Documentos de Académico
Documentos de Profesional
Documentos de Cultura
neuronales artificiales
Edinson Muñoz(1), Jorge Espinoza(1), Luis Rivera(2)
(1)
Facultad de Ingeniería de Sistemas e Informática
Universidad Nacional Mayor de San Marcos
Av. Germán Amézaga s/n, Ciudad Universitaria, Lima 01, Perú
{edinsonmunoz, jorluis841}@gmail.com
(2)
Laboratorio de Ciências Matemáticas - LCMAT
Universidade Estadual do Norte Fluminense – UENF
Av. Alberto Lamego, 2000, CEP 28013-602, Campos dos Goytacazes, RJ, Brasil
rivera@uenf.br
Resumen: Los médicos confunden en identificar los tipos de anemias con otras enfermedades, generando errores
irreversibles en muchos de los casos. Frente a esto, se plantea un sistema inteligente basado en Redes Neuronales
Artificiales para el Diagnóstico de Anemia Ferropénica y sus similares Megaloblástica y Hemolítica, dado que sus
síntomas y factores en fases iniciales son parecidos, que permita auxiliar al profesional de salud tomar acciones
adecuadas. Para ese propósito se establece una metodología propia, con la adecuación de la arquitectura clásica de un
sistema experto a una basada en redes neuronales. Como resultado se obtiene un 99% de certeza en los diagnósticos
realizados durante la evaluación del sistema.
Palabras clave: red neuronal artificial, anemia ferropénica, sistema inteligente, sistema experto.
Abstract: Doctors mistake in identifying the types of anemias with other diseases, resulting in many cases irreversible
cases. Against this, there is an intelligent system based on Artificial Neural Networks for Diagnosis of iron deficiency
anemia and megaloblastic and hemolytic similar, since their symptoms and factors in the early stages are similar,
allowing the health professional assistant to take appropriate action. For this purpose a methodology of its own,
adapting the classical architecture of an expert system to one based on neural networks. The result is a 99% certainty
in diagnoses made during the appraisal.
Keywords: artificial neural network, iron deficiency anemia, smart, expert system.
Deficiencia en el desarrollo
y rendimiento físico-mental
en las personas
ANEMIA
FEROPÉNICA
CAUSAS
Uno de los objetivos de este trabajo es proponer una define el formato de los patrones de entrada (mediante
arquitectura de un sistema de diagnóstico basada en redes entrevistas u otra forma). La base de conocimiento estaría
neuronales, tomando como referencia la arquitectura representada en una red neuronal por los pesos de cada
clásica de un sistema experto. La Figura 3 muestra un neurona que lo conforma, estos valores se obtienen luego
esquema de la arquitectura planteada. del proceso de aprendizaje. La base de hechos sería el
vector de entrada de una red neuronal, esto es temporal al
En esta arquitectura propuesta, se puede recalcar que la
igual que en la arquitectura clásica. Y el motor de
base de conocimiento, la base de hechos y el motor de
inferencia sería al algoritmo el cual se activa para obtener
inferencia, se encuentran implícitamente en la Red
la salida de la red, dentro de éste, es donde se encuentra la
Neuronal Artificial. Además, que el proceso de
función de activación de cada neurona. La explicación es
Adquisición del Conocimiento, vendría a ser parecido al
parecida al modelo clásico, la cual se encarga de obtener
del sistema experto clásico con la salvedad que aquí se
una conclusión y explicación de las salidas.
Por tanto, en nuestro modelo está compuesto por De acuerdo con la arquitectura del sistema definida en la
adquisición de conocimientos, estructura de la red Figura 4, se puede mencionar que consta básicamente de
neuronal, la explicación y la interface de comunicación dos componentes: interface de usuario y lógica. El
con el usuario. primero es la interface de usuario, que permitirá
establecer la comunicación entre el sistema y el usuario,
Arquitectura del Sistema Propuesto
mediante el ingreso de valores de los factores establecidos
El componente de lógica de la aplicación permitirá la redes neuronales artificiales se pueden obtener resultados
construcción de sentencias de comandos de Matlab, los más óptimos que con otros mecanismos por el tiempo de
cuales serán ejecutados por la consola de comandos de respuesta obtenido. Ya que normalmente los sistemas
esta herramienta mediante la librería JMatLink, la cual se expertos de diagnóstico médico tardan en hallar la
encargará de llamar a la consola para que ejecute dichas respuesta debido a la encadenación que realizan, hallando
sentencias desde la aplicación. La consola de Matlab posibles soluciones y tener que compararlas todas,
ejecutará las sentencias construidas por el componente de mientras que en este método se ha aplicado valores
lógica, tanto para la creación y entrenamiento de las redes numéricos o pesos a cada síntoma o factor (determinados
neuronales, y el uso de éstas para la realización del durante la fase de aprendizaje), que permite la ejecución
diagnóstico. En el caso de la creación de las redes de una función de transferencia (mecanismo interno del
neuronales, Matlab generará un archivo .mat para cada Matlab) propia de cada neurona, con lo cual se obtiene los
red, y para el escenario de entrenamiento, hará uso de resultados de manera más rápida.
archivos .mat de entrada y salida para la actualización de
La topología de las redes neuronales propuestas para la
los pesos de las redes antes creada. Así mismo para el
anemia ferropénica, megaloblástica y hemolítica que se
diagnóstico, la aplicación empleará los archivos .mat de
tratan en este trabajo, se muestra en la Figura 5, la cual es
las redes entrenadas. Cabe mencionar que JMatLink
del tipo de red Multicapa Unidireccional o Perceptrón
permite la comunicación de una aplicación desarrollada
Multicapa (MPL), es decir, una red con conexiones que
bajo la plataforma Java con la herramienta Matlab.
pasan las salidas en una única dirección a neuronas de la
En estas estructuras de las redes neuronales artificiales siguiente capa, conformada por 4 capas (1 entrada, 2
creadas está representada la base de conocimiento, la base ocultas y 1 salida), con 27 neuronas de entrada en la
de hechos y el motor de inferencia de un sistema experto primera capa, de acuerdo con las variables de entrada
clásico. La parte de adquisición del conocimiento estaría determinadas; con 2 capas ocultas con 40 y 27 neuronas,
representada por la fase de definición de factores para el respectivamente, determinadas por pruebas realizadas en
diagnóstico de las anemias, y esto no formaría parte del donde se evaluaron la eficiencia de acuerdo con los
sistema, sino más bien, de un proceso previo a su factores de entrenamiento resultantes, estas capas
desarrollo. representan básicamente el nivel de inferencia óptimo de
la red neuronal para determinar su respuesta, y una
IV.Modelo de Red Neuronal Artificial neurona en la capa de salida. En esta red, se utilizará el
para el Diagnóstico de Anemia algoritmo de aprendizaje: Backpropagation, usado
Ferropénica generalmente con el modelo MPL. Cabe recalcar que las
27 neuronas de entrada consideradas en la primera capa
De acuerdo con las evaluaciones realizadas (ver en equivalen a la entrada de los 27 factores ya analizados
[MUÑOZESPINOZA11]), se ha considerado que con las para el diagnóstico de las anemias.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27