—¿Qué sensación tuvo al aplicar la matemática en un área completamente nueva?
—Tenía mucho miedo. El Departamento de Ingeniería Biomédica en Hopkins es el número uno en EEUU, sabía que la calidad de los estudiantes y colegas iba a ser buena. Luego lo más apasionante fue darme cuenta de que la medicina hoy es muy poco cuantitativa.
Ayer en una charla de niños con autismo decían que la revolución del siglo XX había sido en física, en la computación y que la del siglo XXI iba a ser una revolución que hará de la Medicina y la Biología una ciencia cuantitativa. Para poder hacerlo posible hay que colocar un matemático y un ingeniero, junto con un médico. Es necesario para que puedan los médicos aprender más de matemática desde el principio. Además, los ingenieros y matemáticos tienen que aplicar lo que ellos hacen a problemas biológicos.
—¿Cree que esta segunda revolución está en marcha? Usted trabaja conectando estas dos áreas.
—Sí, veo que mis colegas en la Escuela de Medicina tienen un montón de datos. Recogen cada vez más y más datos todos los días y después no saben qué hacer con ellos. Gran parte del trabajo que hacen está basado en que los médicos miran las imágenes y las analizan manualmente. Así se pueden estudiar dos o tres imágenes, pero si tienen un millón ¿de qué sirve colectarlas si no se puede hacer nada con ellas? Todo el tiempo nos están llamando (a los ingenieros y matemáticos) y nos preguntan: “oye, ¿cómo puedo hacer esto y esto otro?”
—¿Qué destacaría como un buen ejemplo de la actual interacción entre médicos e ingenieros?
—Tenemos un proyecto en cirugía. Johns Hopkins es una de las mejores escuelas de Medicina, desde el siglo XIX la filosofía de la enseñanza sigue siendo la misma: ver a alguien cómo lo está haciendo, luego practicar y enseñar después a otro. Al practicar te dirán si lo hiciste bien o mal y cómo corregirlo. Es la manera en que uno aprende cirugía y pienso a veces que se aprende a bailar de la misma manera.
Pero hoy en la medicina importa mucho el dinero, sobre todo en EEUU. Si eres un cirujano muy especializado tienes muchísimo más interés en estar haciendo cirugías que en estar enseñando a otros cómo hacerlo. La cantidad de tiempo que están en frente compartiendo y enseñando es muchísimo menor que antes. Hay muchos estudiantes que están practicando solos y de vez en cuando reciben algo de feedback (devolución).
Por otra parte, existe un conjunto de cirugías que se pueden hacer con un robot, como las laparoscópicas. El robot Da Vinci es otro ejemplo, toma más tiempo aprender porque hay que estar mirando por una consola. Es una experiencia distinta pero se puede hacer la cirugía de forma más precisa y el paciente se recupera más rápido. Ahora hay un doble problema: se puede hacer cirugía mejor pero toma más tiempo aprender y hay menos tiempo para que alguien esté enseñando. Desde el punto de vista de la ingeniería es exactamente lo opuesto: tengo datos de cómo lo están haciendo, tengo toda la información, tengo las trayectorias de cómo se movió el robot, los videos de la cámara que está mirando al paciente y cómo se hizo la cirugía. Puedo tomar esos datos y evaluar a los profesionales. Tenemos un proyecto que se llama “el lenguaje de la cirugía”. Al igual que el lenguaje se divide en oraciones, frases, palabras, fonemas, nosotros a la cirugía la dividimos en un conjunto de tareas y la subdividimos en un conjunto de gestos, suturar, agarrar la aguja, insertarla y pasarla para el otro lado. Podemos ver en qué orden y velocidad se hace y cómo se mueve.
—¿De qué manera contribuye eso a mejorar la medicina?
—Lo que yo hago en particular es tomar los datos y videos y reconocer qué es lo que se está haciendo en cada instante de tiempo y luego dar una nota de qué tan bien se está haciendo. En general los médicos están muy contentos porque ellos saben que el sistema actual de evaluación es muy subjetivo. Si tú le preguntas a un cirujano y a otro por los mismos datos, la evaluación no es exactamente la misma. Creo que el sistema debería ser muchísimo más útil porque no solamente ve si lo hiciste bien o mal, sino que tiene que haber un feedback si te equivocaste y darte ejemplos de cómo podrías haber hecho. Eso todavía no lo hemos hecho pero hacia ahí vamos.
—Usted trabaja también en cardiología, ¿hacia dónde apunta este trabajo?
—Una de las revoluciones que se viene es la medicina regenerativa. Cuando el corazón tiene un infarto, hay miocitos (células cardiacas) que mueren. Eso produce arritmias (problemas en la frecuencia del latido del corazón) porque afecta la propagación de la electricidad. Es como tener un río al que le colocas en el medio un gran bloque. Si pudieras insertar células madre que regeneren los tejidos dañados sería genial. En la teoría eso es posible pero tienes que saber qué célula insertar y dónde. En el corazón hay células que tienen distintas funciones y distintas propiedades, la manera en que laten es distinta. Existen técnicas de imágenes que permiten ver las diferencias al estudiar su potencial de acción. Si tienes los datos de todas las células y las imágenes en el tiempo, entonces es posible clasificarlas y decir de qué tipo son las que afectó el infarto y cuáles necesito. Eso estamos haciendo, la diferenciación y las formas.
—¿En qué etapa de la investigación se encuentran? ¿Qué tan cerca de la aplicación?
