|
|
TRABAJOS ORIGINALES Buenos Aires, Argentina |
"APLICACION DE DATAMINING Y REDES NEURONALES EN BIO-MEDICINA"
CONSIDERACIONES TECNOLOGICAS SOBRE LAS REDES NEURONALES A LA LUZ DE LAS CIENCIAS BIOLOGICAS.
Por el Dr. Carlos Alberto Porta (BA)
En búsqueda de reglas que permitan establecer relaciones entre acontecimientos vinculados con la Salud, la Medicina debió buscar los métodos de avanzada necesarios como para hacer frente a los reclamos de la época.
La profunda motivación de esta búsqueda está constituida por la necesidad de establecer reglas que puedan confirmar las apreciaciones empíricas existentes, o establecer nuevas reglas a la luz de los conocimientos actuales constituyendo de esa forma una verdadera revolución científica de bases epistemológicas.
Profundamente inmersos en la informatización de la Medicina precursora del cambio del siglo XX, los investigadores se dedicaron en los últimos años a evaluar las Redes Neuronales, método cuyo diseño semeja la estructura y la relación de las neuronas del cerebro humano, y que por lo tanto pueden ser personalizadas para cada uso, eligiéndolas de acuerdo a sus funciones o modificando las características de sus componentes.
Tal vez el término "redes neuronales", generalmente asociado al de "inteligencia artificial", induzca a creer en una complejidad inalcanzable para el profesional de la bio-medicina abocado al ejercicio de una disciplina donde la lógica booleana no encuentra el campo propicio, pero lo cierto es que el empleo de las redes neuronales por parte del médico no implica el conocimiento especializado mas allá de la simple recolección de datos.
Su función, es constituir sistemas que aprenden las asociaciones lógicas (adaptativos).
En sí, una red neuronal es un método matemático muy poderoso destinado a establecer modelos de distintos tipos de sistemas, especialmente sistemas no lineales.
En Medicina, casi todos los sistemas son no-lineales, por lo que se considera que en ella los sistemas lineales no tienen validez. Desafortunadamente, el grado de certeza exigido por los sistemas basados en la lógica son muy escasos en Medicina.
Adicionalmente, la incertidumbre de los procesos biológicos, alejados del modelo matemático de la lógica booleana, llevó a diseñar la lógica posibilística, o lógica difusa ("fuzzy logic"), de forma tal que pudiéramos obtener verdades "parciales".
Habitualmente llamadas sistema de "caja negra", se pretende definir a las redes neuronales como un proceso de cálculo que no puede ser visto. Esto puede significar un punto en contra de la utilización por el profesional de la Medicina, habitualmente acostumbrado a conocer las reglas que rigen la "causa y efecto".
Por su robusta configuración y su potencia en el manejo de datos, constituyen una herramienta de singular valor en el manejo de información lo suficientemente pequeña como para desplazar eficazmente a los procedimientos estadísticos convencionales.
Las redes neuronales se caracterizan por ciertas condiciones:
a) Aprendizaje adaptativo: poseen la habilidad de aprender la forma de realizar tareas basadas en la información entregada para entrenamiento o experiencia inicial. Las redes neuronales, al igual que sus modelos humanos de la cual son imagen, aprenden por el ejemplo.
b) Auto-organización: pueden crear su propia organización o representación de la información que reciben durante el período de aprendizaje.
c) Operación en tiempo real: el trabajo de las redes neuronales puede ser efectuado en paralelo.
d) Tolerancia a errores a través de codificación de información redundante.
La estructura de una red neuronal está basada en la existencia de una capa con los nodos de entrada que reciben las señales, y una capa de nodos de salida que emiten las señales de respuesta. En el medio, puede haber una cantidad potencialmente ilimitada de capas intermedias que contienen los nodos intermedios, constituyendo la capa oculta. Existen diferentes esquemas de construcción de redes neuronales, las cuales utilizan diferentes sistemas de "cableado" y estrategias de aprendizaje.
El aprendizaje en las redes neuronales es producido a través de ejemplos, cambiándose los factores de peso (weights) en cada elemento para reducir el error en la salida. Existen dos categorías de aprendizaje en las redes neuronales:
a) Aprendizaje supervisado, el cual incorpora un maestro externo que facilita la explotación de un grupo de datos para el que se conocen valores de todas las variables para clasificar casos en los que sólo algunas variables se han observado.
b) Aprendizaje no supervisado, donde se tiene el objetivo de identificar variables que son útiles para detectar grupos de casos que son similares de una manera significativa. (Clustering)
El gráfico siguiente ilustra sobre la similitud de la unión sináptica de las neuronas biológicas y la "sinapsis" de las redes neuronales.
