"SISTEMA DE DIAGNSTICO DE LA ENFERMEDAD HEPATITIS UTILIZANDO REDES NEURONALES" 1Universidad Csar Vallejo RESUMEN En ste 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 algnos software como MATLAB Y WEKA. Los datos con los que trabajamos fueron extrados de la pgina siguiente http://repository.seasr.org/Datasets/UCI/arff/hepatitis.arff y se logro una clasificacin correcta de datos del 99.3548 %. Para llegar a este resultado se tuvieron que realizar pruebas, recordando que en redes neuronales la informacin 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 informacin de forma impresa y desean procesar esta informacin utilizando un computador, lo pueden realizar de dos maneras; la primera es que toda de informacin deben digitarla a travs de tecleado, lo cual es un trabajo largo, y si la informacin es abundante quiz el periodo de tiempo para digitar sea demasiado largo, la segunda opcin es hacer automticamente este proceso a travs de sistemas inteligentes para diagnosticar enfermedades, lo cual sin duda alguna facilita las cosas y reduce el tiempo utilizado. En los ltimos aos, los principios matemticos 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 aproximacin del modelado matemtico, y paquetera computacional creada para la solucin de problemas urgentes para la optimizacin de terapias antivirales, es muy poderosa y cercana a la realidad. Existen estadsticas que nos muestran el incremento del virus de la hepatitis por los ltimos 15 aos. Hay muchos tratamientos dedicados a mantener la salud del paciente lo mejor posible, pero, a pesar de los importantes avances cientficos y mdicos no existe, hasta ahora, ninguna cura eficiente o vacuna capaz de controlar o mantener al virus contenido. El resto de ste paper est organizado de la siguiente manera. En la seccin 2 se muestra como realizar la seccin de Trabajos Previos. La seccin 3 nos brinda informacin de otros puntos de importancia en relacin con el trabajo. La forma de colocar los Experimentos y Resultados se encuentra en la seccin 4. La Discusin de los Experimentos se muestra en la seccin 5 y finalmente, la manera de redactar las conclusiones est en la seccin 6. 2.- TRABAJOS PREVIOS

Un trabajo relacionado al tema es Proceso de control del virus de la Hepatitis C va redes neuronales diferenciales y Hamilton-Jacobi desarrollado R. F. Miranda, J. I. Chairez, A. I. Cabrera en Unidad Profesional Interdisciplinaria de Biotecnologa, IPN. En este trabajo nos menciona la descripcin del proceso de control (utilizando la tcnica de Seguimiento de Trayectoria por Hamilton-Jacobi (STHJ)) de los estados de un modelo matemtico que describe la dinmica del virus de la Hepatitis C (VHC). Otro trabajo que ms se aproxima al presente artculo, es la tesis titulada Sistema Experto para determinar tipo de diabetes desarrollado por Gisela Rey Salazar y Alex Garca 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 ltimo tiempo en el rea de la Medicina. Para esto fue necesaria la implementacin de sistemas que sean capaces de diagnosticar una posible respuesta a las mltiples interrogantes .Para ello se crea un Sistema Experto el cual tiene como finalidad determinar segn una serie de sntomas el tipo de diabetes que el paciente pudiese llegar a presentar y el tratamiento que ste debera seguir. Otro trabajo relacionado al tema es Teora probabilstica de la decisin en la medicina desarrollado por Francisco Javier Dez Vegas en el Dpto. Inteligencia Artificial UNED, Madrid. En este trabajo nos menciona que el objetivo final de la medicina no es el diagnstico, sino el tratamiento teraputico. Alguien podra pensar que, una vez realizado el diagnstico, basta aplicar el tratamiento adecuado para la enfermedad encontrada. Sin embargo, en la prctica casi nunca se llega a diagnstico con un 100% de certeza. 3. INTELIGENCIA ARTIFICIAL La Inteligencia Artificial (IA) se puede definir como la capacidad de una mquina de realizar las mismas funciones que el ser humano. Con el avance de la tecnologa la bsqueda de la IA ha tomado dos rumbos fundamentales: la investigacin psicolgica y fisiolgica de la naturaleza del pensamiento humano, y el desarrollo tecnolgico de sistemas informticos cada vez ms complejos. De esta forma la IA se

