Neural Network Study in the Medical Segment

A. L. Palmeira and T. M. M. da Silva.

Abstract The Artificial Neural Network usage has been proved to be useful by a variety of tests in real world scenarios, helping and solving data analyzes which would be complex to the human resolution. Likewise, it is also important in medical diagnose which needs to be fast and accurate, not relying only in medical experience and analyzes, to guarantee the patient recovery. Therefore, when the neural networks are well trained with enough information on the needed analyze, it increases the diagnose accuracy. Cases introduced in this article will not only show satisfactory results but also testify the neural networks to be faster than a medical analyze. Keywords Neural Networks, Medicine, Ceratocone.

I. INTRODUO EALIZOU-SE, a anlise de alguns artigos sobre a utilizao de Redes Neurais Artificiais nos diagnsticos mdicos. Identificou-se o quo pode ser rpido e exato a utilizao de uma RNA para anlise e resultado de diagnsticos mdicos em diferentes ramos da medicina atual, e percebeu-se ainda que pode ser mais confivel do que apenas o critrio mdico para os casos de exames complexos que exigem uma grande quantidade de anlise. Uma das reas abordadas para a utilizao de redes neurais a oftalmologia. Um dos casos estudados tratou a utilizao do exame Orbscan II para definir o diagnstico de pacientes que podem ser portadores de Ceratocone. A rede neural artificial criada com a utilizao do mtodo backpropagation, funciona como um mtodo de apoio na rea. Os detalhes sobre o funcionamento da RNA para classificao das doenas foram tratados na sesso Metodologias.

programa satisfazendo o problema, foram declaradas como: Zero= ausente e Um=presente, formando assim um total de 34 neurnios (variveis) para a entrada. Aplicou-se na experincia duas RNAs. A primeira foi a Rede Mapa de Kohonen, conhecida por ser uma rede no supervisionada e por ter semelhanas nas entradas do problema, onde os neurnios da sada competem entre si e o ganhador o vencedor da competio e tambm a resposta da sada. Esta rede foi utilizada nesta situao, porque era preciso uma tcnica de agrupao de informaes, devido relevncia das variveis dos diagnsticos serem desconhecidas, e assim a configurao da rede contava com 34 neurnios na camada de entrada e 16 neurnios na camada de sada [1]. Utilizou-se tambm a Rede de Gallant (Fig.1) que tem aprendizagem supervisionada, onde foi necessrio determinar um conjunto de sadas esperadas de 8 neurnios que representaram as 8 classes abordadas na pesquisa. A rede contou com 34 neurnios na camada de entrada, um na escondida, e 8 na de sada. Determinando a entrada somente com conjunto dos dados clnicos obtidos, foi possvel gerar uma lista de hipteses intermedirias alocadas na camada intermediria para servir no resultado na sada.

II. METODOLOGIAS Em um dos artigos analisados, verificou-se a utilizao de uma rede neural para o diagnstico da doena meningoccica. A doena meningoccica trata-se de uma infeco bacteriana aguda que pode ser dita por rapidamente fatal. A bactria responsvel por essa infeco a Neisseria meningitidis (nome cientfico) que pode causar inflamao nas membranas que revestem o sistema nervoso central (doena conhecida como meningite) e tambm causar infeco generalizada (doena conhecida como meningococcemia). Como causadores da doena so encontrados 13 sorogrupos identificados de N. meningitidis, porm os que mais frequentemente causam as doenas so o A, o B, o C, o Y e o W135. Esse tipo de doena considerada como uma das principais doenas infecciosas devido sua alta relao de morbidade se no forem aplicadas medidas profilticas apropriadas e em tempo razovel. Os dados para pesquisa foram retirados de Planilhas de Investigao de Casos da Diviso de Vigilncia Epidemiolgica, da Prefeitura Municipal da cidade de Terespolis (RJ - Brasil) [1] e foram separados de acordo com cada tipo de classe diagnstica diferente. As entradas adotadas foram separas como: sinais fsicos, dados laboratoriais e dados clnicos e para ficar de acordo com o

Figura 1. Arquitetura da Rede Gallant [1].

Analisou-se a simulao da pesquisa, e verificou-se que com a utilizao da RNA com Mapa de Kohonen os resultados foram satisfatrios com um acerto de 83%, que segundo a pesquisa foi considerado um valor alto diante dos resultados clnicos, e assim pode ser associado um conjunto de neurnios a uma classe determinada. Porm com o erro da classificao, pode ser percebido que no existia na entrada todos os exames laboratoriais necessrios para oferecer um resultado preciso, ento testou-se uma outra rede que apenas continham os dados histricos e clnicos do paciente nas camadas de entrada. Com a utilizao do Mapa de Kohonen no houve convergncia, assim chegou-se a concluso de que os dados laboratoriais so essenciais para tal validao. J a RNA utilizando Gallant no foi uma boa proposta, pois a mesma no foi capaz de aprender com ambiente devido s suas informaes incompletas. O erro observado foi o mesmo