La configuración de las "capas" que conforman una red neuronal se puede observar en la imagen siguiente.
Existen diversas formas de configurar una red neuronal. Las tres formas que mas se han utilizado son:
1) El perceptron, propuesto por Frank Rosenblatt en la Cornell University en 1958, cuya estructura se basa en 5 elementos básicos: un vector de ingresos; los pesos de los inputs; funciones de sumatoria; dispositivo gatillo; y la salida.
En la imagen siguiente se puede apreciar la constitución esquemática del perceptron.
En los ultimos años ha sido cuestionada la utilidad del perceptron en sistemas complejos.
Se considera que una red neuronal de una sola capa puede solucionar el 80 % de los problemas con la única limitación del tiempo necesario para realizar el proceso. Agregando mas redes neuronales, la velocidad aumenta. Pero debe tenerse presente que si el número de neuronas es muy grande, además de modelar la señal el sistema puede modelar el ruido.
2) El mapa de auto-organización de Kohonen fue propuesto en 1981 y presenta una estructura diferente. Inicialmente considerado como crítica al perceptron, introduce el concepto de "nodos vecinos", y una salida competitiva donde la red es esquematizada como una superficie elástica que sufre deformaciones por tracción.
3) Las redes basadas en la back-propagation, introducen el concepto de la capa oculta como una mejora al esquema original, logrando de esta forma lo que se llama back propagation network. En las redes neuronales MLPs (multi-layer perceptron), el aprendizaje es supervisado con entrenamiento separado y una fase de recall.
Durante el entrenamiento, los nodos de la capa oculta se organizan a si mismo. Durante la fase de recall la red neuronal responderá a los inputs que exhiben características similares a aquellas aprendidas durante la fase de entrenamiento.
Para cada input, la red produce una patente de output. Se compara el output actual con el deseado utilizado durante el entrenamiento, y se calcula el error. Backpropagation ( BP) es un algoritmo habitualmente utilizado en las redes MLPs, el cual propaga hacia atrás los errores de output hacia la capa previa. El resultado obtenido al mezclar los pesos con una proporción del último cambio de peso (momento) es la reducción de las fluctuaciones de los resultados.
Si bien es cierto que el entrenamiento de una red neuronal se basa en el intento y el error, el algoritmo back propagation compara los resultados obtenidos con los esperados. Este proceso suele tomar sólo una fracción del tiempo que suelen demandar el intento y error.
Los pasos que realiza el algoritmo de retropropagación comienzan con el
cálculo de la diferencia entre los outputs deseados y los reales. Luego calcula
el gradiente de error al cuadrado en relación con los pesos que ingresan en la
capa de salida. Y posteriormente se repite en cada capa subsiguiente, hacia
atrás.
APLICACION DE REDES NEURONALES EN EL SECTOR SALUD.
Las Redes Neuronales han sido utilizadas originariamente en forma genérica para las siguientes aplicaciones:
1) Marketing
2) Detección de fraudes.
3) Reconocimiento de caracteres.
4) Ventas.
5) Bolsa de valores.
6) Reconocimiento de voz.
7) Robótica.
8) Simuladores
9) Sector Salud.
La clasificación de las áreas de la aplicación de redes neuronales en el campo de la Medicina, es la siguiente:
1) Diagnóstico: detección de cáncer y patologías cardíacas a através de las señales que se obtienen a partir de la aparatología médica. Los beneficios del uso de redes neuronales en diagnóstico no se ven afectados por factores como la fatiga, las condiciones desfavorables de trabajo, y los estados emocionales.
2) Analítica: en bioquímica se facilitan los análisis de orina, sangre, control de diabetes, ionogramas,y la forma de detectar condiciones patológicas a través del análisis bioquímico.
3) Imágenes: el procesamiento de mágenes de alta complejidad (RX; TAC; RNM; ecografías; Doppler, etc) mediante redes neuronales permitió establecer patentes referidas a imágenes significativas de patologías antes no demostradas.
