BILICAM

Escuela Superior de Ingenieros

en Telecomunicación

Alumno: Miguel Valfré Nava

Tiburcio

Asignatura: Sistemas de ayuda a

la decisión.
Objetivo

Creación de una aplicación que con la utilización de la cámara del teléfono

determine de la severidad de la ictericia, trastorno muy común en recién nacidos,
por medio de análisis de imagen y sistemas de ayuda a la decisión.

Introducción

Hoy en día los dispositivos médicos basados en teléfonos inteligentes son cada
vez más comunes para monitorear el estado físico, la frecuencia cardíaca,
neumología, diagnósticos y varias otras aplicaciones de salud. Esto demuestra
que las capacidades y la presencia de los teléfonos inteligentes modernos los
hacen excelentes candidatos para plataformas clínicas y de salud, a pesar de sus
limitaciones de sensado.

En el siguiente trabajo, se pretende dar una descripción general del diseño y los
criterios de evaluación del diagnóstico de ictericia del recién nacido usando un
teléfono inteligente con el prototipo BiliCam, una aplicación médica que utiliza la
cámara integrada y una calibración de color en papel para controlar la ictericia del
recién nacido.

La ictericia en recién nacidos provoca que la piel y la esclerótica de los ojos del
bebé luzcan amarillas y sucede cuando un bebé tiene un alto nivel de bilirrubina
en la sangre. La bilirrubina es una sustancia amarilla que el cuerpo produce
cuando reemplaza los glóbulos rojos viejos. Esta es una de las condiciones
fisiológicas más comunes entre los recién nacidos: una estimación 84% de los
recién nacidos desarrollan ictericia.

Las pruebas utilizadas en el ámbito médico para detectar los niveles de bilirrubina
son TSB (Bilirrubina Total Serica) de forma invasiva y TcB (Bilirrubina
Transcutánea) de forma no invasiva, siendo la primera la prueba con mayor
precisión y la segunda considerada no confiable por los médicos arriba de los 14
mg/dL, por lo que solo se utiliza como herramienta de cribado.

Un nivel moderado de bilirrubina es normal en los recién nacidos sanos. Sin

embargo, si no se tratan, los niveles extremos pueden ser fatales o causar daño
cerebral devastador e irreversible. Los exámenes médicos precisos para evaluar
esta condición requieren de una extracción de sangre o el uso de un dispositivo de
medición especializado, haciéndolos poco prácticos fuera de los entornos
médicos.

En consecuencia, la evaluación visual es el método más común para controlar la

ictericia en el hogar, donde la tecnología clínica no está disponible. Sin embargo
los niveles de bilirrubina normalmente alcanzan el pico después de que la mayoría
de los bebes son dados de alta del hospital. Si bien los padres y los médicos
suelen ser capaces de identificar visualmente la presencia de la ictericia,
numerosos estudios demuestran que los proveedores de salud, incluso los
experimentados no pueden estimar con precisión el gravedad de la ictericia.

Al aprovechar las ventajas inherentes de los teléfonos inteligentes, BiliCam mitiga

los riesgos en la evaluación visual ictericia. BiliCam utiliza la cámara incorporada
del teléfono para fotografiar a un recién nacido. Después de confirmar que las
imágenes se pueden utilizar, el sistema carga las partes pertinentes a un servidor,
que analiza la piel del recién nacido para estimar el nivel de bilirrubina. A
continuación, comunica los resultados de vuelta al usuario y recomienda un curso
de acción. Cada fotografía incluye una de tarjeta de calibración del color para
ayudar a BiliCam a ajustarse según diferentes condiciones de iluminación y así
aplicar correcciones de color. Aparte de los teléfonos inteligentes y la tarjeta de
calibración del color, esta solución no invasiva no requiere hardware adicional.
Métodos

Recopilación de datos

Para evaluar e informar el diseño de BiliCam, se realizó un estudio clínico en dos

sitios en Seattle, el Centro Medico de la Universidad de Washington (UWMC) y el
Centro de Atención Roosevelt Pediátrica, para crear un conjunto de datos de
muestras de imágenes emparejados con los niveles de bilirrubina real a partir de
pruebas TSB. Las imágenes se recogieron después de dos horas de la extracción
de sangre TSB para asegurar que las medidas de bilirrubina eran lo más precisas
posible.

