sistema de diagnÓstico de la enfermedad hepatitis utilizando redes neuronales

"SISTEMA DE DIAGNÓSTICO DE LA ENFERMEDAD HEPATITIS UTILIZANDO REDES NEURONALES"

1Universidad César Vallejo

RESUMEN

En éste paper se presenta un sistema inteligente para el diagnostico de enfermedades como lo es la hepatitis basados en redes neuronales, para lo cual se aplicaron algúnos software como MATLAB Y WEKA. Los datos con los que trabajamos fueron extraídos de la página siguiente http://repository.seasr.org/Datasets/UCI/arff/hepatitis.arff y se logro una clasificación correcta de datos del 99.3548 %.

Para llegar a este resultado se tuvieron que realizar pruebas, recordando que en redes neuronales la información se encuentra en los pesos. Finalmente se implementa el aplicativo en Visual Basic.net utilizando las redes neuronales.

Palabras clave Weka, Matlab, Redes Neuronales.

Abstract

In this paper presents an intelligent system for the clinical diagnosis of diseases like hepatitis based on Neuronal The data with which it worked were extracted from the page http://repository.seasr.org/Datasets/UCI/arff/ and profit a correct classification of data of 99.3548%.

In order to arrive at this result we had to do tests, remembering that in neuronal networks the information is in the weights. Finally, the application is implemented in Visual Basic.net using Neuronal networks.

Keywords Weka, Matlab, Neuronal networks.

INTRODUCCION

Muchas personas, empresas o instituciones disponen de gran cantidad de información de forma impresa y desean procesar esta información utilizando un computador, lo pueden realizar de dos maneras; la primera es que toda de información deben digitarla a través de tecleado, lo cual es un trabajo largo, y si la información es abundante quizá el periodo de tiempo para digitar sea demasiado largo, la segunda opción es hacer automáticamente este proceso a través de sistemas inteligentes para diagnosticar enfermedades, lo cual sin duda alguna facilita las cosas y reduce el tiempo utilizado.

En los últimos años, los principios matemáticos han sido usados para entender el ciclo de vida de muchas infecciones virales, que tienen un impacto significativo en la calidad de la vida, longevidad y costo para el cuidado de la salud. Los resultados obtenidos por simulaciones en computadora, demuestran que la capacidad de aproximación del modelado matemático, y paquetería computacional creada para la solución de problemas urgentes para la optimización de terapias antivirales, es muy poderosa y cercana a la realidad.

Existen estadísticas que nos muestran el incremento del virus de la hepatitis por los últimos 15 años. Hay muchos tratamientos dedicados a mantener la salud del paciente lo mejor posible, pero, a pesar de los importantes avances científicos y médicos no existe, hasta ahora, ninguna cura eficiente o vacuna capaz de controlar o mantener al virus contenido.

El resto de éste paper está organizado de la siguiente manera. En la sección 2 se muestra como realizar la sección de Trabajos Previos. La sección 3 nos brinda información de otros puntos de importancia en relación con el trabajo. La forma de colocar los Experimentos y Resultados se encuentra en la sección 4. La Discusión de los Experimentos se muestra en la sección 5 y finalmente, la manera de redactar las conclusiones está en la sección 6.

2.- TRABAJOS PREVIOS

Un trabajo relacionado al tema es “Proceso de control del virus de la Hepatitis C vía redes neuronales diferenciales y Hamilton-Jacobi” desarrollado R. F. Miranda, J. I. Chairez, A. I. Cabrera en Unidad Profesional Interdisciplinaria de Biotecnología, IPN. En este trabajo nos menciona la descripción del proceso de control (utilizando la técnica de Seguimiento de Trayectoria por Hamilton-Jacobi (STHJ)) de los estados de un modelo matemático que describe la dinámica del virus de la Hepatitis C (VHC).

Otro trabajo que más se aproxima al presente artículo, es la tesis titulada “Sistema Experto para determinar tipo de diabetes” desarrollado por Gisela Rey Salazar y Alex García Araya en la Universidad de La Frontera. Para ello, el objetivo del trabajo fue dar a conocer una de las tantas aplicaciones que la Inteligencia Artificial ha logrado en este último tiempo en el área de la Medicina. Para esto fue necesaria la implementación de sistemas que sean capaces de diagnosticar una posible respuesta a las múltiples interrogantes .Para ello se crea un Sistema Experto el cual tiene como finalidad determinar según una serie de síntomas el tipo de diabetes que el paciente pudiese llegar a presentar y el tratamiento que éste debería seguir.

Otro trabajo relacionado al tema es “Teoría probabilística de la decisión en la medicina” desarrollado por Francisco Javier Díez Vegas en el Dpto. Inteligencia Artificial – UNED, Madrid. En este trabajo nos menciona que el objetivo final de la medicina no es el diagnóstico, sino el tratamiento terapéutico. Alguien podría pensar que, una vez realizado el diagnóstico, basta aplicar el tratamiento adecuado para la enfermedad encontrada. Sin embargo, en la práctica casi nunca se llega a diagnóstico con un 100% de certeza.