4) Farmacología: singular valor en el desarrollo de drogas para el tratamiento del cáncer. También han sido utilizadas para el proceso de modelado de biomoléculas.
El algoritmo generalmente utilizado en los items 1), 2), y 4) es el de retropropagación
El comportamiento de una red neuronal depende de los pesos de las funciones de input-output (Funciones de transferencia).
En términos generales, podemos citar que las funciones tipicamente pueden estar en alguna de estas tres categorías:
1) Función linear, donde la actividad de output es proporcinal al peso total del output.
2) Gatillo, donde el output es establecido a uno de dos niveles, dependiendo de cuál input total es mayor que otro, o menor que otro, dependiendo del valor del gatillo.
3) Función sigmoide, donde el output varía permanentemente pero no en forma
linear como los cambios del input. Presenta una similitud considerable con las
neuronas reales.
HERRAMIENTAS FREEWARE Y SHAREWARE PARA REDES NEURONALES
(Potencialmente utilizables en Bio-Medicina)
The ART Gallery
Aspirin/Migraines
AUSIM
BackBrain
Backprop-1.4
Basis of AI, The
Binary Hopfield Net with
free Java source
bps
Brain Neural Network
Simulator
Cascade Correlation Simulator
Clementine
Con-x
Cogito-Ergo
DartNet
Darwin
Decision Series
Falcon
FastICA
FuNeGen
Fuzzy ARTmap
Hyperplane Animator
LVQ PAK
Mactivation
Matrix Backpropagation
Multi-Module Neural
Computing Environment - MUME
Negative feedback neural
net - JavaScript
Neocognitron
Net II
NETS - Network Execution
and Training Simulator
Neural Networks at your
Fingertips
Neural Simulation Language
Version - NSL
NeuralShell
NeuralWorks Predict
NeuDL
NeurDS
Neurfuzz
NeuroForecaster/GA
NevProp
NICO Artificial Neural
Network Toolkit
NNMODEL
nn/xnn
NNCTRL
NNSYSID
PDP Software
PDP++ Software
Pittnet
PlaNet
Pygmalion
QwikNet
Rochester Connectionist
Simulator (RCS)
Roxanne
SESAME - Software
Environment for the Simulation of Adaptive Modular Systems
SOM PAK
SOM Toolbox for Matlab
SpiderWeb Neural Network
Library
Spike and Neuralog
Stuttgart Neural Network
Simulator (SNNS)
SynWorks
Time Delay Neural Network -
TDNN
tlearn
UCLA-SFINX
Valentino Computational
Neuroscience Workbench
VFSR - Very Fast Simulated
Reannealing
WinNN
Xerion Simulator
CONSIDERACIONES
No se han considerado en este trabajo la utilidad de las redes neuronales en el ejercicio profesional de la Medicina, sistemas de atencion médica, prepagas, Obras Sociales, etc, limitándose a lo estrictamente científico.
Sin embargo, debe hacerse notar que la utilidad en estos subsectores del sector Salud también puede ser manifiesta, en tanto se pueda contar con los registros suficientes de información que permitan posteriormente conocer los resultados de las tendencias, actitudes, costumbres, y hasta pronósticos sobre la actividad de la dupla paciente/profesional.
Del material obtenido como información, surge que el empleo de redes neuronales en Bio-Medicina se encuentra en pleno desarrollo. A los trabajos iniciales se le fueron agregando numerosas investigaciones que permiten establecer patentes o pautas significativas de normalidad o de patología. En ocasiones, los equipos multidisciplinarios que llevaron a cabo estos trabajos lograron no solamente establecer patrones novedosos en los temas biológicos tratados, sino diseñar productos propios de ANN que luego serían promovidos en el ambiente de la Bio-Medicina.
Es evidente que con el uso de redes neuronales se está en camino de llegar a revolucionar los conceptos empíricos que la Medicina posee. Solamente el hecho de poder establecer si determinado síntoma, o determinado valor en un análisis de laboratorio puede ser significativo de cierta patología, nos está llevando de la mano al replanteo filosófico del conocimiento médico.
La aparición de la Medicina Basada en la Evidencia significó un profundo cisma en la valoración de la Información Médica, ya que basándose en principios epidemiológicos de real trascendencia pudo establecer los lineamientos destinados a valorizar los trabajos científicos que fueran desarrollados en forma coherente y despojados de toda subjetividad. Se pudo construir de ese modo, la base de datos "Cochrane" de trabajos reconocidos como poseedores de valor científico, los cuales constituyen una garantía de seguridad y calidad.