Las imágenes se tomaron tanto en el esternón como en la frente del recién nacido,
en dos momentos diferentes, el primero dentro de los 24 horas de vida como línea
base (nivel de bilirrubina bajo) y el segundo entre los dos y medio y cinco y medio
días de vida para realizar el seguimiento.

Figura. Capturas de pantalla de la aplicación de recogida de datos con (A) la vista

para introducir información básica de la muestra, (B) las instrucciones antes de la
grabación de imágenes, y (C) una transmisión en vivo de la cámara con un “visor”
para alinear la tarjeta de calibración del color.

Figura. Diseño de la tarjeta de calibración de color utilizado en los estudios.

Algoritmo

Ya que la hipótesis es determinar el nivel de bilirrubina de un recién nacido

analizando las características visuales de su piel, y considerando que las
imágenes fueron tomadas en distintas condiciones de luz, se necesita un balance
en color. Por lo que se siguieron los siguientes pasos:

 El balance de color se lleva a cabo utilizando las tarjetas de calibración

capturadas en cada imagen.
 Para cada parche en la piel, se estiman los valores de las medias de rojo,
verde y azul, y los gradientes de colores en el parche.
 Se emplearon diversas transformaciones de color a las propiedades
aproximadas, tales como la tonalidad, gamma, y la saturación.
 Las propiedades extraídas se utilizaron como características en un
algoritmo de regresión y clasificación apilado, que resulta en una estimación
final del valor de bilirrubina.

Balance de color: se derivaron las características de color observadas en la piel,

para mitigar los efectos de la iluminación diferente se normalizaron los valores de
rojo, azul y verde y se incluyó la tarjeta de calibración de color en la imagen para
contrarrestar las variaciones de color de las fuentes de iluminación.

Segmentación de imagen: se segmentaron partes de la piel a mano para evitar

factores de confusión, después se seleccionaron dos cuadros de la tarjeta por
medio de una técnica de umbralización y se extrapoló el resto de la tarjeta a partir
de estos cuadros. La imagen se convierte al espacio de matiz, saturación y valor
(HSV) y posteriormente se aplican umbrales de matiz y saturación diferentes y se
realiza una operación AND para segmentar el cuadro de color.

Figura. Segmentación del cuadro amarillo de una tarjeta de color.

Balance de blancos: Se utilizó una de las técnicas de balance de blancos más
usada por editores de imagen, que utiliza los valores observados de rojo, verde y
azul (RGB) en una muestra de color blanco para ajustar los valores RGB de la
piel.

Extracción de características: con el fin de detectar mejor la coloración amarilla de

la piel la imagen se convirtió a los espacios YCbCr y Lab, además de eso se
calculó el cambio de color a través de la imagen utilizando un gradiente Sobel de
3x3.

Machine Learning Regression

El algoritmo de regresión emplea un conjunto de diferentes regresiones. Cada

regresión se elige para dar una perspectiva ligeramente diferente de los datos de
entidad. La mayoría de las regresiones se realizaron con el scikit-learn conjunto de
herramientas en Python. Con el fin de evitar el sobreajuste, se utilizó la validación
cruzada leave-one-out en todos los niveles de aprendizaje.

 k-Nearest Neighbor

El primer algoritmo de regresión es una regresión kNN encapsulada (k=7). Esta

regresión toma una estimación más “local” del nivel de bilirrubina en base a
puntos de entrenamiento que tienen valores de características similares. En
esta regresión, tenemos una base de datos de características conocidas y los
valores de bilirrubina. Cuando se analiza un vector de prueba desconocido, el
algoritmo kNN se posiciona alrededor del vector de prueba en la base de datos
de características. Las características para encontrar a los vecinos más
cercanos son los dos primeros componentes de la transformación PCA.
Utilizamos la norma L1 para el cálculo de los vecinos más cercanos. Los
puntos de función de los vecinos son utilizados para entrenar a un vector de
regresión lineal de apoyo. Una nueva regresión se construye cada vez que se
analiza un nuevo punto de prueba.

