El aprendizaje autom\u00e1tico (\u201cmachine learning\u201d, en ingl\u00e9s) hace referencia al subcampo dentro de las ciencias de la computaci\u00f3n especializado en el reconocimiento de patrones complejos en conjuntos de datos. A diferencia de la programaci\u00f3n cl\u00e1sica, en la que un programa ejecuta una y otra vez la misma (m\u00e1s o menos compleja) operaci\u00f3n, la principal caracter\u00edstica del aprendizaje autom\u00e1tico es que sus programas consiguen extraer de forma aut\u00f3noma (es decir, sin ser programados espec\u00edficamente para ello) informaci\u00f3n relevante en los datos que est\u00e1n siendo procesados. Esta informaci\u00f3n permite que el programa \u201caprenda\u201d, es decir, que mejore en su ejecuci\u00f3n de la tarea para la que hab\u00eda sido programado (Turing, 1950). Mediante el desarrollo de algoritmos sofisticados (los cuales pueden ser entendidos como \u00abmodelos\u00bb), estos acercamientos permiten identificar relaciones invisibles para el ojo humano. Este tipo de algoritmos interaccionan con nosotros en nuestro d\u00eda a d\u00eda cuando, por ejemplo, la c\u00e1mara de fotos de nuestro m\u00f3vil reconoce una cara o cuando utilizamos una aplicaci\u00f3n de traducci\u00f3n autom\u00e1tica. En este sentido, parte del \u00e9xito de estas herramientas se debe a su extenso campo de acci\u00f3n: desde sistemas que detectan mutaciones en nuestro ADN (Libbrecht y Noble, 2015) hasta el \u00abbig data\u00bb, el cual identifica patrones en enormes conjuntos de datos acerca de, por ejemplo, diferentes segmentos de nuestra sociedad (Boyd y Crawford, 2012). Como es esperable, las ciencias cognitivas no han sido inmunes al desarrollo de estas herramientas. Una simple consulta de los t\u00e9rminos \u201cmachine learning\u201d y \u201cbrain\u201d en un repositorio de art\u00edculos (PubMed; fecha de consulta: julio 2017) permite observar que, mientras en 1990 \u00fanicamente un art\u00edculo conten\u00eda estas etiquetas, 298 trabajos publicados en 2016 coinciden con nuestra b\u00fasqueda.<\/p>\n
Pero, \u00bfc\u00f3mo funciona en la pr\u00e1ctica el aprendizaje autom\u00e1tico? Para responder a esta pregunta quiz\u00e1 sea beneficioso entender qu\u00e9 diferencia conceptual suponen, dentro de la neurociencia cognitiva, estos an\u00e1lisis respecto a acercamientos m\u00e1s cl\u00e1sicos (v\u00e9ase la Figura 1, panel A).<\/p>\n
![\"Figura](\"https:\/\/www.cienciacognitiva.org\/files\/2017-20-f1.jpg\")
Figura 1.- Ilustraci\u00f3n del funcionamiento de la aproximaci\u00f3n cl\u00e1sica y la basada en el aprendizaje autom\u00e1tico a la localizaci\u00f3n de funciones en el cerebro.<\/p><\/div>\n
Imaginemos que el objetivo de nuestro estudio es comparar el procesamiento de im\u00e1genes de perros y gatos en dos regiones cerebrales (regi\u00f3n X y regi\u00f3n Y). Para cada una de estas regiones obtenemos un patr\u00f3n de activaci\u00f3n por est\u00edmulo presentado (en la figura, cada cuadrado del patr\u00f3n representa la activaci\u00f3n [negro = activado; blanco = desactivado] en un v\u00f3xel [unidad volum\u00e9trica utilizada en las im\u00e1genes de resonancia magn\u00e9tica]). Siguiendo la l\u00f3gica de los an\u00e1lisis cl\u00e1sicos, proceder\u00edamos a promediar la actividad a lo largo de estos v\u00f3xeles. En todos los patrones presentados, hay 3 v\u00f3xeles activados y 3 desactivados. El promedio, por tanto, ser\u00eda el mismo para ambos animales en las dos regiones, sugiriendo que \u00e9stas est\u00e1n implicadas de manera similar en el procesamiento de perros y gatos. Sin embargo, podemos observar que, mientras en la regi\u00f3n X esta inferencia parece ser acertada, los patrones en la regi\u00f3n Y son diferentes, indicando una potencial diferencia en la representaci\u00f3n de perros y gatos en esta regi\u00f3n.<\/p>\n
Pese a que en este ejemplo la diferencia salta a simple vista, este tipo de observaciones se antojan complicadas cuando lo que tenemos delante es un conjunto de datos m\u00e1s amplio. Es aqu\u00ed donde los investigadores han utilizado t\u00e9cnicas de aprendizaje autom\u00e1tico para detectar, entre toda la complejidad de nuestros datos, patrones asociados a diferentes representaciones. B\u00e1sicamente, el funcionamiento de estas t\u00e9cnicas (Figura 1, panel B) consiste en el entrenamiento de un algoritmo para diferenciar dos clases (en nuestro caso, perros y gatos) mediante la presentaci\u00f3n de patrones asociados a ambas categor\u00edas (puntos amarillos y azules en la figura). De esta manera, el algoritmo aprende qu\u00e9 regla utilizar para separar ejemplares de cada clase (en este ejemplo, una recta diagonal). El paso clave (\u201ctest\u201d) consiste en la presentaci\u00f3n de ejemplares nuevos sin etiquetar, con el objetivo de comprobar la precisi\u00f3n del algoritmo a la hora de asignar cada ejemplar a la clase que corresponde. De esta manera, cuando la actividad de una zona cerebral permite clasificar los ejemplares de dos categor\u00edas diferentes por encima del nivel del azar, asumiremos que esa zona est\u00e1 representando de forma diferencial dichas categor\u00edas.<\/p>\n