Luego de la profundización en el tema de las redes neuronales, surge claramente que la labor de la Medicina Basada en la Evidencia (EBM) debe urgentemente adaptar y adoptar los sistemas basados en el modelo de redes neuronales para continuar con su profícua labor de los últimos años.
Sin pretender llevar la Medicina a una función lineal, estamos en condiciones de aprovechar la tecnología en aras de una mejor calidad de atención médica y permitir extraer conclusiones científicas que aparentemente antes no eran detectadas.
Los investigadores que trabajan en Medicina con redes neuronales se han agrupado en una Sociedad Científica mundial: ANNIMAB (Artificial Neuronal Network in Medicine and Biology). Ya se han realizado Jornadas y eventos en su seno, el último de ellos en Göteborg, Suecia, en 2000.
Se han evaluado los métodos en que muchos de sus integrantes realizaron los papers que se detallan en el APENDICE.
Este trabajo monográfico le deja al profesional de la Salud algunas consideraciones que pueden ser analizadas a la luz de la Etica, la Filosofía, la Psicología del Conocimiento Científico, y las relaciones interdisciplinarias dentro de la Ciencia y Tecnología.
La Etica no se ve en crisis ante el advenimiento de los procesos tecnológicos de fin del Milenio. Se da la paradojal situación de que la Tecnología moderna ha hechado mano a los modelos biológicos (redes neuronales; algoritmos genéticos; etc) para la solución de problemas y situaciones precisamente biológicas (los trabajos de esta monografía con ANN; la decodificación del genoma humano con algoritmos genéticos, etc).
El Conocimiento Científico en Biología, carente de la lógica matemática, se ve engrandecido por las posibilidades de lograr un agrupamiento de las variables, por la facilidad de procesamiento de medidas pequeñas y de poblaciones extensas, y especialmente por las posibilidades de establecer nuevos patrones de señales que identifiquen tanto la enfermedad como la normalidad.
Ciencias Biológicas y Tecnología ya van de la mano. La Biología y la Medicina no pueden ocultar la necesidad de la Tecnología para el soporte epidemiológico que caracteriza la Medicina moderna en todos sus grados de utilidad.
En cuanto a la Filosofía, debemos reconocer y aplaudir que la era de la duda científica ante los papers que a diario inundan las publicaciones médicas tiene su próxima finalización con el advenimiento de este modelo que permite acercarnos cada vez mas al diagnóstico certero por excelencia.
En términos de Platón, será que estamos cada día mas cerca de la realidad
"inmanente"?
APENDICE
TRABAJOS DE MEDICINA EFECTUADOS Y EN CURSO QUE UTILIZAN REDES NEURONALES.
Se han tenido en cuenta solamente aquellos papers cuyos contenidos se pudieron obtener para su consideración.
1) "Classification of
EEG (electroencophalography) data of psychotic patients, and automatic sleep
staging based on EEG data".
El Neural Networks Groups del Austrian Research Institute for Artificial Intelligence, con la cooperación del Dept. of Medical Cybernetics and Artificial Intelligence at the University of Vienna, han llevado a cabo esta investigación con el objetivo principal de establecer el reconocimiento de las patentes y el proceso de señales como ayuda en neurología mediante redes neuronales. Prof. Rappelsberger.
2) "The identification of coronary artery disease from stress ECG.
Trabajo realizado en el mismo Instituto. Son sus autores See Dorffner, Leitgeb & Koller.
Basan sus estudios en la obtención de patrones de electrocardiogramas para
el diagnóstico de insuficiencia coronaria mediante redes neuronales.
3) "Development of a new standard for polygraphic sleep analysis".
Este fue un proyecto llamado SIESTA, realizado en colaboración con 15
centros europeos. El objetivo fue establecer pautas en el electroencefalograma
realizado durante el sueño (Polisomnografía), y poder establecer de esa forma
el diagnóstico de las alteraciones del sueño. Emplean redes neuronales.
4) "The alarm detection in cardiotocograms (CTG) for fetal monitoring".
Realizado conjuntamente con la II Clínica Ginecológica de la Univ. De Viena.
Búsqueda de los signos de alarma durante el desarrollo del Monitoreo
Cardíaco Fetal de la paciente en el tercer trimestre de embarazo mediante el
empleo de redes neuronales.