 LARS

El segundo conjunto de regresiones utiliza el least angle regression. La

regresión LARS utiliza una variante del forward feature selection para decidir
qué características son las más útiles. Intuitivamente, esta regresión ayuda a
eliminar la redundancia de características, mientras que crea nuevas
características en función de su correlación con los atributos elegidos.
Esencialmente, el mejor predictor del conjunto de características es elegido por
el desarrollo de un único atributo, la regresión lineal de cada característica. La
salida más correlacionada es elegida como la “primera” característica. Esta
predicción se resta de la salida para obtener los residuos. A continuación, el
algoritmo intenta encontrar otra característica con aproximadamente la misma
correlación de los residuos como la primera característica de la salida.
Después se encuentra la dirección “equiangular” entre las dos estimaciones, y
encuentra una tercera característica que maximiza la correlación con los
nuevos residuos a lo largo de la dirección equiangular. Las características se
añaden de esta manera hasta que se cumpla la precisión deseada. Para
experimentar con transformaciones, se entrenaron dos regresiones LARS: una
con características escaladas y otro con componentes de PCA.

 LARS-Lasso Elastic Net

La tercera regresión utiliza el algoritmo de red elástica. Este algoritmo también

elimina características, pero de una manera ligeramente diferente a LARS.
Esta regresión es una combinación de regresión Lasso (altamente relacionada
con LARS para forward feature selection) y la regresión cresta también
conocida como ridge (que utiliza una regularización L2). De esta manera,
forward feature selection y las normas L1 y L2 se emplean en la función de
regresión objetivo. Esto hace que esta modalidad esté relacionada con LARS y
regresión Lasso, pero con cierto “retroceso”.

 SVR

Todas las regresiones hasta esta etapa fueron regresiones lineales. Con el fin
de capturar la posible relación no lineal, se emplearon dos regresiones de
vectores de soporte. La idea detrás del Support Vector Regression (RVS) es
que una función de regresión lineal pueda encontrarse en un gran espacio
dimensional de características. Entonces, los datos de entrada pueden ser
mapeados en el espacio utilizando una función potencialmente no lineal. Se
formaron dos SVRs: el primero utiliza un núcleo lineal y el segundo utiliza una
función sigmoidea de base no lineal.

 Random Forest

El último algoritmo utiliza la regresión Random Forest con 75 árboles de

decisión. Un bosque aleatorio (Random forest) es un conjunto de estimadores.
Este utiliza muchos árboles de decisión para la clasificación en varias sub-
muestras del conjunto de datos. Las salidas de estos árboles se promedian
para mejorar la precisión de la predicción y el control de sobre ajuste. Cada
árbol se crea usando una sub-muestra aleatoria (con un reemplazo). La
regresión por Random Forest puede aprender relaciones no lineales o
complejas en los datos, las cuales pueden ser diferentes de las regresiones
antes vistas. El bosque aleatorio sólo utiliza funciones escaladas.
Se obtuvo un total de ocho regresiones formadas a partir de los cinco algoritmos.
Posterior a esto se evaluó la bilirrubina a partir de la diferencia de los valores
mínimo y máximo y se programó la aplicación para que en caso de que el conjunto
no esté de acuerdo se seleccione un valor de bilirrubina grande ya que cuando se
utiliza como una herramienta de detección, es más aceptable tener un falso
positivo que “perder” un potencialmente alto de bilirrubina.

Figura. Flowchart de todo el proceso realizado para la determinación del nivel de

bilirrubina.
 Resultados

Predicción de niveles de bilirrubina

Gráfico de dispersión de las estimaciones BiliCam Gráfico de Bland-Altman modificado, donde los residuos
(círculos), calculado a través de la validación cruzada (BiliCam - TSB) se representan frente a la TSB. Para la
leave-one-out, en comparación con la TSB. comparación, cada trama también contiene las
predicciones de la TcB (cuadrados).

Resultados: Los niveles de bilirrubina predichos se correlacionan con la TSB

conun coeficiente de Spearmen (rango-orden) de 0,85 (correlación lineal de 0,84),
con un error medio de 2,0 mg / dl. También se compararon los resultados de los
niveles de bilirrubina con la TSB y se encontró una correlación rango-orden de
0,92 (correlación lineal de 0,92) y un error medio de 1,5 mg / dl.

