Los modelos de aprendizaje profundo (DL) han recibido una atención considerable en el ámbito de la inteligencia artificial debido a su capacidad para lograr altos niveles de abstracción mediante transformaciones no lineales consecutivas que dan como resultado el aprendizaje de la representación óptima a partir de datos de alta dimensión. Las redes neuronales convolucionales (CNN) son un subtipo de DL que se muestra prometedor en el campo del análisis de imágenes médicas, permitiendo la clasificación de trastornos psiquiátricos basados en alteraciones cerebrales estructurales sutiles y difusas.

Este proyecto trata de poner de relieve el mérito de los enfoques de DL de última generación, con el objetivo principal de capacitar a una arquitectura de CNN para identificar el trastorno por uso de sustancias (SUD) en comparación con los controles sanos (HC) basados en datos de Resonancia Magnética Estructural (sMRI) y comparar el rendimiento de las CNN con los modelos tradicionales de aprendizaje por máquina. El objetivo secundario es realizar una serie de análisis de interpretabilidad en las redes finales, incluidas las Explicaciones Interpretables Locales Profundas de Modelos Agnósticos (LIME) y el enmascaramiento basado en la teoría para proporcionar medidas generales de SUD y de características de importancia específica de las sustancias.

Un estudio recientemente publicado titulado "Predicción de aprendizaje automático del consumo de alcohol a temprana edad": A Cross-Study, Cross-Sample Validation" (Afzali et al., 2019) se centra en la modelización de la predicción del consumo de alcohol en los primeros años de vida, en un intento de poner de relieve importantes cuestiones metodológicas y de iniciar un diálogo sobre las mejores prácticas en la psiquiatría de predicción. En este estudio se abordaron cinco cuestiones relativas a la elaboración de modelos de predicción, 1) el examen del rendimiento comparativo de diferentes algoritmos de aprendizaje automático y el posible uso de superaprendices, 2) la agrupación de características y el análisis de la contribución de los dominios, 3) la extracción e interpretación de coeficientes, 4) las limitaciones de la validación cruzada del factor k y la necesidad de una muestra de prueba independiente, y 5) las preocupaciones éticas relativas al concepto de "predicción".

La modelización computacional de las tareas de toma de decisiones es un potente método para identificar procesos cognitivos complejos que pueden utilizarse para crear una imagen más detallada de los mecanismos de aprendizaje subyacentes. En este trabajo, mostramos cómo la combinación de sesgos y sensibilidad a los refuerzos constituye un predictor fiable del comportamiento en un paradigma de toma de decisiones. Presentamos un modelo computacional jerárquico bayesiano que intenta capturar mecanismos de aprendizaje cada vez más complejos en la tarea del Paradigma de Aprendizaje por Evitación Pasiva (PALP), utilizando un marco de aprendizaje por refuerzo.

La selección del modelo se realizó sobre la base de la exactitud predictiva, la validación cruzada con exclusión y el factor de Bayes. Ilustramos la utilidad del modelo seleccionado a través de la identificación de los cambios de desarrollo en las subpoblaciones, mostrando cómo se puede utilizar para la clasificación. Identificamos cambios evolutivos en el sesgo de acción y la sensibilidad a la recompensa en adolescentes, desde los 12-13 hasta los 17 años. Además, realizamos dos experimentos para evaluar las trayectorias de desarrollo en función del género y de un grupo de consumidores de cannabis de alto riesgo. En este trabajo, hemos distinguido con éxito los cambios de desarrollo que pueden utilizarse para evaluar las trayectorias de maduración divergentes y ayudar a comprender la evolución cognitiva durante la adolescencia. La importancia de estos hallazgos se extiende al diseño de nuevos estándares de madurez cognitiva que podrían conducir a un mejor diagnóstico de los trastornos de salud mental, como la depresión y la adicción.

En un proyecto innovador, se utilizan modelos basados en agentes (ABM) para simular el futuro del uso de sustancias de los participantes conociendo la estructura inicial del entorno (es decir, el número de agentes iniciales y de usuarios de sustancias de aparición temprana, las reglas de interacción, el nivel de riesgo y la red de cada agente). Los modelos se calibran utilizando la información inicial de los agentes reclutados en cada estudio y ajustando los hiperparámetros.

Este tipo de predicción puede utilizarse no sólo para pronosticar el consumo de sustancias, sino también para investigar el efecto de una intervención durante un determinado período de tiempo. Por lo tanto, el modelo permite comparar el futuro del uso de sustancias en dos escenarios de recibir o no recibir ninguna intervención. Este modelo puede utilizarse para proporcionar un análisis más preciso de la relación costo-beneficio, comparar la eficacia de una intervención en diferentes escenarios y estimar el efecto de diferentes aspectos de la intervención a lo largo del período de tiempo en que los agentes interactúan en el mismo entorno.

El interés de la comunidad de inteligencia artificial/aprendizaje de máquinas en la causalidad ha aumentado significativamente en los últimos años. La inferencia causal, de la que fue pionera Judea Pearl, se centra en los múltiples aspectos de la dinámica causal, como la precedencia temporal, la asociación y los contrafactuales, que pueden conceptualizarse cuantitativamente mediante gráficos y ecuaciones estructurales.

La oportunidad excepcional del acceso a varios datos grandes, multimodales y longitudinales en el Venture Lab nos ha permitido seguir una línea de investigación centrada en modelos cuantitativos de la dinámica causal entre los factores de riesgo (por ejemplo, el uso de sustancias, el tiempo de pantalla) y los resultados psiquiátricos (por ejemplo, la depresión, las experiencias de tipo psicótico), lo que ha dado lugar a seis publicaciones en revistas de alto rango (por ejemplo, JAMA psiquiatría, JAMA pediatría). En esta línea de investigación, nos centramos en la modelización cuantitativa de la dinámica causal mediante asociaciones con procesos de precedencia temporal y mediadores utilizando la modelización de ecuaciones estructurales y modelos bayesianos de múltiples niveles. Este enfoque cuantitativo de la dinámica causal allana el camino para un ambicioso proyecto de modelización causal inferencial en el contexto del aprendizaje automático.