5) "The interpretation of thallium-201 scintigrams (heart scans) with respect to coronary artery disease"
En cooperación con el Dep. de Cardiología, Medicina II de la Universidad de Viena.
Establecimiento de patrones comunes en pacientes sometidos a cámara gamma
con talio radioactivo para el diagnóstico de insuficiencia coronaria.
6) "CTG Evaluation with Neural Networks.
Development of an Alarm System for Fetal Monitoring". (Cardiotocogramas)
University of Vienna, Dept. of Obstetrics and Gynecology, Div. of Prenatal Diagnosis and Therapy . Autora: Claudia Ulbricht.
Similares consideraciónes que el trabajo del item 4). Pero la autora
focaliza la investigación en la necesidad de establecer señales checkeadas
automaticamente que permitan un alerta del sufrimiento fetal lo suficientemente
precoz como para solucionar el inconveniente con éxito. En búsqueda de un
método eficaz, la autora utiliza diferentes sistemas convencionales y
obviamente el de Redes Neuronales. Como información decisiva para este trabajo
se tomó en cuenta el fenómeno de la desaceleración de la frecuencia fetal
durante los episodios de sufrimiento. A diferencia de los métodos
convencionales que evalúan la frecuencia cardíaca fetal (FHR) latido a latido
(integrada), en este trabajo se registró cada latido y no se trabajó en valores
promedio. Las muestras de trazados de cardiotocogramas fueron testeadas
mediante redes neuronales. Según la autora, el set de modelos testeados
contiene diferentes tipos de multicapa de perceptrons y una capa simple oculta
con feedback. Los resultados indican que la desaceleración es fuertemente
dependiente de la variabilidad de la FHR. Por lo tanto, recomienda que los
sistemas futuros de cardiotocografía integren variados métodos de medida de la
variabilidad de la FHR para lograr una correcta clasificación.
7) "Simulation Tools for Neural Networks".
VieNet2 V2.0 - Vienna Neural Network Toolkit 2
Se trata de una herramienta para implementar simulaciones de redes
neuronales. Según sus autores, fue desarrollada para permitir el desarrollo de
redes neuronales sin las restricciones que otros simuladores poseen. Posee una
interfase gráfica y permite la conexión del haedware necesario para las
investigaciones. Para investigación científica, el software es entregado
gratuitamente. Fuera de esa situación se traa de un shareware. Autores: Linhart
G., Dorffner G.
8) "Forecasting Fetal Heartbeats with Neural Networks".
Autores: Claudia Ulbricht, Georg Dorffner, Andreas Lee.
Como complemento del paper del item 6), el mismo equipo trata de posticar
los intervalos entre los latidos fetales registrados en fetos. Comparan seis
modelos de redes neuronales que combinan ventanas de input, capas ocultas de
feedback, y unidad autorecurrente de feedback en diferentes direcciones.
Consideran que la ación de las dos primeras es la que tuvo mejor performance. Y
recomiendan emplear varias técnicas para procesar los aspectos temporales
inherentes a la secuencia de input.
8) Enhancement of EEG-based Diagnosis of Neurological and Psychiatric Disorders by Artificial Neural Networks (ANNDEE)
Proyecto realizado en Austria, con el objetivo de valorizar el diagnóstico de las enfermedades neurológicas y psiquiátricas mediante el uso de redes neuronales que clasifiquen e interpreten los datos del electroencefalograma.
Especialmente dedicado el diagnóstico de esquizofrenia, enfermedad de Párkinson, desórdenes del sueño, epilepsia, etc, así como la detección de psicosis y enfermedades degenerativas.
Características del paper: estandarización, estadísticas y comparación de
los resultados, en sistema no linear (caótico).
9) "Assessing Scoliosis with Laser Imaging and Neural Networks".
Autores: Zernicke, Ronsky, Harder, Clynch, Dewar, Labelle, Gu, Dansereau, Fauvel
Este grupo de trabajo de la Universidad de Calgary (Canada) pretende
establecer mediante redes neuronales los patrones de comparación de las
deformaciones de la curvatura lateral de la columna vertebral de niños
sometidos a estudios basados en imágenes obtenidas por laser. De esa forma se
puede detectar la escoliosis idiopática del adolescente, cuyo trtamiento
preventivo a edad temprana puede dar excelentes resultados. El motivo de uso de
imágenes laser se debe al inteneto de evitar la irradiación de los niños en
procesos de RX convencionales. Aparentemente se trata de una afección frecuente
que pasa inadvertida.