—Mi colega hace los cultivos de las células y obtiene las imágenes. Yo hago los mecanismos para comparar las forma de los potenciales de acción, entre otras cosas. Es muy difícil. Hacemos la matemática para predecir cómo va a evolucionar la célula y dependiendo de eso hacemos la clasificación. Le daremos a expertos en cardiología nuestras predicciones para que las prueben. El descubrimiento de la ciencia es un proceso interactivo. Justamente ahí es que se está satisfaciendo el sueño de poner a los ingenieros y los médicos juntos. En vez de intentar explorar desde el punto de vista biológico millones de posibilidades, la ingeniería permite dar alternativas que numéricamente son mucho más posibles. Luego se sabrá si biológicamente es verdad o no.
—¿Cuál es el desafío matemático ante un uso tan grande de las imágenes en el área de la computación?
—Hay un montón de desafíos matemáticos. Hoy caminas por la calle, te sacas una foto, la subes a Facebook, todas las fotos las saca gente distinta con propósitos diferentes y nadie es fotógrafo profesional. Los datos son muchísimos más que antes y tomados de manera desorganizada, llenos de errores. Incluso los datos asociados a esas imágenes (conocidos como etiquetas) no son perfectos, están parcialmente corruptos.
Uno de los desafíos matemáticos es el volumen, ser capaz de manejar los datos de tamaño más grande, y ser capaz de manejar datos que no fueron recolectados para lo que tú quieres. Hay muchos de ellos pero pocos interesan. El otro desafío es el nivel de corrupción, las etiquetas asociadas a las imágenes que pueden estar parcialmente equivocadas. En medicina pasa por ejemplo con los metadatos, los datos de los pacientes, el nombre, la edad que figuran en los tests, a lo mejor no todos son correctos.
Hay mucho trabajo actualmente en el área del aprendizaje automático para resolver problemas en paralelo y ver cómo integrarlos. Respecto a los datos erróneos, esto es mucho de lo que hago en el laboratorio, utilizar normas y penalizaciones que hacen que los resultados sean mucho más robustos con respecto a grandes corrupciones de datos. Por ejemplo, en el reconocimiento de rostros. No da lo mismo algorítmicamente si tienes lentes o si cambiaste el color de piel o te cortaste el pelo, sin embargo eres la misma persona. Quiero reconocer que eres tú. Decir que los lentes no importan es fácil, pero especificarlo de manera matemática es muy difícil.
—¿Cómo se aplica en la salud?
—En lo biomédico es parecido. Si tengo que detectar un tumor ¿se sabe la variabilidad de un scanner de Siemens a un scanner de General Electric u otros? Mis colegas en el Instituto Nacional para el Envejecimiento siguen pacientes por 30 años. Cada cinco los escáners cambian y empiezan a ver variabilidad en los datos. ¿La persona enfermó o es solo una variación de la forma en que se adquirieron los datos?
Un cero más a su salario
—¿Cómo ve el desarrollo de la Ingeniería y la Matemática en América Latina?
—Un problema fundamental en la investigación en América Latina es la cantidad de recursos, el tamaño de las becas y el nivel de la competencia. Es muy importante mejorar el financiamiento, es una inversión a largo plazo pero ningún político quiere invertir. Con la excepción de Brasil, no hacemos aviones ni trenes. La gran oportunidad es el software y la ingeniería de bajo costo con el desarrollo de apps y datos. Hay buenos ejemplos y países progresando.
Un error fundamental es la evaluación de la productividad de la investigación. Está basado en las publicaciones en un ranking internacional en donde están revistas (científicas arbitradas) que valen la pena pero también hay otras ahí que no valen. Y algunas que sí valen la pena no están en la lista.
Sería muy importante tener estudiantes buenos a nivel de doctorado aquí, pero la solución es la plata. Arabia Saudita paga el doble y hasta tres veces más por tener doctorados, también a profesores y estudiantes. Hicieron un campus en el medio del desierto (la Universidad de Ciencia y Tecnología Rey Abdullah, KAUST por sus siglas en inglés). La broma que corre dice “KAUST quiere contratar un profesor y este duda”. Entonces la universidad le responde “¿y si le agregamos un cero a su salario?”
La elegancia de las matemáticas
—Durante la conferencia que dictó en Montevideo, mencionó en varias ocasiones que las fórmulas y números que mostraba en su presentación eran “muy bellas”. ¿Cree que hay belleza en las matemáticas?
—Claro, no solo belleza sino elegancia. Cuando estaba en el liceo competí en unas olimpiadas de Matemática y había un problema que era muy sencillo. Decía: toma un número de cinco cifras “12345” y calcula todas las posibles permutaciones (por ejemplo, 54231 o 41325) y suma de todas ellas. Evidentemente una forma de hacerlo es enumerar todas las posibilidades y sumarlas, pero eso no es muy elegante. Si se te ocurre una manera de hacerlo que demore la mitad y que utilice gran parte de la estructura del problema para poder calcularlo, es muchísimo más elegante. Este es un ejemplo de lo que es belleza.
—El dicho indica que “menos es más”…
—¿Por qué nos gusta el Iphone? Un botón. Si puedes hacer todo con un botón, ¿por qué quieres más? La matemática está llena de esas cosas. Cuando los datos son complicados a veces terminamos haciendo algoritmos que no son elegantes, agregamos esto aquí y lo otro allá para que funcione.
—¿Qué es para usted la imagen?
—Matemáticamente es un valor de intensidad asociado a cada pixel, y eso es todo. Desde el punto de vista matemático es muy genérico porque la imagen depende del contenido y el contenido no es una cosa matemática. Cuando un artista hace una interpretación de una imagen, muchas cosas no tienen nada que ver con lo matemático. La imagen es solo un array (conjunto) de números y la interpretación que se le da depende de los seres humanos. Sin embargo, existen algoritmos que pueden predecir la belleza, por ejemplo en rostros. Para eso te pido que las clasifiques y luego hago un algoritmo capaz de predecirlo.
