Los dispositivos de seguimiento del sueño, cada vez más populares, tienen limitaciones importantes que los usuarios deben conocer, según expertos. Si bien estos dispositivos pueden ofrecer información sobre la duración y las etapas del sueño, su precisión en la identificación de estas etapas y en la detección de trastornos del sueño es cuestionable.
La principal preocupación radica en que estos dispositivos, como pulseras de actividad o aplicaciones para teléfonos inteligentes, a menudo se basan en el movimiento para estimar el sueño. Esto significa que pueden confundir la inactividad con el sueño ligero o incluso el sueño profundo, lo que lleva a datos inexactos. Los expertos advierten que confiar únicamente en estos datos puede generar ansiedad innecesaria o incluso llevar a automedicarse, lo cual es peligroso.
Además, la falta de regulación en este mercado es un problema. No todos los dispositivos de seguimiento del sueño están validados clínicamente, lo que significa que no se ha demostrado su precisión en estudios científicos rigurosos. Esto dificulta que los consumidores tomen decisiones informadas sobre qué dispositivo comprar.
Los expertos recomiendan que las personas que tengan preocupaciones sobre su sueño consulten a un profesional de la salud. Un estudio del sueño realizado en un laboratorio especializado es la forma más precisa de diagnosticar trastornos del sueño y determinar el tratamiento adecuado. Los dispositivos de seguimiento del sueño pueden ser útiles como complemento, pero no deben sustituir la evaluación médica profesional.
En resumen, si bien los dispositivos de seguimiento del sueño pueden ser una herramienta interesante para monitorear patrones generales de sueño, es crucial entender sus limitaciones y no confiar ciegamente en sus resultados. La consulta con un médico es fundamental para abordar cualquier problema de sueño de manera efectiva.
Newswise — La tomografía de rayos X es una herramienta poderosa que permite a científicos e ingenieros observar el interior de objetos en 3D, incluyendo chips de computadora y materiales avanzados para baterías, sin necesidad de realizar procedimientos invasivos. Es el mismo principio básico que subyace a las tomografías computarizadas (TC) médicas. Los científicos o técnicos capturan imágenes de rayos X a medida que un objeto gira, y luego un software avanzado reconstruye matemáticamente la estructura interna tridimensional del objeto. Sin embargo, la obtención de imágenes de detalles finos a nanoescala, como las características de un microchip, requiere una resolución espacial mucho mayor que la de una TC médica típica: aproximadamente 10.000 veces superior.
La línea de haz Hard X-ray Nanoprobe (HXN) en el National Synchrotron Light Source II (NSLS-II), una instalación para usuarios de la Oficina de Ciencia del Departamento de Energía de EE. UU. en el Laboratorio Nacional Brookhaven del Departamento de Energía, es capaz de alcanzar ese tipo de resolución con rayos X que son más de mil millones de veces más brillantes que los escáneres TC tradicionales.
La tomografía solo funciona bien cuando estas imágenes de proyección se pueden tomar desde todos los ángulos. Sin embargo, en muchos casos del mundo real, esto es imposible. Por ejemplo, los científicos no pueden girar un chip de computadora plano 180 grados sin bloquear algunos de los rayos X. Cuando se encuentra paralelo a la superficie en ángulos altos, menos rayos X pueden penetrar en el chip, lo que limita los ángulos de visión de la medición. La falta de datos en este rango angular produce un “punto ciego”, lo que lleva al software de reconstrucción a producir imágenes borrosas y distorsionadas.
“Llamamos a esto el problema de la ‘cuña faltante’”, dijo Hanfei Yan, científico principal de la línea de haz HXN y autor correspondiente de este trabajo. “Durante décadas, este problema ha limitado las aplicaciones de la tomografía de rayos X y electrones en muchas áreas de la ciencia y la tecnología”.
Para resolver el problema, los investigadores de NSLS-II han desarrollado un nuevo método llamado perception fused iterative tomography reconstruction engine (PFITRE). Este enfoque novedoso combina la física de los rayos X con el poder de la inteligencia artificial (IA). El equipo entrenó una red neuronal convolucional, un tipo de modelo de IA que aprende automáticamente patrones de datos, con datos simulados. Las redes neuronales convolucionales utilizan capas convolucionales para detectar características importantes, como bordes, texturas o formas, y combinan estas características para hacer predicciones, como identificar lo que hay en una imagen. El componente de IA captura el conocimiento perceptivo de la muestra, lo que el equipo espera que parezca la solución, y lo utiliza para mejorar la imagen reconstruida basándose en ese conocimiento. Mientras tanto, el modelo basado en la física verifica que los resultados sigan teniendo sentido científicamente. Este proceso se repite varias veces hasta que los resultados de los componentes de IA y física convergen, produciendo una reconstrucción que es tanto precisa como visualmente clara. Sus resultados se publicaron recientemente en npj Computational Materials.