10) "Decision-Support Systems designed for Critical Care".
Autores: M. Frize, H.C.E. Trigg, F.G. Solven, M. Stevenson. B.G. Nickerson . University of New Brunswick, Fredericton, N.B. , Canada E3B 5A3
Con el desarrollo de una herramienta de razonador basado en casos clínicos,
se logró comparar los 10 casos mas parecidos con el caso especial del nuevo
paciente admitido en Unidad de Terapia Intensiva. Utilizaron una base de datos
de 2000 pacientes, la cual debió ser convertida a lenguaje del razonador, luego
de lo cual mediante una red neuronal de feed-forward y back-propagation
lograron un entrenamiento para predecir al tiempo de alta de los pacientes,
duración de la respiración artificial, y de la mortalidad. Propugnan el uso de
este sistema para otras aplicaciones en medicina.
11) "Artificial Neural Networks and Fuzzy Logic in Medical Data Analysis "
(Central Laboratory, Turku University Central Hospital) Finlandia.. Autor: Jari Forsström, MD
El objetivo de este estudio es la aplicación de técnicas no lineares como
las redes neuronales en el análisis de datos médicos. Hasta ahora, estos
sistemas han sido utilizados en imágenes y en datos de laboratorio. Ante los
resultados inseguros de los procedimientos estadísticos convencionales, se
realizó este trabajo para clasificar imágenes de Resonancia Nuclear Magnética.
En este proyecto, se incluyeron los casos de problemas médicos en donde el
modelo se caracteriza por ser no linear, para lo cual se utilizó la
"lógica difusa".
12) "EEG-Analysis by means of Artificial Intelligence"
Autor: Christoph Herrmann, Darmstadt University of Technology (Alemania)
El autor desarrolla un sistema híbrido basado en redes neuronales y
"fuzzy neural network", con el cual puede establecer mas reglas que
con procedimientos estadísticos convencionales, o que con las redes neuronales
solas. Se considera de gran importancia para establecer los patrones clínicos
corrspondientes.
13) "A populational model of hippocampus CA3 region slices".
Autor: Ventriglia, F. Research Institute for Particle and Nuclear Physics. Budapest.
Establecen un modelo estadístico que puede describir la actividad eléctrica
de la población de neuronas de la región cerebral llamada Hipocampus.
14) "Prostate ultrasound images processing".
Autores: D. Crivianu-Gaita, F. Miclea, A. Gaspar, S. Holban, G. Muntean . Timisoara, Rumania.
Los autores, considerando que para el diagnóstico del cánce de próstata es muy importante la evaluación del volumen prostático con el menor error posible, desarrollaron un software que permite detectar la próstata en ecografías transabdominales (no transrectales), obtener una imagen bidimensional y construir un modelo 3D para computar su volumen.
Desarrollan e implementan dos métodos para la reconstrucción tridimensional de la próstata: 1) contorno usando algoritmo original y reconstrucción mediante dos secciones ortogonales: transversal y sagital. 2) filtros circulares, y algoritmo de eliminación de múltiples puntos.
Consideran importante la elección de los parámetros significativos que
formarán la patente de aprendizaje de la red neuronal.
15) "NN in information intensive health care".
Universidad de Goteborg, Suecia.
Se trata de un trabajo conjunto de los Dept. de Filosofía y Medicina de la Universidad de Goteborg, dirigido por Helge Malmgren.
Se trata de un trabajo actualmente en realización.
16) "Medical Knowledge Extraction".
Autor: Ankica Babic (Linkoping University, Suecia)
Se trata de la implementación del procesamiento de la información de datos
médicos para adquirir el conocimiento necesario como para establecer nuevas
reglas de diagnóstico y tratamiento. Para ello, utilizan el método estadístico
convencional y las redes neuronales. Consideran que con el uso simultáneo de
ambos sistemas se logra un considerable resultado que puede ser utilizado para
la determinación de normas. Es una tesis de doctorado.
17) "Artificial Neural Network - a Tool to Improve Computer-Based Decision Support Systems".