acometido pela RNA de Kohonen, porm transmitindo resultados no satisfatrios. Assim entende-se que no foi possvel lanar mo da pesquisa sem a entrada dos dados laboratoriais feitos pelos pacientes, pois foi gerada a incapacidade da rede de transmitir o resultado correto e satisfatrio. Em outro caso, utilizou-se RNAs para verificao de diagnstico de Cardiopatias como arritmia e insuficincia cardaca congestiva, onde os passos seguidos foram a aquisio e condicionamento dos dados como as entradas da rede, e depois o seu treinamento para delimitar como satisfatrio ou no. A aquisio dos dados foi feita atravs do banco de dados de um determinado site, escolhendo para simulao dados de pessoas sadias, com arritmia e insuficincia cardaca, onde um programa especfico foi executado no Prompt de Comando do Windows. Para condicionamento dos dados foi feito um filtro dos valores tirando o valor mdio dos intervalos do processo por uma funo na ferramenta MatLab, j que os dados coletados continham alguns erros de descontinuidade. Devido os dados gerados no terem um valor fixo de amostragem por serem gerados com valor de intervalo do processo, foi utilizada uma outra funo do MatLab onde tinha como entrada os dados da sada do filtro e o valor de amostragem desejado[2]. A sada desta funo foi o sinal j reamostrado, que foi obtido pela interpolao linear. Depois foi feito mais um clculo, agora de densidade espectral de potncia tambm no MatLab, onde foi retirado o valor de dentro de uma varivel objeto que a funo deu como resposta, e ajustou-se os valores para ficarem corretos, pela equao: Dados=Dados*Frequncia[2]. Porm aps os ajustes verificou-se tambm que a sada da funo apresentou um nmero baixo de pontos, e assim foi feita uma nova reamostragem para aumentar estes valores. Assim depois do clculo, se obteve a computao da frequncia da variao do intervalo, clculo da potncia dentro das quatro faixas ULF ultra-baixa frequncia, VLF - muito baixa frequncia, LF baixa frequncia, HF - alta frequncia [2], e por ultimo o clculo da potncia total.
TABELA I FAIXA DE FREQUNCIA DE CADA BANDA[2]

Figura 2. Fluxograma do Algoritmo [2]

Procurando a aproximao com outros modelos estudados, a pesquisa foi divida entre os dados do sexo dos pacientes e a faixa etria. Porm, no estudo, o nico modelo que convergiu foi o que possua dados de faixas de frequncia, conforme Fig. 3, composto por seis entradas e uma sada, porque nos outros casos no havia convergncia alguma e s vezes no conseguiu-se realizar clculo algum.

Nome da banda ULF VLF LF HF TP

Faixa de Frequncia (Hz) 0,0000 a 0,0033 0,0033 a 0,0400 0,0400 a 0,1500 0,1500 a 0,4000 0,0000 a 0,4000

Para o treinamento foi utilizado o algoritmo LMS (LeastMean-Square), exibido na Fig. 2, tambm conhecido como Regra Delta e feito sua normalizao e reorganizao dos vetores de sada por cada cardiopatia estudada.

Figura 3. Modelo com faixas de frequncia [2]

Ento foram testadas 24 redes neurais neste caso para identificar a que obteve melhor resultado para cada um dos casos estudados conforme citado acima, entre pessoas saudveis, pessoas com arritmia e insuficincia cardaca congestiva. Para diagnosticar pessoas saudveis, colocando as RNAs de uma forma genrica, pois no so citados seus nomes exatamente, a RNA 12 apresentou menos oscilaes e

o menor erro (16%)[2]. A rede neural que obteve o melhor desempenho no diagnstico de insuficincia cardaca congestiva foi novamente a RNA 12 com 31,33% de erro de classificao. Para o diagnstico de arritmia cardaca as redes neurais tiveram o melhor desempenho de todos os treinamentos, sendo a RNA 17 aquela que apresentou o menor erro (13,33%). E assim confirmou-se que as redes neurais treinadas com algoritmos LMS, no somente auxiliou, mas tambm formou opinio nos diagnsticos, sendo o resultado mais exato, j que quanto maior os dados entrados ocorreu mais exatido na sada de suas respostas. III. APLICAO DE RNA NA
OFTALMOLOGIA

Para se explicar a utilizao de RNA MLP no apoio ao diagnstico oftalmolgico, necessrio primeiramente explicar a necessidade da rea para ento detalhar a utilizao do mtodo backpropagation. Ceratocone uma doena corneana no inflamatria e auto-limitada, que caracterizada por um afinamento progressivo da poro central da crnea, conforme Fig.4. Danos visuais so causados pela doena. [4] As vises pareces desfocadas ou distorcidas, dependendo do avano e estgio da doena.

