Redes neuronales artificiales
Inteligencia artificial
Definición:
Las redes neuronales artificiales son sistemas informáticos inspirados en el funcionamiento del cerebro humano, diseñados para reconocer patrones complejos y aprender a partir de datos.
Están formadas por unidades llamadas "nodos" o "neuronas artificiales", organizadas en capas, que procesan información de forma conectada.
Cada nodo recibe información, la transforma mediante una función matemática, y la transmite a otros nodos, simulando una red de comunicación.
En salud mental, pueden aplicarse para:
- Identificar biomarcadores cerebrales en neuroimagen.
- Analizar voz, texto o conducta digital para detectar depresión, psicosis o suicidabilidad.
- Modelar procesos cognitivos y afectivos desde una perspectiva computacional.
Comparación entre redes neuronales biológicas y artificiales
Las redes neuronales biológicas, como las del cerebro humano, están formadas por neuronas que se comunican entre sí mediante impulsos eléctricos y neurotransmisores. Su unidad básica es la neurona, y el aprendizaje ocurre gracias a la plasticidad sináptica, es decir, la capacidad de las conexiones neuronales para fortalecerse o debilitarse en función de la experiencia, la emoción y el contexto vital.
En cambio, las redes neuronales artificiales están compuestas por nodos o “neuronas artificiales”, representadas por funciones matemáticas. Estas redes procesan números, y el aprendizaje se produce ajustando los llamados "pesos sinápticos", siguiendo algoritmos como el de retropropagación del error (backpropagation). No hay emociones, corporalidad ni subjetividad en este proceso: la red simplemente busca minimizar el error en sus predicciones.
Otra diferencia importante es la velocidad. Las redes naturales funcionan a velocidades biológicas —lentas pero altamente eficientes en paralelo— mientras que las artificiales pueden procesar millones de operaciones por segundo, aunque sin la capacidad de comprender el contexto o los significados.
Además, las redes naturales son robustas y adaptables: pueden funcionar incluso con lesiones o con información incompleta. Las redes artificiales, en cambio, son más sensibles a datos ruidosos o fuera de lo que han aprendido: si no han “visto” un tipo de patrón, pueden fallar estrepitosamente.
Por último, el objetivo de una red natural es la adaptación al entorno, la supervivencia y la construcción de significado en interacción con otros. La red artificial, por el contrario, no tiene metas propias: solo intenta resolver una tarea matemática definida por quien la diseñó.
Las redes neuronales artificiales no “piensan” ni “sienten”. Aprenden de miles de historias clínicas, sin contacto humano, pero con gran memoria y cálculo rápido. Necesitan supervisión y contexto clínico para ser útiles.
Un campo prometedor es el Análisis de Redes, parte de la ciencia que se ocupa de investigar los distintos patrones de interacción entre elementos sustentándose en la Teoría de Grafos, y que se ha ido incorporando al estudio de diferentes disciplinas, entre ellas la Medicina.
En este marco destacan dos tipos de redes con propiedades específicas como son las Redes Libres de Escala y de Mundo Pequeño, muy presentes en los sistemas biológicos.
Asi, en este marco, Barabàsi popularizó el término Network Medicine, publicándose el Diseaosoma o Human Disease Network, promulgando Denny Borsboom su Network Theory of Mental Disorders.
De esta manera podemos entender la Psicopatología como una red integrada que relacionaría todos los procesos transdiagnósticos y todas las subredes sintomáticas combinándolas en un único sistema complejo.
Explicaría por ejemplo la comorbilidad, donde los síntomas no permanecerían en el límite de los diagnósticos, si no que se diseminarían mediante los llamados Bridge Symptoms.
El Análisis de Redes nos proporciona información para comprender mejor las subredes sintomáticas, representadas mediante grafos, donde los nodos serían síntomas y los links entre ellos asociaciones.
Determinar la importancia de dichos nodos y enlaces mediante diferentes índices propios de las redes, tales como los de centralidad, o la manera en la que se agrupan formando comunidades, y que síntomas ejercen como puentes en la diseminación sintomática por ejemplo, pueden ayudar a la hora de una planificación terapéutica más óptima.
Comprender la complejidad requiere abandonar el enfoque analítico de dividir por junturas y aceptar una nueva forma de mirar la realidad, en la que añadimos un elemento esencial: el mapa de conexiones entre los elementos.
En palabras de Barabàsi y Oltvai: «El comportamiento de la mayoría de los sistemas complejos, desde la célula a Internet, es expresión de la actividad organizada de sus numerosos componentes.
A un nivel muy abstracto, dichos componentes quedan reducidos a una serie de nodos que están conectados entre sí, o que constituye una red o, en lenguaje matemático más formal, un grafo».
Una red es un grupo de elementos que tienen la característica de estar conectados o interaccionar de alguna manera entre sí.
La parte de la ciencia que se ocupa de investigar (o modelizar) los distintos patrones de interacción entre individuos o elementos, sean virtuales o no, se conoce como «análisis de redes», y se sustenta, principalmente, en la «teoría de grafos».
Un grafo puede representarse como G = (V, E), ya que está compuesto por 2 tipos de elementos: V y E. Los elementos V se denominan «nodos», y los elementos E, «aristas», simbolizando estos últimos las relaciones binarias que se dan dentro de un conjunto.
Hasta hace poco más de una década se admitía que todas las redes complejas se comportaban como si no tuvieran escala, es decir, como si se ajustaran a lo que se conoce como grafo aleatorio.
Esta concepción tiene su origen en los estudios realizados por 2 matemáticos húngaros, Paul Erdős y Alfred Rényi.
Ambos describieron, en 1959 , las redes mediante un modelo (modelo de Erdős -Rényi) según el cual todo nuevo nodo que se añade a una red tenía la misma probabilidad de conectarse a cualquiera de los nodos ya existentes en ella.
En otras palabras, equipararon complejidad con aleatoriedad. La sencillez de su planteamiento y la elegancia de sus teoremas revitalizaron la “teoría de grafos”, surgiendo así un campo de las matemáticas centrado en el estudio (matemático) de las redes.
Comité editorial
Ref. Bibliográficas
INTRODUCCIÓN A LA TEORÍA DE REDES Y PSIQUIATRÍA Jose Ramon Gutiérrez Casares