Lund University (Suecia). Autores: Edenbrandt, Lars; Pahlm, Olle; Sörnmo, Leif; Palmer, John; Heden, Bo; Holst, Holger; Lindahl, Dan
Considerando que las redes neuronales aprenden mediante ejemplos y después
de una sesión de entrenamiento, pueden ser utilizadas para clasificar nuevos
ejemplos. En este trabajo se utilizan redes neuronales para clasificar
diagnóstico por imágenes y electrocardiogramas. En trabajos anteriores, los
autores evaluaron los resultados de Cámara Gamma mediante redes neuronales.
Consideran que estas redes constituyen un avance de singular magnitud en
Medicina.
18) "Unit for Biomedical Informatics and Systems Analysis, BMSA"
Torgny Groth, associate professor, Director de BMSA . Uppsala University, Suecia.
BMSA es una unidad de investigación interdisciplinaria abocada a tecnologías
y metodologías modernas en investigación relacionada con la educación médica,
especialmente informática Médica y redes neuronales en Medicina. Poseen una
proficua labor en estudios de Telemedicina, y en la aplicación de redes
neuronales en áreas como Terapia Intensiva.
18) "Continuous logic algebra as a mechanism for rule induction from trained neural networks".
Autores: T. Etchells, P.J.G. Lisboa and D.C. Pountney
Se trata de uno de los papers que caracterizan la actividad de investigador
de P. J. G. Lisboa. Se confirma la naturaleza no linear de la información
obtenida mediante redes neuronales.
19) "Neural Networks in the Interpretation of Contrast-Enhanced Magnetic Resonance Images of the Breast".
Autores: Harte T.P, Hanka R., Dixon A.K., Lomas D.J., Britton P.D. (Alemania)
El objetivo de este trabajo es emular la experiencia de los radiólogos en la identificación de las imágenes malignas en estudios de Resonancia Nuclear Magnética de la mama, mediante el uso de redes neuronales. Indirectamente se está buscando incrementar la experiencia de los médicos especializados en Patología Mamaria, para identificar con el máximo de seguridad las lesiones precursoras que permitan minimizar el número de operaciones quirúrgicas innecesarias. Utilizan un producto de red neuronal llamado Stuttgart Neural Network Simulator. Aprovechando los distintos grados de grises que denotan múltiples planos, la RNM con contraste a base de gadolinio puede tener en Patología Mamaria una aplicación de vital interés, especialmente considerando las posibilidades de detección de lesiones no detectables por la mamografía convencional.
El texto completo del paper es muy descriptivo, y permite apreciar cómo
realmente este método puede tener proximamente un papel definitorio en aquellas
imágenes mamográficas dudosas.
20) "Neural Network Approach for Differential Diagnosis of Interstitial Lung Diseases".
Se trata de un paper destinado a establecer diagnóstico diferencial de las
enfermedades del pulmón basado en la enorme ayuda que las redes neuronales
pueden brindar al respecto.
21) "Artificial Intelligence Program at Colorado State University ".
Autor: Dr. Darrell Whitley. Department of Computer Science, Colorado University.
Es un detalle de las actividades que está realizando el grupo de trabajo de
la Universidad de Colorado. Entre ellos: Reconocimiento multisensorial de
objetos (Computer vision); Genetic Algorithms y neuronal networks; Organización
con algoritmos genéticos; Estudios empíricos de sistemas inteligentes;
Reconocimientos de EEG; producción de imágenes 3D.
22) "Current urological applications of neural networks".
Henry Ford Health Systems, Detroit.
En este trabajo se citan los papers previos sobre identificación de litiasis
urinaria, patología prostática, cáncer de próstata, etc, todos basados en el
uso de redes neuronales que implementan el algoritmo de back propagation.
23) "Synthesize, Optimize, Analyze, Repeat (SOAR): Application of Neural Network Tools to ECG Patient Monitoring"
Autores: Raymond L. Watrous, Geoffrey Towell, Martin S. Glassman. Siemens Corporate Research, Learning Systems Department, Princeton, New Jersey
Presentan resultados de la aplicación de síntesis, optimización y análisis
de tareas de Electrocardiograma a través de red neuronal.
24) "Coronary Disease Diagnosis".
Autor: David D. Turner,
Considerando que el SPECT (single photon emitted computed tomography) no es
un procedimiento tecnologicamente perfecto, se propone el uso de imágenes
scintigráficas logradas con talio, y procesadas mediante redes neuronales con el
objeto de investigar los resltados con back-propagation.
