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. INTRODUÇÃO

EALIZOU-SE, a análise de alguns artigos sobre a utilização de Redes Neurais Artificiais nos diagnósticos

médicos. Identificou-se o quão pode ser rápido e exato a utilização de uma RNA para análise e resultado de diagnósticos médicos em diferentes ramos da medicina atual, e percebeu-se ainda que pode ser mais confiável do que apenas o critério médico para os casos de exames complexos que exigem uma grande quantidade de análise.

R

Uma das áreas abordadas para a utilização de redes neurais é a oftalmologia. Um dos casos estudados tratou a utilização do exame Orbscan II para definir o diagnóstico de pacientes que podem ser portadores de Ceratocone. A rede neural artificial criada com a utilização do método backpropagation, funciona como um método de apoio na área. Os detalhes sobre o funcionamento da RNA para classificação das doenças foram tratados na sessão Metodologias.

II. METODOLOGIAS

Em um dos artigos analisados, verificou-se a utilização de uma rede neural para o diagnóstico da doença meningocócica. A doença meningocócica trata-se de uma infecção bacteriana aguda que pode ser dita por rapidamente fatal. A bactéria responsável por essa infecção é a Neisseria meningitidis (nome científico) que pode causar inflamação nas membranas que revestem o sistema nervoso central (doença conhecida como meningite) e também causar infecção generalizada (doença conhecida como meningococcemia). Como causadores da doença são encontrados 13 sorogrupos identificados de N. meningitidis, porém os que mais frequentemente causam as doenças são o A, o B, o C, o Y e o W135. Esse tipo de doença é considerada como uma das principais doenças infecciosas devido à sua alta relação de morbidade se não forem aplicadas medidas profiláticas apropriadas e em tempo razoável.

Os dados para pesquisa foram retirados de Planilhas de Investigação de Casos da Divisão de Vigilância

Epidemiológica, da Prefeitura Municipal da cidade de Teresópolis (RJ - Brasil) [1] e foram separados de acordo com cada tipo de classe diagnóstica diferente. As entradas adotadas foram separas como: sinais físicos, dados laboratoriais e dados clínicos e para ficar de acordo com o programa satisfazendo o problema, foram declaradas como: Zero= ausente e Um=presente, formando assim um total de 34 neurônios (variáveis) para a entrada.

Aplicou-se na experiência duas RNAs. A primeira foi a Rede Mapa de Kohonen, conhecida por ser uma rede não supervisionada e por ter semelhanças nas entradas do problema, onde os neurônios da saída competem entre si e o ganhador é o vencedor da competição e também a resposta da saída. Esta rede foi utilizada nesta situação, porque era preciso uma técnica de agrupação de informações, devido à relevância das variáveis dos diagnósticos serem desconhecidas, e assim a configuração da rede contava com 34 neurônios na camada de entrada e 16 neurônios na camada de saída [1]. Utilizou-se também a Rede de Gallant (Fig.1) que tem aprendizagem supervisionada, onde foi necessário determinar um conjunto de saídas esperadas de 8 neurônios que representaram as 8 classes abordadas na pesquisa. A rede contou com 34 neurônios na camada de entrada, um na escondida, e 8 na de saída. Determinando a entrada somente com conjunto dos dados clínicos obtidos, foi possível gerar uma lista de hipóteses intermediárias alocadas na camada intermediária para servir no resultado na saída.

Figura 1. Arquitetura da Rede Gallant [1].

Analisou-se a simulação da pesquisa, e verificou-se que com a utilização da RNA com Mapa de Kohonen os resultados foram satisfatórios com um acerto de 83%, que segundo a pesquisa foi considerado um valor alto diante dos resultados clínicos, e assim pode ser associado um conjunto de neurônios a uma classe determinada. Porém com o erro da classificação, pode ser percebido que não existia na entrada todos os exames laboratoriais necessários para oferecer um resultado preciso, então testou-se uma outra rede que apenas

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

Neural Network Study in the Medical Segment

continham os dados históricos e clínicos do paciente nas camadas de entrada. Com a utilização do Mapa de Kohonen não houve convergência, assim chegou-se a conclusão de que os dados laboratoriais são essenciais para tal validação. Já a RNA utilizando Gallant não foi uma boa proposta, pois a mesma não foi capaz de aprender com ambiente devido às suas informações incompletas. O erro observado foi o mesmo acometido pela RNA de Kohonen, porém transmitindo resultados não satisfatórios. Assim entende-se que não foi possível lançar “mão” da pesquisa sem a entrada dos dados laboratoriais feitos pelos pacientes, pois foi gerada a incapacidade da rede de transmitir o resultado correto e satisfatório.

Em outro caso, utilizou-se RNAs para verificação de diagnóstico de Cardiopatias como arritmia e insuficiência cardíaca congestiva, onde os passos seguidos foram a aquisição e condicionamento dos dados como as entradas da rede, e depois o seu treinamento para delimitar como satisfatório ou não.

