Inteligencia computacional y una aplicación en cardiología - Conacyt - | La Crónica de Hoy
Facebook Twitter Youtube Jueves 29 de Diciembre, 2016
Inteligencia computacional y una aplicación en cardiología | La Crónica de Hoy

Inteligencia computacional y una aplicación en cardiología

Conacyt -

En el campo de la cardiología, una de las principales tareas desempeñadas por los especialistas radica en la detección de casos de estenosis sobre las arterias coronarias. Este tipo de lesiones ocurre cuando las arterias se ven bloqueadas por la acumulación de grasa, la cual impide el libre flujo de sangre a lo largo del conducto, generando un riesgo grave de sufrir un infarto. Generalmente para realizar esta tarea, los especialistas se apoyan en la inyección de un tinte de contraste sobre el conducto y en la generación de imágenes de rayos X.
Debido a que en clínica práctica la detección de estenosis suele llevarse a cabo de forma manual, resulta ser una tarea exhaustiva y de intensa labor para el especialista, lo cual abre a su vez una amplia línea de generación de conocimiento en el desarrollo de sistemas para el diagnóstico asistido por computadora (CAD, por sus siglas en inglés, Computer-Aided Diagnosis), así como para la aplicación de diversas técnicas de inteligencia computacional que intenten reproducir el importante papel que juega el especialista médico.
La inteligencia computacional es un conjunto de metodologías que permite el desarrollo de sistemas para la resolución de problemas complejos y con cierto nivel de adaptación a problemas dinámicos. Dentro de las técnicas más populares de inteligencia computacional se encuentran las redes neuronales para problemas de clasificación, algoritmos evolutivos para problemas de optimización y la lógica difusa para la toma de decisiones con incertidumbre. De estas tres técnicas, las redes neuronales pueden ser de gran utilidad para el planteamiento inicial del problema de detección de estenosis en imágenes de rayos X.
En este artículo, plantearemos un caso de aplicación de redes neuronales en la detección de problemas de estenosis, con una breve introducción a su solución desde un punto de vista práctico, para posteriormente, enfocar dicha solución desde una perspectiva computacional.
Tomando en consideración que un caso de estenosis, es aquel en donde se disminuye el flujo sanguíneo debido al estrechamiento de las paredes arteriales, un especialista se enfoca en localizar los lugares a lo largo de las arterias, donde existe un cambio abrupto en su diámetro. Por lo general, este cambio se hace evidente donde la amplitud arterial va de mayor a menor.
Por otra parte, para intentar emular algunas funcionalidades del cerebro humano, las redes neuronales artificiales (RNAs) permiten el aprendizaje de patrones de entrenamiento con el objetivo de generar una función matemática que pueda ser capaz de clasificar nuevos patrones de forma automática en una tarea posterior. Para asegurar el correcto funcionamiento de las RNAs, se requiere de un número significativo de muestras de los patrones a aprender. Estos patrones denominados “de entrenamiento”, son la parte esencial del proceso, puesto que de ellos depende en gran medida el éxito o fracaso de la aplicación. De igual forma, con estos patrones de entrenamiento, las RNAs trabajan en la aproximación de un vector de valores también conocido como vector de pesos, en donde el número de pesos es proporcional al número predefinido de neuronas artificiales de la red, y donde estas neuronas representan generalmente una recta, plano o hiperplano, capaz de separar los patrones de entrenamiento de forma correcta. Por lo tanto, la función obtenida de este proceso será aplicada directamente sobre los nuevos patrones de prueba, como se detalla a continuación.
Para aplicar una RNA al problema de detección o clasificación de casos de estenosis en imágenes médicas, se requiere esencialmente de la disposición de casos de estenosis idealmente señalados por el especialista médico. Una vez reunido un cierto número de imágenes donde se identifica la presencia de estenosis, se agrega un número igual de imágenes que no presenten el estrechamiento vascular, dividiendo el número total de imágenes en 2 subconjuntos del mismo número. Por ejemplo, si se disponen de 100 imágenes (50 con estenosis y 50 de no estenosis), se obtendrán 2 subconjuntos con 50 imágenes cada uno, que a su vez contengan el mismo número de ambos tipos de patrones, es decir, con y sin estenosis en ambos subconjuntos. Estos 2 subconjuntos son denominados conjunto de entrenamiento y conjunto de prueba, respectivamente. Con el conjunto de entrenamiento se intenta obtener el vector de valores de la RNA que mejor clasifica o separa las imágenes con y sin estenosis, para posteriormente ser aplicado de forma independiente al conjunto de prueba y de esta manera obtener un porcentaje de éxito de la clasificación.
Como se puede observar, la etapa de entrenamiento de la RNA es fundamental en el proceso de aprendizaje automático, es por ello que existe una gran variedad de estrategias para tratar de asegurar el correcto aprendizaje de la red neuronal y en general de cualquier clasificador. Una estrategia que podría adoptarse para el problema planteado es el de extraer algunas características de los patrones de entrada, en lugar de ingresar el patrón completo a la RNA. Esta estrategia presenta diversas ventajas, tales como la reducción del tiempo computacional de la etapa de entrenamiento y por otra parte, un mejor estudio de las características que mejor discriminan la información. Para este caso particular, algunas de las características que podrían emplearse de los patrones de entrada son las siguientes:
● El promedio de las amplitudes arteriales.
● La varianza o desviación estándar de las amplitudes arteriales.
La sumatoria de las amplitudes arteriales.
Para obtener estas tres características de forma automática, se requiere una etapa de preprocesamiento de los patrones de entrada, donde lo más importante es calcular el histograma de las amplitudes arteriales y con base en él, se obtienen las características discriminantes planteadas. Es importante señalar, que un sistema de soporte a la toma de decisiones en medicina, conlleva el cálculo de un número considerable de características para obtener un resultado confiable y que pueda ser empleado en clínica práctica con un beneficio directo.
Las redes neuronales representan una de las principales técnicas para la clasificación de patrones, aunque existe un gran número de estrategias que pueden ser utilizadas con el mismo propósito tales como: Clasificadores basados en el teorema de Bayes, clasificadores basados en la distancia del vecino más cercano, clasificadores lineales, árboles de decisión, o máquinas de soporte vectorial, por mencionar algunos.
El empleo de técnicas de inteligencia computacional brinda una interesante aplicabilidad en diversas áreas del conocimiento tales como la ingeniería y la medicina. Es en esta última, donde el presente escrito ha abordado una tarea específica con el objetivo de ofrecer una panorámica del uso de las redes neuronales, en una actividad desempeñada por el especialista médico, que puede ser de utilidad para ayudar a la toma de decisiones y a la reducción de la carga de trabajo en centros médicos de alta demanda de enfermedades cardiovasculares.

 

* El doctor e investigador del proyecto Cátedras Conacyt, adscrito al Centro de Investigación en Matemáticas, A.C. (Cimat) y al Sistema Nacional de Investigadores en el Nivel 1.

 

El empleo de técnicas de inteligencia computacional brinda una interesante aplicabilidad en diversas áreas del conocimiento

Imprimir

Comentarios