ha aplicado a sistemas y programas informticos capaces de realizar tareas complejas, simulando el funcionamiento del pensamiento humano, aunque todava muy lejos de ste. En este contexto las reas de investigacin ms significativas son el procesamiento de la informacin, el reconocimiento de modelos y las reas aplicadas como el diagnstico mdico. Hoy en da 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 simblica, incluso empleando el razonamiento difuso. Las redes neuronales lo hacen desde una perspectiva ms biolgica (recrean la estructura de un cerebro humano mediante algoritmos genticos). 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 tambin lo puede tener en medicina. Los expertos solucionan los problemas utilizando una combinacin de conocimientos basados en hechos y en su capacidad de razonamiento. Los sistemas expertos facilitan tambin herramientas adicionales en forma de interfaces de usuario y los mecanismos de explicacin. Las interfaces de usuario, al igual que en cualquier otra aplicacin, permiten al usuario formular consultas, proporcionar informacin e interactuar de otras formas con el sistema. Los mecanismos de explicacin, la parte ms fascinante de los sistemas expertos, permiten a los sistemas explicar o justificar sus conclusiones, y tambin posibilitan a los programadores verificar el funcionamiento de los propios sistemas. 4.- INTERPRETACIN DE LA NEURONA POR COMPUTADORA Una neurona se puede comparar con una caja negra compuesta por varias entradas y una salida. La relacin de activacin entre la salida y la entrada, o en trminos circuitales o de teora de control, la funcin de transferencia. 4.1 LA NEURONA ARTIFICIAL Un circuito elctrico que realice la sume ponderada de las diferentes seales que recibe de otras unidades iguales y produzca en la salida un uno o un cero segn el resultado de la suma con relacin al umbral o nivel de disparo, conforma una buena representacin de lo que es

una neurona artificial. La funcin de transferencia para la activacin o disparo de la neurona puede ser de umbral lgico (fig. 4) o de limitacin dura (fig. 4b) o de funcin tipo s (fig. 4c). W representa el peso o ponderacin de la conexin a travs de una entrada. Figura4: Funciones de transferencia o activacin de una neurona artificial. La neurona artificial es un dispositivo elctrico que responde a seales elctricas. La respuesta la produce el circuito activo o funcin de transferencia que forma parte del cuerpo de la neurona. Las "dendritas" llevan las seales elctricas al cuerpo de la misma. Estas seales provienen de censores o son salidas de neuronas vecinas. Las seales por las dendritas pueden ser voltajes positivos o negativos; los voltajes positivos contribuyen a la excitacin del cuerpo y los voltajes negativos contribuyen a inhibir la respuesta de la neurona. 4.2 RED NEURONAL En el rea de la inteligencia artificial una red neuronal se refiere a un sistema de interconexin de neuronas en una red que trabaja para producir un estmulo de salida. La red neuronal est 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 estar 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 visin se activan y envan seales a las neuronas ocultas. Las neuronas que se disparan con la seal de entrada aumentan el grado de conexin de ellas. Si el mismo objeto A se presenta una y otra vez, la interconexin 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 unin de las neuronas para el conocimiento de tal objeto, es dbil. Las neuronas deben entrenarse para reconocer el objeto A en esta nueva presentacin. 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 representacin 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 interconexin, 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 ampla el tipo de funciones que puede aprender la red, entonces surge la idea (proveniente tambin de copiar los sistemas biolgicos), de hacer redes que tengan ms 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 consistir, al igual que en el perceptrn 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 (slo se tiene salida deseada en las capas de salida). Esto es debido a que los errores son necesarios para el aprendizaje, para saber cmo modificar los pesos de las neuronas en las capas

ocultas. As se da origen a algoritmos muy ingeniosos, el precursor y ms conocido por su simplicidad, es el que recibi el nombre de retro propagacin del error (backpropagation). Las neuronas de la capa oculta usan como regla de propagacin, la suma ponderada de las entradas con los pesos sinpticos wij y sobre esa suma ponderada se aplica una funcin de transferencia de tipo sigmoide (recordemos que en el PS, era simplemente un umbral), que es acotada en respuesta. Similarmente en la retropropagacin, 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 conexin. 5.- MATRIZ DE CONFUSION La matriz de confusin, o tambin tabla de contingencia, est formada por tantas filas y columnas como clases hay. El nmero de instancias clasificadas correctamente es la suma de la diagonal de la matriz y el resto estn clasificadas de forma incorrecta. Como hemos visto, la informacin que se da aqu y en el apartado anterior es la misma expresada de otra forma. Por tanto nos limitaremos a presentar los resultados de la matriz de confusin, ya que comprobando el nmero de elementos no nulos fuera de la diagonal principal tenemos una buena aproximacin de la calidad del clasificador. 6. EXPERIMENTOS Y RESULTADOS La base de datos obtenida de la pgina: http://repository.seasr.org/Datasets/UCI/arff/ Tiene un nmero de casos de 155, donde cada caso contiene los atributos que se muestran en la tabla siguiente. ndice Correcto de Clasificacin es de 99.3548% con una cantidad de 144, de los cuales el 0.6452% de clasificacin es incorrecto, con una cantidad de 1. Teniendo como matriz: Matriz de Confusin | a | B | Clasificado como |