BiliCam es eficaz en la estimación de los niveles de bilirrubina y se compara

favorablemente con la TcB.

Para evaluar qué tan bien esta aplicación evalúa el riesgo de un recién nacido de
la ictericia, aplicamos las clasificaciones del nomograma de Bhutani a los niveles
de bilirrubina predichos. El nomograma divide muestras de bilirrubina en cuatro
zonas de riesgo: bajo, intermedio bajo, intermedio-alto, y alto
Figura. Clasificación de la zona de riesgo de BiliCam usando nomograma de Bhutani. Las líneas de
color mapean puntos clasificados incorrectamente con respecto al valor real (falsos positivos y
falsos negativos) y el nivel de bilirrubina.

Resultado: 67% de los resultados coincide exactamente con la clasificación de

Bhutani TSB, el 19% son falsos negativos, y el 14% son falsos positivos. De estos
errores de clasificación, 76% eran clasificados erróneamente en una zona
adyacente. Por comparación, el TcB produce 68% coincidencias exactas, 22% de
falsos negativos, y 9% de falsos positivos. 87% de los errores de clasificación de
los niveles de bilirrubina estaban fuera una zona. Un método sugerido para la
correcta selección de los niveles de bilirrubina es administrar un TSB para atrapar
“altos casos de riesgo” si las lecturas caen en un TcB intermedio-alto o alto en
categorías de riesgo. Para comparar la eficacia de BiliCam como una herramienta
de cribado, se debe tener en cuenta la alto casos de riesgo clasificados en esta
categoría de riesgo combinado. De las 9 muestras que se deben clasificar como
alto riesgo, BiliCam clasificado 2 falsos negativos (por lo tanto, la falta de 2/9 o
22% de la alto casos de riesgo) y 8 falsos positivos. En comparación, el TcB
clasifico 2 falsos negativos (faltan 2/8 o 25%) y 5 falsos positivos.

BiliCam demostró un rendimiento estadísticamente equivalente al del TcB en su

capacidad para atrapar alto casos de riesgo en nuestra base de datos. Los
resultados indican que BiliCam podría tener una utilidad muy similar a la TcB como
herramienta de cribado, con la ventaja de una mayor accesibilidad.
Conclusiones

En conclusión, se ha presentado BiliCam, un sistema basado en el teléfono

inteligente no invasivo para monitorizar ictericia del recién nacido utilizando la
cámara incorporada. Las evaluaciones iniciales implican que aunque BiliCam aún
no puede reemplazarlo, BiliCam podría convertirse en una herramienta efectiva
comparable a un TcB. A diferencia de las técnicas de detección actuales, sino que
también ofrece ventajas de costo y accesibilidad distintas que lo hacen apropiado
para el cribado de los recién nacidos en la comodidad de sus propios hogares.

Como conclusión personal considero que para construir una aplicación o software
de sistema de ayuda a la decisión implica un arduo trabajo de investigación, como
se pudo observar en el trabajo anterior, comprende etapas de recolección de
datos, datamining, pre procesado de información, y clasificación por diversos
algoritmos para poder realizar un sistema de ayuda a la decisión confiable. Si bien
este sistema no pretende reemplazar a los dispositivos de diagnóstico médico
devuelve un resultado lo suficientemente confiable para la determinación de los
niveles de bilirrubina en recién nacidos.

Lo que considero más interesante del trabajo es que este utiliza varios algoritmos
de clasificación para dar un mejor diagnóstico y si entre estos no existe coherencia
arroja un falso positivo.

Bibliografía

Lilia de Greef, et allis. (2014). BiliCam: Using Mobile Phones to Monitor Newborn
Jaundice . 20 de octubre de 2018, de University of washington Sitio web:
https://www3.nd.edu/~dwang5/courses/spring15/papers/medical/p6.pdf

Pinto Fuentes, Isabel. Ictericia. Servicio de pediatría Hospital Severo Ochoa. 20 de

octubre de 2018: https://www.aeped.es/sites/default/files/documentos/ictericia.pdf

Video introductorio de BiliCam

https://www.youtube.com/watch?v=L4YfDktsWVA