Mejor visión requiere un entrenamiento exhaustivo
A diferencia de la corrección de imágenes en la tecnología de consumo, como las cámaras de los teléfonos móviles, la imagen científica debe preservar la precisión, no solo la apariencia. Los científicos necesitaban idear un método para garantizar que la imagen corregida siga siendo coherente con el modelo físico y los datos. Para ello, los científicos de NSLS-II integraron la IA en un motor de resolución iterativo, una herramienta matemática que aborda problemas complejos intentando repetidamente soluciones mejoradas, paso a paso, hasta que se acerca lo suficiente a la respuesta correcta. La IA integrada actúa como un “regularizador inteligente”, una función que limita la sobrecorrección, aprovechando el modelado basado en la física para garantizar que las reconstrucciones sigan siendo fieles a las mediciones reales de los rayos X.
“No queríamos una IA que simplemente cree mejores imágenes. Queríamos una IA que trabaje de la mano con la física, para que los resultados sean tanto visualmente claros como científicamente confiables”, dijo Chonghang Zhao, investigador postdoctoral en HXN y autor principal de este trabajo. “Ese es el poder de nuestro método: combinar la sofisticación de la IA con el modelo físico para garantizar la fidelidad”.
La IA en PFITRE se basa en un tipo de red neuronal llamada arquitectura U-net, un diseño codificador-decodificador que es popular para el procesamiento general de imágenes. La etapa de codificación aprende y detecta características esenciales, como los bordes, las texturas y las formas de una imagen de entrada, y la etapa de decodificación reconstruye la imagen utilizando esas características para restaurar los detalles y corregir las distorsiones. Los investigadores mejoraron la capacidad de U-net con modificaciones estructurales llamadas bloques densos residuales y convoluciones dilatadas. Estos ayudan a la red a capturar información a múltiples escalas, desde texturas finas hasta estructuras más grandes, lo que la hace más adecuada para manejar el problema de la cuña faltante en la tomografía. Sin embargo, un modelo como este no puede aprender por sí solo. Necesita una gran cantidad de datos para entrenarse.
Los conjuntos de datos de microscopía científica reales son demasiado limitados para un entrenamiento eficaz en un modelo de IA específico como PFITRE, por lo que el equipo confió en datos sintéticos. Generaron conjuntos de datos de entrenamiento utilizando imágenes naturales, patrones simulados e imágenes de microscopía electrónica de barrido de circuitos como muestras que se estaban examinando. Para que el entrenamiento sea lo más realista posible, introdujeron un “gemelo digital” del experimento y crearon datos virtuales que imitan las condiciones del mundo real. Incluyeron intencionalmente ruido, desalineación y otras imperfecciones para que la IA pueda manejar los datos físicos.
Impactando el futuro de la imagenología
Aunque todavía hay trabajo por hacer para perfeccionar este método, los beneficios son claros. Las muestras que antes eran inaccesibles debido a su tamaño o geometría ahora pueden producir datos informativos. Un campo de visión más amplio permite analizar una mayor parte de la muestra sin ser víctima de la cuña faltante. Este método también podría ser beneficioso en experimentos donde se requieren menos mediciones, lo que permite estudios in situ más rápidos y reduce la dosis de radiación en muestras sensibles.
“Esto abre la puerta a la obtención de imágenes detalladas de muestras que no se podían estudiar antes. Ese es un gran paso adelante”, dijo Yan. “Ya sea para diagnosticar defectos en microchips o para comprender por qué se degrada una batería, PFITRE nos permite ver detalles en condiciones que antes se consideraban inviables”.
Si bien PFITRE es un avance importante, el equipo reconoce que hay margen de mejora. Actualmente, el método procesa objetos 3D por capas. Ampliarlo a un enfoque 3D completo mejoraría aún más la coherencia, pero requeriría más capacidad de cálculo. Otro desafío es incluir más artefactos, como los de píxeles defectuosos o el movimiento de la muestra, para ampliar su rango de aplicación. Como otros modelos de IA, no puede corregir problemas que no ha “visto” antes. Para abordar esto, el trabajo futuro incorporará la creación de un conjunto de datos de entrenamiento más rico que incluya muchos tipos de artefactos y el desarrollo de formas para que el modelo aprenda de manera más eficaz con menos entrenamiento.
