Actualmente soy parte del equipo de inteligencia artifical de Exo Inc, una empresa enfocada en facilitar el uso de ultrasonido médico. El objetivo de nuestro grupo es crear algoritmos inteligentes que analizan las imágenes de ultrasonido para ayudar al personal clínico a tomar mejores decisiones.
Estudié un doctorado en Aprendizaje Computacional Estadístico (Statistical Machine Learning) en la Universidad de Alberta, en Canadá, bajo la supervisión del profesor Russ Greiner. Mi tesis fue sobre la aplicación de aprendizaje computacional (machine learning) en medicina, principalmente cuando la cantidad de datos de entrenamiento es limitada. Además fui miembro del Alberta Machine Learning Institute y del grupo de Psiquiatría Computacional.
Mi investigación está centrada en el uso de algoritmos inteligentes que cumplan con 4 características: (1) Que sean útiles cuando la cantidad de datos de entrenamiento es limitada, (2) que permitan incorporar el conocimiento médico que tienen los expertos en la materia, (3) que hagan predicciones adecuadas y (4) que sean robustos ante el ruido presente en los datos.
Uno de los problemas al que nos enfrentamos al tratar de analizar información médica es que los datos obtenidos en diferentes hospitales “se ven diferentes”. Es decir, la distribución de probabilidad de los datos es diferente en diferentes hospitales, aún cuando los diferentes hospitales están analizando el mismo fenómeno. Este problema es conocido en inglés como “batch effects” y complica bastante la aplicación de algoritmos de inteligencia artificial. Este es un problema muy similar a “Domain adaptation” y “Transfer learning”, los cuales son problemas aún no resueltos y de gran interés para la comunidad científica. Ahora bien, si los diferentes hospitales están estudiando el mismo fenómeno, entonces debe ser posible representar los datos de tal manera que las diferencias entre los hospitales sean mínimas. Como un ejemplo sencillo, supongamos que dos hospitales toman el peso de las personas, pero uno de ellos lo toma en kilogramos, y otro en libras. Sería un error combinar ambos datos sin modificarlos, pero siempre es posible transformar de kilogramos a libras (o viceversa), y entonces las diferencias desaparecen. Resolver este ejemplo es trivial, ya que podemos identificar rápidamente en dónde está el problema, pero en el caso de imágenes cerebrales obtenidas por medio de resonancia magnética el problema ya no es tan simple. Cómo encontrar la transformación adecuada para que los datos se vuelvan “similares” es uno de mis objetivos de investigación.
Una segunda área de interés es el uso de modelos gráficos probabilísticos que combinen datos discretos y continuos. Este tipo de modelos se conocen en inglés como Markov Random Fields, y son particularmente relevantes para el área médica. Entre las ventajas que presentan está que nos permiten visualizar cómo las diferentes variables están interrelacionadas, y nos permiten hacer predicciones aún cuando contamos con información incompleta, lo cual es muy común en medicina (los doctores no aplican todos los tests posibles a los pacientes). Creo que estos modelos pueden además ser muy útiles al momento de trabajar con datos de distinta naturaleza, tales como imágenes, información genética, información clínica, etc.
Actividades académicas
Grupo de discusión sobre Deep Learning: Una vez por semana nos reunimos para hablar sobre artículos científicos relacionados con Deep Learning. Si están interesado en este tema, ¡Mándame un mensaje!
Asesorías: Mi labor es ayudar a los profesores que imparten algunas clases en la Universidad de Alberta.
– Modelos gráficos probabilísticos (2016, 2017)
– Introducción a machine learning (2015, 2016, 2017)
– Introducción a los fundamentos de computación (2014, 2015)
Cursos interesantes que he tomado
– Introducción a machine learning
– Modelos gráficos probabilísticos
– Procesamiento de lenguaje natural
– Tópicos en Deep Learning
– Técnicas matemáticas para estadística
– Procesos estocásticos
Educación
Doctorado en Statistical Machine Learning (2017 – actual)
Universidad de Alberta – Edmonton, AB, Canadá
Supervisor: Russ Greiner
Maestría en Ciencias Computacionales (2014 – 2016)
Universidad de Alberta – Edmonton, AB, Canadá
Tesis: The challenge of applying machine learning techniques to diagnose schizophrenia using multi-site fMRI data. [pdf] (Nominada al premio como mejor tésis del departamento de ciencias computacionales de la Universidad de Alberta)
Licenciatura en Ingeniería Mecatrónica (2004 – 2008)
Tecnológico de Monterrey (ITESM) – Guadalajara, Jalisco, México