31 | 1 | A=DIE | 0 | 123 | B=LIVE | Como se haba explicado anteriormente, la clasificacin correcta corresponde a la suma de los datos de la diagonal principal de la matriz de confusin. Es decir el 99.3548% de datos clasificados correctamente. Observamos que 1 de los datos que corresponde a una prueba de Vivir se confunde con una de Muerte Finalmente, se muestran algunas de las interfaces de la aplicacin realizada en Visual basic 2010. 7. DISCUSIN DE EXPERIMENTO En el presente trabajo se consigna una base de datos de la cual ser procesada para su clasificacin mediante la utilizacin de redes neuronales. Atributos | Descripcin | Edad | Se cola la edad que tiene el paciente. | Sexo | Se coloca si el paciente es hombre o mujer. | Esteroides | Detalla si el paciente tiene uso de esteroides. | Antivirales | Detalla si el paciente tiene uso de antivirales. | Fatiga | Especifica si el paciente presenta fatiga. | Malestar | Especifica si el paciente presentar malestar. | Anorexia | Indica si el paciente ha sufrido de anorexia. | Hgado Hinchado | Define si el paciente tiene desarrollado un hgado grande debido a que puede ser causante de esta enfermedad. | Malestar Hgado | Determina si el paciente tiene malestar en dicho rgano. | Bazo Hinchado | Si el paciente presenta el Bazo hinchando | Picadura de Araa | Si el paciente presenta alguna picadura de araa. | Ascitis | El paciente presenta sntomas de ascitis | Bilirrubina | El nivel de bilirrubina que el paciente presenta. | Fosfato alcalino | Determina la cantidad que el paciente presenta de dicho compuesto. | STGO | Determina la cantidad que presenta el paciente. | Albumina | Determina la proporcin que tiene el paciente. | Tiempo de protrombina | Tiempo de protrombina en el paciente | Ictericia | Presencia de ictericia en el paciente |

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 tambin es un enfermedad de sntomas silenciosos, puede causar el deceso de personas; por otra parte, el sistema, puede ser eficaz si los exmenes realizados son exactos. Recordemos que existe un margen de 0.6452% de error de clasificacin. BIBLIOGRAFA * GISSELLE, Rey Salazar & ALEX, Garca Araya. SISTEMA EXPERTO PARA DETERMINAR TIPO DE DIABETES. http://es.scribd.com/doc/58273072/Sistema-Experto-Determina-Tipode-Diabetes * FRANCISCO JAVIER, Dez Vegas .Teora probabilista de la decisin en medicina Dpto. Inteligencia Artificial UNED Madrid 11 junio 2007 * MINERIA DE DATOS. http://www.it.uc3m.es/jvillena/irc/practicas/0304/18.mem.pdf * Metodologa de Evaluacin de Modelos de Prediccin de Glucemia en Pacientes Diabticos Basados en Redes Neuronales. http://biocomp.cnb.uam.es/~coss/Articulos/Perez2005.pdf * Proceso de control del virus de la Hepatitis C va redes neuronales diferenciales y Hamilton-Jacobi. http://b-dig.iie.org.mx/BibDig/P060731/fscommand/SC101i26.pdf * Hepatitis Crnica Persistente (Madrid - Espaa) 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 deteccin de hepatitis y sidahttp://www.hepatitisc2000.com.ar/desarrolla-brasil-nueva-pruebade-deteccin-de-hepatitis-c-y-sida/ * Practica de FibroTest para Hepatitis Chttp://www.biopredictive.com/intl/physician/fibrotest-forhcv/view?set_language=es