetales. El año pasado, BrightHeart logró la autorización 510(k) de la FDA para su software, que atribuyen en parte a las contribuciones de código abierto de Meta. También compartimos cómo Virgo , una empresa con sede en los Estados Unidos, está utilizando DINOv2 para analizar videos

Según una nueva investigación, los médicos podrían beneficiarse de la ayuda de un LLM cuando se enfrentan a una encrucijada clínica. Los chatbots basados ​​en inteligencia artificial están mejorando mucho el diagnóstico de algunas enfermedades, pero ¿cómo funcionan cuando las preguntas son menos claras? Por ejemplo, ¿cuánto tiempo antes de una cirugía debe un paciente dejar de tomar anticoagulantes recetados? ¿Debe cambiar el protocolo de tratamiento de un paciente si ha tenido reacciones adversas a medicamentos similares en el pasado? Este tipo de preguntas no tienen una respuesta correcta o incorrecta en los libros de texto: los médicos deben usar su criterio. Jonathan H. Chen , MD, PhD, profesor adjunto de medicina, y un equipo de investigadores están explorando si los chatbots, un tipo de modelo de lenguaje grande, o LLM, pueden responder eficazmente a preguntas tan matizadas, y si los médicos apoyados por chatbots tienen un mejor desempeño. Las respuestas son sí y sí. El equipo de investigación probó el rendimiento de un chatbot al enfrentarse a una variedad de encrucijadas clínicas. Un chatbot por sí solo superó a los médicos que solo podían acceder a una búsqueda en Internet y a referencias médicas, pero armados con su propio LLM, los médicos, de múltiples regiones e instituciones de Estados Unidos, siguieron el ritmo de los chatbots. “Durante años he dicho que, cuando se combinan, la combinación de un ser humano y una computadora va a tener mejores resultados que cualquiera de las dos por separado”, dijo Chen. “Creo que este estudio nos desafía a pensar en eso de manera más crítica y a preguntarnos: ‘¿En qué es buena una computadora? ¿En qué es buena una persona?’. Tal vez debamos repensar dónde usamos y combinamos esas habilidades y para qué tareas reclutamos a la IA”. El 5 de febrero, en Nature Medicine se publicó un estudio que detalla estos resultados . Chen y Adam Rodman, MD, profesor adjunto de la Universidad de Harvard, son coautores principales. Los investigadores posdoctorales Ethan Goh , MD, y Robert Gallo, MD, son coautores principales. Impulsado por chatbots En octubre de 2024, el equipo realizó un estudio , publicado en JAMA Network Open , que probó el desempeño del chatbot al diagnosticar enfermedades y descubrió que su precisión era mayor que la de los médicos, incluso si usaban un chatbot. El artículo actual profundiza en el lado más blando de la medicina, evaluando el desempeño del chatbot y del médico en preguntas que entran en una categoría llamada «razonamiento de gestión clínica». Goh explica la diferencia de esta manera: imagina que estás usando una aplicación de mapas en tu teléfono para guiarte a un destino determinado. Usar un LLM para diagnosticar una enfermedad es como usar el mapa para señalar la ubicación correcta. La forma de llegar allí es la parte del razonamiento de gestión: ¿tomas carreteras secundarias porque hay tráfico? ¿Mantienes el rumbo, parachoques con parachoques? ¿O esperas y esperas a que las carreteras se despejen? En un contexto médico, estas decisiones pueden volverse complicadas. Supongamos que un médico descubre por casualidad que un paciente hospitalizado tiene una masa considerable en la parte superior del pulmón. ¿Cuáles serían los siguientes pasos? El médico (o el chatbot) debería reconocer que un nódulo grande en el lóbulo superior del pulmón tiene estadísticamente una alta probabilidad de propagarse por todo el cuerpo. El médico podría tomar inmediatamente una biopsia de la masa, programar el procedimiento para una fecha posterior o solicitar imágenes para intentar obtener más información. Determinar qué método es el más adecuado para el paciente depende de una serie de detalles, empezando por las preferencias conocidas del paciente. ¿Es reticente a someterse a un procedimiento invasivo? ¿El historial del paciente muestra una falta de seguimiento de las citas? ¿Es fiable el sistema de salud del hospital a la hora de organizar las citas de seguimiento? ¿Y las derivaciones? Este tipo de factores contextuales son cruciales a tener en cuenta, dijo Chen. El equipo diseñó un ensayo para estudiar el rendimiento del razonamiento de gestión clínica en tres grupos: el chatbot solo, 46 ​​médicos con soporte de chatbot y 46 médicos con acceso solo a búsquedas en Internet y referencias médicas. Seleccionaron cinco casos de pacientes anonimizados y se los entregaron al chatbot y a los médicos, quienes proporcionaron una respuesta escrita que detallaba lo que harían en cada caso, por qué y qué consideraron al tomar la decisión. Además, los investigadores recurrieron a un grupo de médicos certificados para crear una rúbrica que calificara un juicio o decisión médica como apropiada. Las decisiones fueron luego calificadas en función de la rúbrica. Para sorpresa del equipo, el chatbot superó a los médicos que solo tenían acceso a Internet y referencias médicas, ya que marcaron más elementos de la rúbrica que los médicos. Sin embargo, los médicos que fueron emparejados con un chatbot obtuvieron el mismo rendimiento que el chatbot solo. ¿Un futuro de médicos chatbot? Lo que exactamente impulsó la colaboración entre médicos y chatbots es un tema de debate. ¿El uso del LLM obliga a los médicos a pensar más en el caso? ¿O el LLM proporciona una orientación en la que los médicos no habrían pensado por sí solos? Es una dirección futura de exploración, dijo Chen. Los resultados positivos de los chatbots y de los médicos asociados a ellos plantean una pregunta cada vez más popular: ¿Están los médicos con IA en camino? “Tal vez sea un punto a favor de la IA”, dijo Chen. Pero en lugar de reemplazar a los médicos, los resultados sugieren que los médicos podrían querer recibir la ayuda de un chatbot. “Esto no significa que los pacientes deban saltarse al médico y acudir directamente a los chatbots. No lo hagan”, dijo. “Hay mucha información buena, pero también hay información mala. La habilidad que todos debemos desarrollar es discernir lo que es creíble y lo que no es correcto. Eso es más importante ahora que nunca”. Para más información Investigadores del VA Palo Alto Health Care System, el Beth Israel Deaconess Medical Center, la Universidad de