25) "Applications of Neural Networks in Environment, Energy, and Health".
Proceedings of the 1995 Workshop on Environmental and Energy Applications of Neural Networks . Autores: Paul E. Keller, Sherif Hashem, Lars J. Kangas, Richard T. Kouzes
Presentan el modelo para aplicación de redes neuronales en Medicina,
especialmente en imágenes médicas, reconocimiento de señales patológicas,
diagnóstico médico, análisis de los efectos ambientales, seguro de salud, y
modelos de sistemas biológicos.
26) "An Introduction To Neural Networks".
Autores: John-William DeClaris; James Roberts (Maryland University)
Este trabajo consiste en una reseña de redes neuronales, con detalles técnicos del perceptron propuesto en 1958 por Frank Rosenblatt Cornell University.
Consideran que una red neuronal de una sola capa es capaz de solucionar el
80 % de los problemas, con la limitación del tiempo necesario. Agregando mas
redes neuronales, la velocidad es mayor. Igualmente se aumenta la velocidad
colocando los perceptrones en serie o en paralelo.
27) "Artificial Neural networks in Anesthesia".
Autor: Dwayne Westenskow, PhD. Dept Anesthesiology University of Utah
Descripción de los contenidos de las aplicaciones de redes neuronales en Anestesiología incluye los procesos siguientes: alarmas; monitoreo de la prsión arterial; medición del volumen sistólico; análisis del capnógrafo y del ECG; rechazo a los artefactos falsos de la oximetría de pulso, y control de la profundidad de la anestesia.
En general se utlizan redes neuronales de back-propagation.
28) Department of Radiology, Yale University School of Medicine
Director: Anand Rangarajan, Ph.D.
Actualmente trabajando en imágenes médicas, visión computada, y estado de conciencia
mediante redes neuronales.
29) "Neural network in the diagnosis of hepatocarcinoma".
Autores: Paola Di Giacomo; Riccardo Maceratini. La Sapienza University, Roma.
Utilizan redes neuronales con aprendizaje supervisado y back-propagation en
el diagnóstico de carcinoma hepático, encontrando muy buenos resultados (error
0.004). Este trabajo puede leerse en el sitio del Congreso Virtual Informedica
2000. (http://www.informedica.org.ar)
30) "Fine Needle Aspirate of Breast Lesions Dataset". Autores: Dr Simon S Cross, Dr Robert F Harrison, Department of Pathology, University of Sheffield Medical School, UK
Los autores proponen establecer reglas para la punción de lesiones mamarias con aguja fina (PAF), y para ello recurren a la ayuda de redes neuronales.
Carlos Alberto Porta (Buenos Aires)
Doctor en Medicina
El autor desea hacer público un sincero agradecimiento al Prof. Lic. Juan M. Ale (Universidad de Palermo) por la motivación, el apoyo y el interés brindado en la confección de esta monografía.
Igualmente, agradecemos
la información enviada en forma personal por los Dres. Paola Di Giacomo y
Riccardo Maceratini (Universidad La Sapienza).
BIBLIOGRAFIA
1) INFORMEDICA
Dr. Renato Sabbatini, Univ. de Campinhas, Brasil.
http://www.apub.org.br/infomed/artigos.htm
2) AN INTRODUCTION TO NEURAL NETWORKS.
J.W. De Claris; J. Roberts; A. Lacaze.
http://www.enee.umd.edu/medlab/neural/nn1.html
3) ANNIMAB (Artificial neural networks in Medicine and Biology)
http://www.hum.gu.se/mailman/listinfo/annimab
4) CONGRESO DE ANNIMAB-1
http://phil.gu.se/ann/annimab2.html
5) INTERNATIONAL NEURAL NETWORK SOCIETY
http://cns-web.bu.edu/inns
6) ANN PAPERS.
Richard Dybowski
http://www.umds.ac.uk/microbio/richard/papers.html
7) DATA MINING
P. Adriaans; D. Zantinge
Addison-Wesley 1998
8) "Neural network in the diagnosis of hepatocarcinoma".
Autores: Paola Di Giacomo; Riccardo Maceratini. La Sapienza University, Roma.
http://www.informedica.org.ar
Lobby / Capilla
1997
CLINICA VIRTUAL GINECOLOGICA, Buenos Aires (Argentina)