Este nuevo y potente método de análisis de imágenes 3D tiene el potencial de acelerar los descubrimientos en muchos campos, desde el desarrollo de microchips más rápidos y eficientes hasta la síntesis de nuevos materiales e incluso aplicaciones biomédicas. A medida que el aprendizaje automático y la ciencia de sincrotrones continúan evolucionando juntos, herramientas como esta perfeccionarán la visión de los científicos del mundo microscópico para abordar algunos de los mayores desafíos científicos de la sociedad.
Brookhaven National Laboratory es apoyado por la Oficina de Ciencia del Departamento de Energía de EE. UU. La Oficina de Ciencia es el mayor patrocinador de investigación básica en las ciencias físicas en los Estados Unidos y está trabajando para abordar algunos de los desafíos más apremiantes de nuestro tiempo. Para obtener más información, visite science.energy.gov.
Siga a @BrookhavenLab en las redes sociales. Encuéntranos en Instagram, LinkedIn, X, y Facebook.
La versión original de esta historia apareció en Quanta Magazine.
En medio de un campo, es fácil olvidar que vivimos en un planeta redondo. Somos tan pequeños en comparación con la Tierra que, desde nuestra perspectiva, parece plana.
El mundo está lleno de formas como esta: superficies que parecen planas para una hormiga que vive sobre ellas, aunque puedan tener una estructura global más compleja. Los matemáticos llaman a estas formas variedades. Introducidas por Bernhard Riemann a mediados del siglo XIX, las variedades transformaron la forma en que los matemáticos piensan sobre el espacio. Ya no era simplemente un escenario para otros objetos matemáticos, sino un objeto abstracto y bien definido que merecía ser estudiado por derecho propio.
Esta nueva perspectiva permitió a los matemáticos explorar rigurosamente espacios de dimensiones superiores, dando lugar al nacimiento de la topología moderna, un campo dedicado al estudio de espacios matemáticos como las variedades. Las variedades también han ocupado un lugar central en campos como la geometría, los sistemas dinámicos, el análisis de datos y la física.
Hoy en día, proporcionan a los matemáticos un vocabulario común para resolver todo tipo de problemas. Son tan fundamentales para las matemáticas como el alfabeto lo es para el lenguaje. “Si conozco el cirílico, ¿conozco el ruso?”, dijo Fabrizio Bianchi, un matemático de la Universidad de Pisa en Italia. “No. Pero intenta aprender ruso sin aprender el cirílico.”
Entonces, ¿qué son las variedades y qué tipo de vocabulario proporcionan?
Ideas que toman forma
Durante milenios, la geometría significó el estudio de objetos en el espacio euclidiano, el espacio plano que vemos a nuestro alrededor. “Hasta el siglo XIX, ‘espacio’ significaba ‘espacio físico’”, explicó José Ferreirós, un filósofo de la ciencia de la Universidad de Sevilla en España, refiriéndose al análogo de una línea en una dimensión o un plano plano en dos dimensiones.
En el espacio euclidiano, las cosas se comportan como se espera: la distancia más corta entre dos puntos es una línea recta. Los ángulos de un triángulo suman 180 grados. Las herramientas del cálculo son fiables y bien definidas.
Pero a principios del siglo XIX, algunos matemáticos comenzaron a explorar otros tipos de espacios geométricos, espacios que no son planos sino curvos como una esfera o una silla de montar. En estos espacios, las líneas paralelas pueden llegar a intersectarse. Los ángulos de un triángulo pueden sumar más o menos de 180 grados. Y realizar cálculos puede ser mucho más complicado.
La comunidad matemática tuvo dificultades para aceptar (o incluso comprender) este cambio en el pensamiento geométrico.
Pero algunos matemáticos querían llevar estas ideas aún más lejos. Uno de ellos fue Bernhard Riemann, un joven tímido que originalmente planeó estudiar teología (su padre era pastor) antes de sentirse atraído por las matemáticas. En 1849, decidió realizar su doctorado bajo la tutela de Carl Friedrich Gauss, quien había estado estudiando las propiedades intrínsecas de las curvas y las superficies, independientemente del espacio que las rodea.