Google creó un pequeño modelo de inteligencia artificial que lee rastros de glucosa

Google Research ha publicado GlucoFM, un modelo básico entrenado para dar sentido a los datos de los monitores continuos de glucosa, los pequeños sensores montados en la piel que leen el azúcar en sangre cada pocos minutos. La parte destacable es el tamaño. GlucoFM tiene alrededor de 720.000 parámetros, los números internos que un modelo aprende durante el entrenamiento. Un modelo de chat tiene cientos de miles de millones. Este encajaría cómodamente en un teléfono.

La elección del diseño detrás de esto es simple de describir. En un rastro de glucosa suceden dos cosas a la vez: una línea de base lenta que varía a lo largo del día y desviaciones breves y bruscas de las comidas, el ejercicio o una falla del sensor. Los modelos anteriores en este nicho impulsaron a ambos a través de un único flujo de procesamiento. GlucoFM los divide, manejando la tendencia lenta y los eventos transitorios por separado antes de combinarlos. También realiza un seguimiento de qué lecturas faltan en lugar de llenar los vacíos silenciosamente, lo cual es importante porque los datos reales del sensor están llenos de lagunas.

Fue entrenado previamente con 109.066 horas de datos de glucosa sin etiquetar en cinco conjuntos de datos. En 14 combinaciones de cohorte y tarea clínica, el rendimiento promedio aumentó de 54,7 a 58,8 en una medida de precisión estándar, una ganancia de 4,1 puntos sobre el mejor modelo comparable entrenado con los mismos datos. Lideró todas las evaluaciones de riesgo de diabetes y disfunción de las células beta, y en pruebas de cohortes cruzadas, donde un clasificador entrenado en un grupo de estudio se aplica a otro completamente diferente, salió adelante en 11 de 12 casos.

Qué está pasando realmente aquí: la idea interesante aquí no son los resultados sino la receta. El modelo de base generalmente evoca algo enorme, pero el término solo significa un modelo previamente entrenado con una gran cantidad de datos sin etiquetar para que luego pueda adaptarse de manera económica a muchas tareas específicas. Los datos clínicos etiquetados son caros: alguien tiene que realizar los análisis de sangre. Los datos de los sensores sin etiquetar son casi gratuitos, porque la gente usa los sensores de todos modos. GlucoFM aprende la forma de la glucosa a partir de datos gratuitos, por lo que los costosos ejemplos etiquetados son de gran ayuda. En las pruebas se mantuvo por delante de sus rivales incluso cuando se le asignaba un solo participante etiquetado por categoría. Ese patrón, un pequeño modelo especializado más abundantes datos de sensores, se está convirtiendo silenciosamente en una de las cosas más útiles que hace la IA.

Qué significa esto para ti: nada todavía, y vale la pena dejarlo claro. Este es un trabajo de investigación, no un producto, ni un diagnóstico, ni algo que aparecerá en su aplicación de glucosa mañana. Los autores son explícitos acerca de los límites: la población previa al entrenamiento es modesta, las respuestas varían entre personas y entre marcas de sensores, y el modelo actualmente lee una ventana de 24 horas a la vez en lugar de seguir tendencias durante semanas. Lo que sí te dice es hacia dónde se dirigen los dispositivos portátiles de consumo. Los sensores en tu muñeca y debajo de tu piel ya recopilan mucho más de lo que nadie lee, y los modelos que los interpretarán son lo suficientemente pequeños como para ejecutarse en el dispositivo en lugar de en un centro de datos, que es la versión que mantiene los datos más cerca de casa. Si sigues la IA principalmente a través de chatbots, este es un buen recordatorio de que el campo es mucho más amplio que eso.

Fuentes

• Google Research: GlucoFM, modelo básico para la monitorización continua de glucosa
• Artículo: GlucoFM, un modelo básico de flujo dual para CGM
• Resumen de MarkTechPost