Las Redes Neurales Artificiales

como auxiliares del diagnstico

mdico


Andrs Pomi

Grupo de Modelizacin de Sistemas Cognitivos
Seccin Biofsica, Fac. de Ciencias
Universidad de la Repblica


Zonamrica Abril de 2008
Medicina Tercer Milenio
Complejidad
Sobresaturacin de informacin
Concentracin de superespecialistas (*)
Condiciones de trabajo mdico
Persistencia de alto nivel de error mdico
(sistmico y cognitivo)
Necesidad de aumentar la seguridad y
fiabilidad en la prctica mdica
Medidas: desarrollo de sistemas
informticos de ayuda mdica

Aos 70 y 80: Inteligencia artificial
Bases de conocimiento + motores de
inferencia basados en reglas
Debilidades: asignacin subjetiva de
probabilidades.

Aos 90 actualidad: Redes Neurales
Redes Neurales en Medicina
(cientos de aplicaciones)
Modelos ms usados:
Perceptrn multicapa entrenado con
backpropagation


Mapas de Kohonen
Algunas aplicaciones
1) Reconocimiento imgenes patolgicas:
Directamente de imgenes digitalizadas
Clasificacin a partir de parmetros extraidos de la imagen
2) Diagnstico a partir de presentacin clnica y exmenes:
Infarto de miocardio en emergencia
Abdomen agudo
3) Diagnstico a partir de registros temporales:
ECG
EEG
4) Pronstico:
Sobrevida de pacientes crticos u oncolgicos
Riesgo de desarrollo de enfermedad

Sistemas expertos en
diagnstico mdico
basados en modelos de
memorias asociativas
El problema del diagnstico mdico
Dados ciertos signos, sntomas y resultados de
exmenes, reconocer la enfermedad
subyacente.
El mdico tiene instruccin previa en su
memoria.
Diagnstico: Reconocimiento de un pattern?
toma de una decisin?
Incertidumbre, datos parciales, instruccin de la
memoria no completa.
Fenomenologa bsica
Superposicin de rasgos distintivos
de las enfermedades
Conjunto s&s
Enfermedad 1
Conjunto s&s
Enfermedad (j)
Conjunto s&s
Enfermedad 2
Marco de modelizacin neural
Memorias de asociaciones contextualizadas
(Mizraji, 1989)
Memoria
Codificacin vectorial
ortogonal

Enfermedades

Signos; sntomas; resultados de
laboratorio

Instruccin supervisada
Para cada enfermedad se instruye matriz:


d
i
: vector columna que codifica enfermedad 1
s
j
: vector columna que codifica el signo (j) de la enfermedad 1
Memoria de k enfermedades:

) i ( j
T
j
k
1 i
T
i i
s d d M
Vector con rasgos distintivos
de cada enfermedad r(i)

Suma de vectores s
j
que
codifican cada signo,
sntoma o resultado de
laboratorio.

Un mismo s
j
est presente
en distintas enfermedades:
superposicin de los r(i)

r(i)=
Medical queries
Paciente, con cierta presentacin clnica:
conjunto de signos y sntomas
Es un subconjunto de los s&s de la enfermedad
subyacente.
Tpicamente ambiguo.

entrada indiferente
diagnsticos
presentacin clnica posibles

s
p =
Memoria
Refinamientos



Aprendizaje a partir
de casos clnicos
(superpuesto al
aprendizaje
acadmico)



s1 s2 s3 s4 s5 s6 s7 s8 s9 s
j
caso
1
caso
2
caso
3
caso
4
etc
1/2 1/2 1 1/2 1/4 <1/4 1/2 1/2 1/4
(Hasta ahora:
aprendizaje del libro)
Simulacin de experiencia clnica:
Representacin de cada enfermedad:

Aprendizaje del libro: signos y sntomas potencialmente presentes
s1 s2 s3 s4 s5 s6 s7 s8 s9 s
j
s1 s2 s3 s4 s5 s6 s7 s8 s9 s
j
Aprendizaje de casos reales: perfil de frecuencia de signos y sntomas
Aprendizaje a partir de casos clnicos:

Captacin de prevalencia en la poblacin



Ante una query: Mapeo probabilstico de
diagnsticos posibles.
Dependencia de caractersticas locales.

) i ( j
T
j j
k
1 i
T
i i i
s d d M
Ejemplo miniatura
con datos clnicos reales

Diagnstico de sepsis neonatal
tarda
Una aplicacin mnima

Se entren una memoria con datos publicados por Martell
y colaboradores, de neonatos internados en una unidad
de cuidados intensivos neonatales (CUP-IMPASA) con
sospecha de sepsis neonatal tarda.

Se utilizaron observaciones clnicas personales
provenientes de la misma unidad neonatal como
conjunto de prueba para evaluar la capacidad del
modelo para discriminar entre neonatos spticos y no-
spticos en base a datos clnicos y resultados de
laboratorio.


Modelo

Para cada variable estudiada se reconstruyeron los valores del nmero de pacientes
correspondientes a verdaderos positivos (TP), falsos positivos (FP), verdaderos
negativos (TN) y falsos negativos (FN).

Y a partir de ellos se construyeron los vectores que guardan el perfil caracterstico
de atributos para pacientes spticos y para pacientes sanos.




[attributes_septic]
T
= [0.0604 0.4225 0.0604 0.4225 0.1509
0.3320 0.0604 0.0604 0.3621 0.0604 0.4225 0.0604
0.4225]

[attributes_healthy]
T
=[0.0142 0.4248 0.0142 0.4248 0.0566
0.3823 0.0354 0.0177 0.3859 0.0283 0.4106 0.0283
0.4106]
Conjunto de prueba (presentacin clnica)
The classification of each patient
was obtained as follows:

i) El vector con la presentacin clinica es presentado a la
memoria M. La salida, [result_vector], es una combinacin
lineal de los vectores sptico y sano.

[result_vector] = M * ([indifferent_vector] x [clinical presentation])


ii) Se tom como diagnstico (sepsis/sano) el componente
ms pesado en la combinacin lineal de salida.
Sensibilidad (100%)
&
Especificidad (80%)
Perspectivas
Utilizacin del modelo mnimo para
construir herramientas diagnsticas en
situaciones clnicas seleccionadas.
Otras reas de aplicacin (no-mdicas).

Implementacin del sistema experto
general con datos masivos ?
Nota: en ambos casos: componente artesanal