{"id":178435,"date":"2024-10-17T10:57:42","date_gmt":"2024-10-17T13:57:42","guid":{"rendered":"https:\/\/nuevoitsitio1.wpenginepowered.com\/ar\/sin-categoria\/thomas-lucchetta-mi-idea-no-es-reemplazar-al-medico-sino-mejorar-el-diagnostico-temprano\/"},"modified":"2025-11-21T16:00:44","modified_gmt":"2025-11-21T19:00:44","slug":"thomas-lucchetta-mi-idea-no-es-reemplazar-al-medico-sino-mejorar-el-diagnostico-temprano","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/ar\/inteligencia-artificial\/thomas-lucchetta-mi-idea-no-es-reemplazar-al-medico-sino-mejorar-el-diagnostico-temprano\/","title":{"rendered":"Thomas Lucchetta: ”Mi idea no es reemplazar al m\u00e9dico, sino mejorar el diagn\u00f3stico temprano”"},"content":{"rendered":"

Durante la edici\u00f3n de Nerdearla 2024<\/a>, un evento que promueve el aprendizaje y la colaboraci\u00f3n en la comunidad tecnol\u00f3gica y cient\u00edfica, Thomas Lucchetta, Ssr. Data Scientist en Roostrap<\/strong>, present\u00f3 un proyecto con gran potencial para la detecci\u00f3n temprana de enfermedades neurodegenerativas. En su charla, explic\u00f3 el desarrollo de un modelo de inteligencia artificial capaz de detectar Alzheimer a partir de resonancias magn\u00e9ticas, un avance que podr\u00eda cambiar la forma en que se diagnostica esta enfermedad en estadios iniciales.<\/p>\n

A diferencia de otros proyectos, el enfoque de Lucchetta no naci\u00f3 como una soluci\u00f3n para un cliente, sino como un ejercicio de investigaci\u00f3n impulsado por el inter\u00e9s personal. “No naci\u00f3 como una soluci\u00f3n de negocios, sino que fue un proyecto m\u00e1s de investigaci\u00f3n”. Sin embargo, su trabajo en Roostrap le permiti\u00f3 contar con los recursos necesarios para llevarlo adelante. “Yo trabajo en Roostrap como cient\u00edfico de datos, y me dieron el lugar para hacerlo”<\/em>, a\u00f1adi\u00f3.<\/p>\n

Las etapas del desarrollo del modelo<\/span><\/h2>\n

Lucchetta estructur\u00f3 su charla en tres etapas principales. En la primera parte, detall\u00f3 la obtenci\u00f3n de los datos necesarios para entrenar el modelo, utilizando el repositorio ADNI (Alzheimer’s Disease Neuroimaging Initiative), un recurso que contiene una vasta colecci\u00f3n de resonancias magn\u00e9ticas y datos cl\u00ednicos de pacientes. Esto permiti\u00f3 que su modelo fuera capaz de analizar im\u00e1genes de pacientes en tres estados distintos: personas sanas, personas con deterioro cognitivo leve, y pacientes con Alzheimer.<\/p>\n

El siguiente desaf\u00edo fue el preprocesamiento de esos datos, algo fundamental para que el modelo de inteligencia artificial<\/a> funcione correctamente. Seg\u00fan explic\u00f3, el proceso incluy\u00f3 tres pasos. Primero, normalizar los datos para que todos estuvieran bajo la misma escala. Luego, eliminar informaci\u00f3n irrelevante y enfocarse exclusivamente en los datos cerebrales. Finalmente, corregir los errores que pudieran surgir durante las resonancias, como distorsiones causadas por las ondas magn\u00e9ticas. “Me enfoque en c\u00f3mo preprocesar los datos y acomodarlos para que todo quede bajo la misma escala”<\/em>, explic\u00f3, subrayando que este paso fue crucial para preparar la informaci\u00f3n adecuadamente antes de aplicar el modelo.<\/p>\n

\"width=\"
Aunque el proyecto a\u00fan est\u00e1 en sus primeras etapas, su potencial es indiscutible, y su participaci\u00f3n en Nerdearla 2024 fue una clara demostraci\u00f3n de los avances que se pueden lograr a trav\u00e9s de la investigaci\u00f3n.<\/figcaption><\/figure>\n

El uso de redes neuronales para clasificar im\u00e1genes<\/span><\/h2>\n

En la tercera parte de su presentaci\u00f3n, Lucchetta abord\u00f3 el desarrollo del modelo en s\u00ed. Para la clasificaci\u00f3n de las im\u00e1genes, utiliz\u00f3 redes neuronales convolucionales, un tipo de algoritmo com\u00fanmente empleado en el an\u00e1lisis de im\u00e1genes. “Us\u00e9 redes neuronales convolucionales, que es un tipo de algoritmo dentro de lo que es el machine learning”<\/em>, dijo. Este modelo fue entrenado para clasificar las im\u00e1genes de resonancias magn\u00e9ticas en tres categor\u00edas: personas sanas, personas con deterioro cognitivo leve y personas con Alzheimer. Este enfoque es especialmente valioso porque el deterioro cognitivo leve es una fase previa al Alzheimer, y su detecci\u00f3n temprana podr\u00eda mejorar significativamente los tratamientos y la calidad de vida de los pacientes. “Si podemos detectar ese deterioro cognitivo leve es important\u00edsimo, porque detect\u00e1s con antelaci\u00f3n lo que despu\u00e9s va a ser Alzheimer”<\/em>, explic\u00f3.<\/p>\n