saberemos se o resultado esperado foi atingido. Caso contrrio, o valor recalculado atravs da atualizao dos pesos com base em um valor. O processo repetido at o critrio de parada ser atingido. A pesquisa foi feita com certa quantidade de pacientes onde a questo era obter resultados onde quantos eram pacientes normais e quantos diagnsticos eram com Ceratocone. O mtodo de treinamento Backpropagation da RNA MLP, foi aplicado com uma taxa de aprendizado de 0,2 e uma taxa de tolerncia de erro 0,05[3]. Neste exemplo, foram utilizadas 3 camadas, sendo uma inicial, uma intermediria e uma camada final, segundo a Fig.5. Inicialmente os mdicos e pesquisadores utilizaram 73 exames para a fase de treinamento e validao da rede. Deste nmero, eles contavam com 59 diagnsticos normais e 14 com alteraes pelo Ceratocone. Aps esta etapa, foi realizado o que pode-se considerar de teste de funcionamento da RNA. Tal fase utilizou 25 exames para alinhamento.

Figura 4. Comparao do globo ocular normal e um portador de Ceratocone[4]

Figura 5. Arquitetura utilizada no caso do estudo de Ceratocone[3]

Um dos exames utilizados para detectar a doena o Orbscan II, tambm conhecido como tomografia corneal. Este exame consegue detectar a elevao da superfcie anterior e posterior da crnea, espessura corneana, profundidade da cmara anterior e as demais especificaes da crnea definindo assim alguma deficincia visual que o paciente possa ter. [4] A RNA utilizada para auxiliar no diagnstico de Ceratocone foi a rede MLP. No artigo citado somente a utilizao do mtodo backpropagation, tambm conhecido como mtodo de propagao do erro. O sinal de erro propagado em sentido oposto ao de propagao do sinal funcional, por isso o nome de retropropagao do erro. O tipo de aprendizagem supervisionada, onde a arquitetura no alterada durante o treinamento. Este mtodo possui camada inicial, ao menos uma intermediria e uma camada final. Os dados so imputados no algoritmo, o clculo realizado e na camada de sada

Entre os exames utilizados para testar o funcionamento, 19 encontravam-se classificados no grupo de exames normais, e 6 entre os portadores de Ceratocone. A utilizao da RNA neste caso uma tima soluo para no suscitar dvidas no diagnstico do mdico e assim, auxiliar com maior preciso na interpretao do exame. O mtodo de treinamento da rede neste estudo, o backpropagation, um dos mais utilizados, onde a RNA realiza uma mudana nos valores das conexes entre as unidades de acordo com a taxa de erro observada para cada caso apresentado durante o treinamento. Uma vez treinada, a RNA produz sempre respostas iguais para as mesmas associaes de variveis, uma caracterstica desejvel em um sistema mdico de auxlio a um diagnstico [3] . O desenvolvimento da RNA foi realizado com o Java Neural Network Simulator verso 1.1, contendo 3 camadas.

IV. CONCLUSO Analisando os resultados dos artigos estudados, percebe-se que a utilizao de Redes Neurais Artificiais no auxlio de diagnsticos mdicos, sejam eles de quaisquer tipos, uma boa soluo para retorno/ resultado mais rpido das anlises e diagnsticos. A utilizao das redes faz com que as anlises sejam mais rpidas do que s a anlise clinica mdica, e mais perto do acerto levando em considerao a maior quantidade de dados que podem ser analisados. Porm deve se levar em considerao que mesmo sendo de grande avalia e um timo suporte para a anlise e diagnsticos clnicos, uma avaliao por auxlio de uma RNA no est completamente livre de erros e falhas, por isso interessante sempre treinar bem a rede e verificar o tipo de RNA correta para cada tipo de problema.

REFERNCIAS

[1]

[2]

[3]

[4]

L. W. Martins; J. T. Assis; A. S. Monat Aplicao de redes neurais para o diagnstico diferencial da doena meningoccica Disponvel em: http://www.sbis.org.br/cbis9/arquivos/627.PDF. Acesso em 28 abr. 2012. T. R. Perales; E. F. F. Ramirez; M. R. Covacic Diagnstico de Cardiopatias Usando Redes Neurais Artificiais LMS. Disponvel em: http://www.sbis.org.br/cbis11/arquivos/690.pdf. Acesso em 02 mai. 2012. M. B. Souza; F. W. Medeiros; D. B. Souza ; M. R.Alves Diagnstico do ceratocone baseado no Orbscan com o auxlio de uma rede neural .Disponvel em: http://www.scielo.br/pdf/abo/v71n6s0/13.pdf. Acesso em 04 mai. 2012 http://www.cctc.com.br/web/index.php/ceratocone/ver/ceratocone Acesso em 12 mai. 2012