REdes PROfundas para Detección Explicable de Anomalías en SEries temporales (REPROD-EASE) es una propuesta de investigación con una doble aspiración: avanzar en la comprensión teórica de los algoritmos de aprendizaje profundo y aplicar el conocimiento generado para abordar problemas desafiantes en el ámbito de la salud. Más precisamente, es un esfuerzo en equipo que responde a un desafío muy relevante en estas áreas: la detección robusta y explicable de anomalías en algunas de las principales señales biomédicas utilizadas para monitoreo y diagnóstico.
Para abordar este desafío, hemos reunido un equipo multidisciplinario compuesto por matemáticos, físicos e ingenieros, quienes ya colaboran con médicos del Hospital de la Princesa. Todos compartimos un interés común en el procesamiento digital de señales (DSP), la teoría del aprendizaje automático (ML) y sus aplicaciones, y nuestro objetivo es potenciar los resultados de la investigación mediante la unión de esfuerzos en este proyecto.
Objetivos Teóricos y Prácticos:
Desde el punto de vista técnico, pretendemos trabajar en las siguientes líneas innovadoras:
- Uso de herramientas de procesamiento de señales y medidas de teoría de la información para desarrollar nuevos métodos de eliminación de ruido, delimitación y extracción de características que permitan proporcionar entradas altamente informativas a la red. Esto es particularmente relevante en las aplicaciones consideradas, donde el volumen de datos suele ser reducido en comparación con el tamaño de la red.
- Exploración de nuevas arquitecturas de redes neuronales profundas que integren algunas de las herramientas tradicionalmente utilizadas en preprocesamiento y extracción de características:
- Redes neuronales profundas (DNNs) con medidas de información embebidas en las capas iniciales para una extracción de características adaptativa.
- DNNs con funciones de activación basadas en wavelets.
- DNNs dispersas basadas en el desenrollado de algoritmos.
- Desarrollo de herramientas alternativas para la optimización e interpretación de redes:
- Medidas de información alternativas para la optimización de redes.
- Métodos adaptados e innovadores de inteligencia artificial explicable (XAI) para el análisis de series temporales.
- Calibración de redes y cuantificación de incertidumbre para proporcionar probabilidades de clasificación precisas e intervalos de confianza fiables, especialmente en escenarios con pocos datos de entrenamiento o en casos fuera de distribución (OOD).
- Uso de aprendizaje por transferencia, aprendizaje multitarea y meta-aprendizaje para extraer la máxima cantidad de información de los datos disponibles (tanto reales como sintéticos) en aplicaciones donde la obtención de datos etiquetados es difícil o costosa.
Los problemas teóricos tratados son de gran interés para las comunidades de procesamiento de señales y aprendizaje automático, y esperamos que nuestros resultados tengan un impacto significativo en la comunidad académica.
Desde un punto de vista práctico, planeamos aplicar las herramientas propuestas para eliminación de ruido y extracción de características, las nuevas redes neuronales profundas propuestas y los métodos alternativos de optimización e interpretación de redes desarrollados para abordar problemas relevantes y desafiantes en el ámbito de la salud.
El elemento común de los problemas que pretendemos abordar es la detección de anomalías en series temporales univariadas o multivariadas disponibles. En algunos casos, las anomalías corresponden a eventos esporádicos que deben ser detectados y eliminados, como los artefactos bioeléctricos en señales de ECG y EEG. En otros casos, las anomalías corresponden a cambios en el estado del sistema que deben ser detectados a partir de las señales disponibles (series temporales multivariadas), como las crisis epilépticas en señales EEG. Más concretamente, los desafíos y contribuciones esperadas del proyecto son:
- Detección y eliminación de artefactos bioeléctricos en ECG y EEG (ruido electromiográfico (EMG) y movimiento de electrodos en ambas señales, así como artefactos oculares en EEG) que no pueden eliminarse mediante filtrado lineal tradicional y que dificultan significativamente la detección de patologías.
- Desarrollo de redes para la detección universal y robusta de crisis epilépticas (los enfoques actuales presentan un alto número de falsas alarmas y son específicos para cada paciente), cuyas decisiones puedan ser explicadas a los neurofisiólogos y que proporcionen intervalos de confianza fiables.
Ya estamos colaborando con médicos del Hospital de la Princesa en Madrid (Drs. Jesús Pastor y Lorena Vega-Zelaya), y prevemos que la adopción de las soluciones innovadoras desarrolladas en este proyecto a nivel clínico tendrá un gran impacto social. En el sector sanitario, estas soluciones contribuirán al bienestar de millones de pacientes (hay aproximadamente 50 millones de personas con epilepsia en el mundo según la OMS), liberarán a los médicos de operaciones que consumen mucho tiempo (como la detección y anotación manual de segmentos ruidosos y crisis epilépticas) y les proporcionarán herramientas robustas (explicables y con intervalos de confianza fiables) para la detección y análisis de anomalías.