Impacto en el sistema de salud<\/span><\/h2>\n

En cuanto a las implicaciones de esta tecnolog\u00eda, Lucchetta cree que su uso a gran escala podr\u00eda tener un impacto significativo en el sistema de salud, especialmente en lugares como Argentina, donde los recursos m\u00e9dicos a menudo son limitados. “Estar\u00eda buen\u00edsimo porque detecta el deterioro cognitivo leve, lo que permite mejorar el tratamiento de la persona de forma temprana”<\/em>, afirm\u00f3. Este diagn\u00f3stico temprano podr\u00eda permitir que los pacientes comiencen un tratamiento antes de que los s\u00edntomas se agraven, lo que retrasar\u00eda el avance de la enfermedad. Sin embargo subray\u00f3 que “Mi idea no es reemplazar al m\u00e9dico, para nada”<\/em>. En su visi\u00f3n, el modelo servir\u00eda como una herramienta complementaria que podr\u00eda ofrecer un diagn\u00f3stico presuntivo antes de la consulta m\u00e9dica.<\/p>\n

Desaf\u00edos t\u00e9cnicos en el desarrollo<\/span><\/h2>\n

Desarrollar este modelo no estuvo exento de retos t\u00e9cnicos. Uno de los principales desaf\u00edos que Lucchetta enfrent\u00f3 fue el manejo de grandes vol\u00famenes de datos. “Las resonancias descargadas pesaban 54 GB, y cada paso de preprocesamiento generaba la misma cantidad de datos”<\/em>, coment\u00f3, subrayando que esto exig\u00eda una gran capacidad de almacenamiento y procesamiento. Para optimizar el tiempo de procesamiento, utiliz\u00f3 t\u00e9cnicas de multiprocesamiento en Python, lo que le permiti\u00f3 procesar m\u00faltiples im\u00e1genes a la vez, aprovechando los n\u00facleos de su computadora. A pesar de estos avances, el preprocesamiento segu\u00eda siendo un proceso largo y costoso en t\u00e9rminos de recursos.<\/p>\n

Otro reto importante fue la adaptaci\u00f3n de las redes neuronales (que originalmente est\u00e1n dise\u00f1adas para im\u00e1genes en 2D) al formato tridimensional de las resonancias magn\u00e9ticas. “Las resonancias son en 3D porque es el cerebro entero”<\/em>, explic\u00f3, destacando que este ajuste fue fundamental para que el modelo pudiera procesar la informaci\u00f3n de manera adecuada. A pesar de estos obst\u00e1culos, Lucchetta logr\u00f3 completar el desarrollo del proyecto en un mes.<\/p>\n

Posibles mejoras y futuro del proyecto<\/span><\/h2>\n

Si bien el modelo ya cuenta con una precisi\u00f3n del 86%, Lucchetta cree que es posible mejorarlo a\u00fan m\u00e1s. “Se puede mejorar si lo sigo entrenando”<\/em>, afirm\u00f3, pero tambi\u00e9n se\u00f1al\u00f3 que esto requerir\u00eda m\u00e1s tiempo y recursos, dado que el entrenamiento del modelo es un proceso costoso. Adem\u00e1s, mencion\u00f3 que le gustar\u00eda avanzar en el desarrollo de un diagn\u00f3stico diferencial, lo que permitir\u00eda al modelo distinguir entre enfermedades neurodegenerativas con s\u00edntomas similares, como el Alzheimer y la demencia frontotemporal. “Me gustar\u00eda que no solo detecte Alzheimer, sino que tambi\u00e9n empiece a detectar otras enfermedades parecidas”<\/em>, concluy\u00f3.<\/p>\n","protected":false},"excerpt":{"rendered":"

Durante la edici\u00f3n de Nerdearla 2024, un evento que promueve el aprendizaje y la colaboraci\u00f3n en la comunidad tecnol\u00f3gica y cient\u00edfica, Thomas Luchetta, Ssr. Data Scientist en Roostrap, present\u00f3 un proyecto con gran potencial para la detecci\u00f3n temprana de enfermedades neurodegenerativas.<\/p>\n","protected":false},"author":229,"featured_media":178446,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[65],"tags":[399,237],"class_list":["post-178435","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inteligencia-artificial","tag-nerdearla","tag-rinconisv"],"_links":{"self":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/178435","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/users\/229"}],"replies":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/comments?post=178435"}],"version-history":[{"count":0,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/178435\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/media\/178446"}],"wp:attachment":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/media?parent=178435"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/categories?post=178435"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/tags?post=178435"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}