\u00bfQu\u00e9 importancia tienen estas suposiciones en neurociencia cognitiva? Mientras que las t\u00e9cnicas cl\u00e1sicas nos permit\u00edan detectar qu\u00e9 zonas parec\u00edan estar implicadas en ciertos procesos, no era posible entender qu\u00e9 representaciones estaban siendo codificadas en esas regiones. As\u00ed, por ejemplo, ante la activaci\u00f3n de la corteza prefrontal durante una tarea de atenci\u00f3n, el aprendizaje autom\u00e1tico nos permite estudiar si esta activaci\u00f3n subyace a procesos inespec\u00edficos de control (en los cuales diferentes categor\u00edas ser\u00edan representadas de forma similar) o, por el contrario, a la codificaci\u00f3n diferencial de contenidos relevantes para la tarea (Haynes, 2015).<\/p>\n
La aplicaci\u00f3n del aprendizaje autom\u00e1tico en contextos de corte m\u00e1s cl\u00ednico es especialmente ilusionante. Por ejemplo, diversos estudios han demostrado c\u00f3mo, a partir de im\u00e1genes estructurales del cerebro, es posible detectar si una persona con trastorno cognitivo leve (TCL) desarrollar\u00e1 en el futuro una demencia tipo Alzheimer (Moradi, Pepe, Gaser, Huttunen y Tohka, 2015). En este estudio, los investigadores sacaron partida de una de las comentadas cualidades del aprendizaje autom\u00e1tico, la extracci\u00f3n de regularidades significativas en complejos conjuntos de datos. Concretamente, \u201calimentaron\u201d al clasificador con tres fuentes de informaci\u00f3n: im\u00e1genes del estado estructural del cerebro, las puntuaciones en diferentes cuestionarios de habilidades cognitivas y la edad de cada participante, todo ello para pacientes con TCL que posteriormente desarrollaron Alzheimer, as\u00ed como para pacientes con TCL que no desarrollaron la enfermedad (en nuestro ejemplo anterior, esto corresponder\u00eda a los diferentes puntos azules y amarillos). Los resultados de este estudio demostraron que el algoritmo pod\u00eda diferenciar con un 80% de precisi\u00f3n los dos grupos de pacientes s\u00f3lo utilizando las im\u00e1genes cerebrales y que este porcentaje aumentaba al 90% cuando se combinaban todas las fuentes de informaci\u00f3n. Crucialmente, este tipo de resultados permite adelantar el diagn\u00f3stico entre 1 y 3 a\u00f1os en comparaci\u00f3n con otras herramientas disponibles, lo cual supone una ventaja crucial de cara al tratamiento.<\/p>\n
En cualquier caso, el aspecto m\u00e1s interesante del aprendizaje autom\u00e1tico es su flexibilidad. Aunque sea de manera introductoria, este art\u00edculo permite vislumbrar que estas herramientas son moldeables y aplicables a multitud de problem\u00e1ticas diferentes. En un mundo como el actual, en el que la cantidad de datos generados en cada instante es ingente, el potencial del aprendizaje autom\u00e1tico es innegable. El hecho de que los recursos provenientes del aprendizaje autom\u00e1tico utilizados en neurociencia cognitiva sean a\u00fan limitados sugiere que su potencial es a\u00fan mayor en esta disciplina. Es de esperar, por tanto, que las aportaciones m\u00e1s relevantes est\u00e9n a\u00fan por llegar.<\/p>\n
Referencias<\/strong><\/p>\nBoyd, D., y Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Communication & Society<\/em>, 15, 545\u2013662.<\/p>\nHaynes, J.-D. (2015). A primer on pattern-based approaches to fMRI: Principles, pitfalls, and perspectives. Neuron<\/em>, 87, 257\u2013270.<\/p>\nLibbrecht, M. W., y Noble, W. S. (2015). Machine learning applications in genetics and genomics. Nature Reviews Genetics<\/em>, 16, 321\u2013332.<\/p>\nMoradi, E., Pepe, A., Gaser, C., Huttunen, H., y Tohka, J. (2015). Machine learning framework for early MRI-based Alzheimer\u2019s conversion prediction in MCI subjects. NeuroImage<\/em>, 104, 398\u2013412.<\/p>\nTuring, A. (1950). Computing machinery and intelligence. Mind<\/em>, 59, 433.<\/p>\nManuscrito recibido el 5 de agosto de 2017.
\nAceptado el 12 de junio de 2018.<\/p>\n","protected":false},"excerpt":{"rendered":"
Carlos Gonz\u00e1lez-Garc\u00eda Dept. of Experimental Psychology, Ghent University, B\u00e9lgica El aprendizaje autom\u00e1tico permite una comprensi\u00f3n hasta ahora inaudita de conjuntos …<\/span> Read More →<\/span><\/a><\/span><\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[16,4,3],"tags":[622,31,431,73,621],"class_list":["post-1697","post","type-post","status-publish","format-standard","hentry","category-actualidad","category-neurociencia","category-psicologia","tag-aprendizaje-automatico","tag-cerebro","tag-cognicion","tag-inteligencia-artificial","tag-machine-learning"],"_links":{"self":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/1697","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1697"}],"version-history":[{"count":3,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/1697\/revisions"}],"predecessor-version":[{"id":1700,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/1697\/revisions\/1700"}],"wp:attachment":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1697"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1697"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1697"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"(cc0)](\"https:\/\/www.cienciacognitiva.org\/files\/2017-20-cc0-JohnHain.png\")