How does machine learning bias in prediction of behavioral phenotypes relate to individual characteristics?
Este estudio analiza los errores de predicción en modelos basados en el cerebro a través de múltiples cohortes y medidas conductuales, revelando que las características individuales tales como el movimiento de la cabeza, la morfología de la cabeza y el sexo/género contribuyen significativamente al sesgo de aprendizaje automático, particularmente para los fenotipos socioafectivos y de salud mental en poblaciones en desarrollo.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Imagina intentar predecir el futuro de una persona basándote en un mapa de su cerebro. Durante décadas, los científicos han esperado que, al escanear el cableado del cerebro, pudieran prever cómo una persona pensará, sentirá o se comportará. Esta idea es la base de un campo llamado medicina de precisión, donde los médicos podrían, algún día, utilizar escaneos cerebrales para detectar riesgos de salud mental incluso antes de que aparezcan los síntomas. Para lograr esto, los investigadores utilizan programas informáticos potentes, a menudo llamados aprendizaje automático, para encontrar patrones en los datos cerebrales que coincidan con comportamientos específicos. Sin embargo, estos programas informáticos no son perfectos. A veces cometen errores, y esos errores no son aleatorios. Al igual que un pronóstico del tiempo puede ser menos preciso para una región específica debido a la geografía local, estos programas de lectura cerebral suelen tener más dificultades con ciertos grupos de personas que con otros. Por ejemplo, estudios previos han demostrado que estos modelos tienden a ser menos precisos para personas de minorías raciales en comparación con los estadounidenses blancos. La gran pregunta ha sido: ¿por qué sucede esto? ¿Es porque el cerebro es diferente, o es algo relacionado con cómo se recolectaron los datos?
Un equipo de investigadores se propuso resolver este enigma analizando miles de escaneos cerebrales y registros de comportamiento de jóvenes. Querían saber si los errores cometidos por estos modelos informáticos estaban vinculados a rasgos específicos de las personas escaneadas. El equipo recopiló datos de tres grupos grandes: cerca de 4.300 niños de nueve a once años, unos 430 niños y adolescentes de cinco a veintiún años, y aproximadamente 780 adultos jóvenes de veintidós a treinta y siete años. En total, examinaron más de 100 comportamientos diferentes, que iban desde la capacidad de alguien para reconocer emociones hasta cómo maneja el estrés o resuelve problemas. Entrenaron sus modelos informáticos para predecir estos comportamientos utilizando únicamente los datos del escaneo cerebral. Una vez que los modelos realizaron sus predicciones, los investigadores calcularon la diferencia entre lo que el modelo adivinó y la puntuación real que la persona obtuvo en la prueba. Esta diferencia es el error de predicción.
Los investigadores plantearon entonces una pregunta simple pero crucial: ¿ocurren estos errores con más frecuencia en personas con ciertas características? Analizaron ocho factores diferentes, incluyendo la edad, el sexo, la raza, la educación, los ingresos familiares, el tamaño de la cabeza y cuánto movió la persona la cabeza mientras estaba dentro del escáner. Descubrieron que los errores estaban, de hecho, vinculados a estos rasgos, pero no de una manera simple. El patrón más consistente fue que los modelos tenían más dificultades al predecir comportamientos sociales y emocionales, como reconocer sentimientos o lidiar con la ansiedad, especialmente en los grupos de menor edad. Para estos rasgos difíciles de predecir, los errores de la computadora estaban fuertemente ligados a tres cosas específicas: cuánto movió la persona la cabeza durante el escaneo, el tamaño de su cerebro y su sexo.
El estudio reveló que las personas que movían más la cabeza mientras eran escaneadas tendían a tener errores de predicción más grandes. Esto tiene sentido porque el movimiento puede desenfocar las imágenes cerebrales, haciendo que sea más difícil para la computadora ver los detalles finos de las conexiones cerebrales. Del mismo modo, el tamaño del cerebro de una persona importaba. Los modelos eran menos precisos para individuos con volúmenes intracraneales más pequeños, que es el espacio total dentro del cráneo que contiene el cerebro. Esto fue particularmente cierto para los niños y para las medidas de problemas de conducta. Finalmente, los investigadores encontraron que los participantes masculinos generalmente tenían errores de predicción más grandes que las participantes femeninas, particularmente cuando los modelos intentaban adivinar capacidades cognitivas o problemas de comportamiento.
Quizás el descubrimiento más importante fue que estos factores están profundamente conectados entre sí. El estudio mostró que la raza y la etnia no solo están vinculadas a factores sociales como los ingresos o la educación, sino que también están vinculadas a estos problemas relacionados con el escaneo. Por ejemplo, los datos mostraron que ciertos grupos raciales tendían a tener más movimiento de cabeza durante los escaneos o tamaños promedio de cerebro diferentes. Esto sugiere que cuando un modelo computacional funciona peor para un grupo racial específico, podría no ser porque el cerebro sea fundamentalmente diferente de una manera que el modelo no pueda entender. En cambio, el error podría derivar de estas diferencias físicas y técnicas en los datos, como el movimiento o el tamaño del cerebro, que resultan ser más comunes en ese grupo.
Los investigadores concluyeron que el sesgo en estos modelos de predicción cerebral no es un problema único, sino una mezcla de muchos factores pequeños trabajando juntos. Encontraron que el simple hecho de eliminar los factores sociales obvios de los datos durante el entrenamiento de la computadora no era suficiente para solucionar el problema. Los errores persistían, lo que sugiere que las formas estándar en que los científicos limpian y preparan los datos de escaneo cerebral aún no son lo suficientemente buenas para manejar estas diferencias sutiles. Este es un hallazgo crítico para cualquiera que aspire a utilizar escaneos cerebrales para diagnosticar condiciones de salud mental de forma temprana. Si una herramienta es menos precisa para ciertos grupos de personas, podría conducir a diagnósticos erróneos o evaluaciones de riesgo incorrectas para aquellos que más necesitan ayuda. El estudio no pretende haber solucionado el problema, pero ha mapeado claramente dónde reside la dificultad, mostrando que para construir herramientas más justas, los científicos deben prestar mucha atención a cómo el movimiento de la cabeza, el tamaño del cerebro y el sexo influyen en los datos, especialmente cuando se trabaja con niños y jóvenes.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.