3. INTELIGENCIA ARTIFICIAL

La Inteligencia Artificial (IA) se puede definir como la capacidad de una máquina de realizar las mismas funciones que el ser humano. Con el avance de la tecnología la búsqueda de la IA ha tomado dos rumbos fundamentales: la investigación psicológica y fisiológica de la naturaleza del pensamiento humano, y el desarrollo tecnológico de sistemas informáticos cada vez más complejos. De esta forma la IA se

ha aplicado a sistemas y programas informáticos capaces de realizar tareas complejas, simulando el funcionamiento del pensamiento humano, aunque todavía muy lejos de éste. En este contexto las áreas de investigación más significativas son el procesamiento de la información, el reconocimiento de modelos y las áreas aplicadas como el diagnóstico médico. Hoy en día existen tres tendencias en cuanto al desarrollo de sistemas de IA: los sistemas expertos, sistemas difusos y las redes neuronales. Los sistemas expertos intentan reproducir el razonamiento humano de forma simbólica, incluso empleando el razonamiento difuso. Las redes neuronales lo hacen desde una perspectiva más biológica (recrean la estructura de un cerebro humano mediante algoritmos genéticos).

3.1 SISTEMAS EXPERTOS Un sistema experto es un tipo de programa computacional encargado de imitar la capacidad para resolver problemas de un determinado especialista. Puede tener aplicaciones tanto en finanzas como también lo puede tener en medicina. Los expertos solucionan los problemas utilizando una combinación de conocimientos basados en hechos y en su capacidad de razonamiento. Los sistemas expertos facilitan también herramientas adicionales en forma de interfaces de usuario y los mecanismos de explicación. Las interfaces de usuario, al igual que en cualquier otra aplicación, permiten al usuario formular consultas, proporcionar información e interactuar de otras formas con el sistema. Los mecanismos de explicación, la parte más fascinante de los sistemas expertos, permiten a los sistemas explicar o justificar sus conclusiones, y también posibilitan a los programadores verificar el funcionamiento de los propios sistemas.

4.- INTERPRETACIÓN DE LA NEURONA POR COMPUTADORA Una neurona se puede comparar con una caja negra compuesta por varias entradas y una salida. La relación de activación entre la salida y la entrada, o en términos circuitales o de teoría de control, la función de transferencia. 4.1 LA NEURONA ARTIFICIAL Un circuito eléctrico que realice la sume ponderada de las diferentes señales que recibe de otras unidades iguales y produzca en la salida un uno o un cero según el resultado de la suma con relación al umbral o nivel de disparo, conforma una buena representación de lo que es

una neurona artificial. La función de transferencia para la activación o disparo de la neurona puede ser de umbral lógico (fig. 4ª) o de limitación dura (fig. 4b) o de función tipo s (fig. 4c). W representa el peso o ponderación de la conexión a través de una entrada.

Figura4: Funciones de transferencia o activación de una neurona artificial.

La neurona artificial es un dispositivo eléctrico que responde a señales eléctricas. La respuesta la produce el circuito activo o función de transferencia que forma parte del cuerpo de la neurona. Las "dendritas" llevan las señales eléctricas al cuerpo de la misma. Estas señales provienen de censores o son salidas de neuronas vecinas. Las señales por las dendritas pueden ser voltajes positivos o negativos; los voltajes positivos contribuyen a la excitación del cuerpo y los voltajes negativos contribuyen a inhibir la respuesta de la neurona.

4.2 RED NEURONAL

En el área de la inteligencia artificial una red neuronal se refiere a un sistema de interconexión de neuronas en una red que trabaja para producir un estímulo de salida. La red neuronal está formada por nodos de entrada, capa oculta y nodos de salida. Para este problema de utiliza un perceptron multicapa porque es un problema no linealmente separable. El perceptron multicapa estará formado de la siguiente forma: * Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de entrada en la red. En estas neuronas no se produce procesamiento. * Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas anteriores y las salidas pasan a neuronas de capas posteriores. * Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de toda la red.

4.3 ENTRENAMIENTO

Cuando el sistema humano de neuronas, los ojos captan un objeto A ,

por ejemplo, algunos de los censores de la visión se activan y envían señales a las neuronas ocultas. Las neuronas que se disparan con la señal de entrada aumentan el grado de conexión de ellas. Si el mismo objeto A se presenta una y otra vez, la interconexión de neuronas se refuerza y, por lo tanto, el conocimiento del objeto.

Si se le presenta a la red anterior el objeto A modificado la unión de las neuronas para el conocimiento de tal objeto, es débil. Las neuronas deben entrenarse para reconocer el objeto A en esta nueva presentación. Luego de algunas sesiones de entrenamiento, el sistema neuronal es capaz de reconocer el objeto A en todas sus formas. Si el objeto cambia nuevamente la red de neuronas y el conocimiento se actualizan. Este entrenamiento, repetido para todos los valores de entrada y salida que se quiera, origina una representación interna del objeto en la red, que considera todas las irregularidades y generalidades del mismo. En la figura 9 se presenta el esquema de una neurona artificial durante la etapa de aprendizaje. Una vez establecidos los pesos definitivos de interconexión, la neurona adquiere su forma tradicional.

4.4 EL PERCEPTRON MULTICAPA (MLP) Primero cabe mencionar, como es obvio, que para tener varias entradas y salidas, se pueden conectar perceptrones simples. Pero con esto no se amplía el tipo de funciones que puede aprender la red, entonces surge la idea (proveniente también de copiar los sistemas biológicos), de hacer redes que tengan más de una capa de neuronas. A partir de ahora, a cada neurona de la red, algunas veces la llamaremos nodo. El entrenamiento de esta red neuronal consistirá, al igual que en el perceptrón simple, en presentar las entradas, junto con las salidas deseadas para cada una de ellas, y modificar los pesos de acuerdo al error (diferencia entre la salida deseada y la obtenida). La principal dificultad en el entrenamiento de redes de varias capas es encontrar los errores asociados con las capas ocultas; es decir, en las capas que no son la de salida (sólo se tiene salida deseada en las capas de salida). Esto es debido a que los errores son necesarios para el aprendizaje, para saber cómo modificar los pesos de las neuronas en las capas

ocultas. Así se da origen a algoritmos muy ingeniosos, el precursor y más conocido por su simplicidad, es el que recibió el nombre de retro propagación del error (backpropagation).

Las neuronas de la capa oculta usan como regla de propagación, la suma ponderada de las entradas con los pesos sinápticos wij y sobre esa suma ponderada se aplica una función de transferencia de tipo sigmoide (recordemos que en el PS, era simplemente un umbral), que es acotada en respuesta. Similarmente en la retropropagación, el error en los nodos de las capas ocultas es proporcional a la sumatoria de los gradientes de los nodos de la capa siguiente pesados por los pesos de conexión.

5.- MATRIZ DE CONFUSION

La matriz de confusión, o también tabla de contingencia, está formada por tantas filas y columnas como clases hay. El número de instancias clasificadas correctamente es la suma de la diagonal de la matriz y el resto están clasificadas de forma incorrecta. Como hemos visto, la información que se da aquí y en el apartado anterior es la misma expresada de otra forma. Por tanto nos limitaremos a presentar los resultados de la matriz de confusión, ya que comprobando el número de elementos no nulos fuera de la diagonal principal tenemos una buena aproximación de la calidad del clasificador.

6. EXPERIMENTOS Y RESULTADOS La base de datos obtenida de la página: http://repository.seasr.org/Datasets/UCI/arff/ Tiene un número de casos de 155, donde cada caso contiene los atributos que se muestran en la tabla siguiente.

Índice Correcto de Clasificación es de 99.3548% con una cantidad de 144, de los cuales el 0.6452% de clasificación es incorrecto, con una cantidad de 1.

Teniendo como matriz:

Matriz de Confusión | a | B | Clasificado como |

Este arroja un 99.3548% de acierto en cuanto a los resultados dados.

8. CONCLUSIONES

El sistema es de gran ayuda debido a esta enfermedad puede llegar a ser muy tarde para comenzar con un tratamiento por lo cual también es un enfermedad de síntomas silenciosos, puede causar el deceso de personas; por otra parte, el sistema, puede ser eficaz si los exámenes realizados son exactos. Recordemos que existe un margen de 0.6452% de error de clasificación.

BIBLIOGRAFÍA

* GISSELLE, Rey Salazar & ALEX, García Araya. SISTEMA EXPERTO PARA DETERMINAR TIPO DE DIABETES. http://es.scribd.com/doc/58273072/Sistema-Experto-Determina-Tipo-de-Diabetes

* FRANCISCO JAVIER, Díez Vegas .Teoría probabilista de la decisión en medicina Dpto. Inteligencia Artificial – UNED Madrid – 11 junio 2007

* MINERIA DE DATOS. http://www.it.uc3m.es/jvillena/irc/practicas/03-04/18.mem.pdf

* Metodología de Evaluación de Modelos de Predicción de Glucemia en Pacientes Diabéticos Basados en Redes Neuronales. http://biocomp.cnb.uam.es/~coss/Articulos/Perez2005.pdf

* Proceso de control del virus de la Hepatitis C vía redes neuronales diferenciales y Hamilton-Jacobi. http://b-dig.iie.org.mx/BibDig/P06-0731/fscommand/SC101i26.pdf

* Hepatitis Crónica Persistente (Madrid - España) http://www.clinicadam.com/salud/5/000219.html

* Hepatitis Prolongada (Dr. Oscar)http://www.monografias.com/trabajos12/hepaprol/hepaprol.shtm

l

* Desarrolla Brasil nueva prueba de detección de hepatitis y sidahttp://www.hepatitisc2000.com.ar/desarrolla-brasil-nueva-prueba-de-deteccin-de-hepatitis-c-y-sida/

* Practica de FibroTest para Hepatitis Chttp://www.biopredictive.com/intl/physician/fibrotest-for-hcv/view?set_language=es

sistema de diagnÓstico de la enfermedad hepatitis utilizando redes neuronales

Documents