A aquisição dos dados foi feita através do banco de dados de um determinado site, escolhendo para simulação dados de pessoas sadias, com arritmia e insuficiência cardíaca, onde um programa específico foi executado no Prompt de Comando do Windows. Para condicionamento dos dados foi feito um filtro dos valores tirando o valor médio dos intervalos do processo por uma função na ferramenta MatLab, já que os dados coletados continham alguns erros de descontinuidade. Devido os dados gerados não terem um valor fixo de amostragem por serem gerados com valor de intervalo do processo, foi utilizada uma outra função do MatLab onde tinha como entrada os dados da saída do filtro e o valor de amostragem desejado[2]. A saída desta função foi o sinal já reamostrado, que foi obtido pela interpolação linear. Depois foi feito mais um cálculo, agora de densidade espectral de potência também no MatLab, onde foi retirado o valor de dentro de uma variável objeto que a função deu como resposta, e ajustou-se os valores para ficarem corretos, pela equação: Dados=Dados*Frequência[2]. Porém após os ajustes verificou-se também que a saída da função apresentou um número baixo de pontos, e assim foi feita uma nova reamostragem para aumentar estes valores. Assim depois do cálculo, se obteve a computação da frequência da variação do intervalo, cálculo da potência dentro das quatro faixas ULF - ultra-baixa frequência, VLF - muito baixa frequência, LF - baixa frequência, HF - alta frequência [2], e por ultimo o cálculo da potência total.

TABELA I

FAIXA DE FREQUÊNCIA DE CADA BANDA[2]

Nome da banda Faixa de Frequência (Hz)ULF 0,0000 a 0,0033VLF 0,0033 a 0,0400LF 0,0400 a 0,1500HF 0,1500 a 0,4000TP 0,0000 a 0,4000

Para o treinamento foi utilizado o algoritmo LMS (Least-Mean-Square), exibido na Fig. 2, também conhecido como

Regra Delta e feito sua normalização e reorganização dos vetores de saída por cada cardiopatia estudada.

Figura 2. Fluxograma do Algoritmo [2]

Procurando a aproximação com outros modelos estudados, a pesquisa foi divida entre os dados do sexo dos pacientes e a faixa etária. Porém, no estudo, o único modelo que convergiu foi o que possuía dados de faixas de frequência, conforme Fig. 3, composto por seis entradas e uma saída, porque nos outros casos não havia convergência alguma e às vezes não conseguiu-se realizar cálculo algum.

Figura 3. Modelo com faixas de frequência [2]

Então 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 saudáveis, pessoas com arritmia e insuficiência cardíaca

congestiva. Para diagnosticar pessoas saudáveis, colocando as RNAs de uma forma genérica, pois não são citados seus nomes exatamente, a RNA 12 apresentou menos oscilações e o menor erro (16%)[2]. A rede neural que obteve o melhor desempenho no diagnóstico de insuficiência cardíaca congestiva foi novamente a RNA 12 com 31,33% de erro de classificação. Para o diagnóstico de arritmia cardíaca 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, não somente auxiliou, mas também formou opinião nos diagnósticos, sendo o resultado mais exato, já que quanto maior os dados entrados ocorreu mais exatidão na saída de suas respostas.

III. APLICAÇÃO DE RNA NA OFTALMOLOGIA

Para se explicar a utilização de RNA MLP no apoio ao diagnóstico oftalmológico, é necessário primeiramente explicar a necessidade da área para então detalhar a utilização do método backpropagation.

Ceratocone é uma doença corneana não inflamatória e auto-limitada, que é caracterizada por um afinamento progressivo da porção central da córnea, conforme Fig.4. Danos visuais são causados pela doença. [4] As visões pareces desfocadas ou distorcidas, dependendo do avanço e estágio da doença.

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

Um dos exames utilizados para detectar a doença é o Orbscan II, também conhecido como tomografia corneal. Este exame consegue detectar a elevação da superfície anterior e posterior da córnea, espessura corneana, profundidade da câmara anterior e as demais especificações da córnea definindo assim alguma deficiência visual que o paciente possa ter. [4]

A RNA utilizada para auxiliar no diagnóstico de Ceratocone foi a rede MLP. No artigo é citado somente a utilização do método backpropagation, também conhecido como método de propagação do erro. O sinal de erro é propagado em sentido oposto ao de propagação do sinal funcional, por isso o nome de retropropagação do erro. O tipo

de aprendizagem é supervisionada, onde a arquitetura não é alterada durante o treinamento.

Este método possui camada inicial, ao menos uma intermediária e uma camada final. Os dados são imputados no algoritmo, o cálculo é realizado e na camada de saída saberemos se o resultado esperado foi atingido. Caso contrário, o valor é recalculado através da atualização dos pesos com base em um valor. O processo é repetido até o critério de parada ser atingido.

A pesquisa foi feita com certa quantidade de pacientes onde a questão era obter resultados onde quantos eram pacientes normais e quantos diagnósticos eram com Ceratocone. O método de treinamento Backpropagation da RNA MLP, foi aplicado com uma taxa de aprendizado de 0,2 e uma taxa de tolerância de erro 0,05[3].

Neste exemplo, foram utilizadas 3 camadas, sendo uma inicial, uma intermediária e uma camada final, segundo a Fig.5. Inicialmente os médicos e pesquisadores utilizaram 73 exames para a fase de treinamento e validação da rede. Deste número, eles contavam com 59 diagnósticos normais e 14 com alterações pelo Ceratocone. Após esta etapa, foi realizado o que pode-se considerar de teste de funcionamento da RNA. Tal fase utilizou 25 exames para alinhamento.

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

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 utilização da RNA neste caso é uma ótima solução para não suscitar dúvidas no diagnóstico do médico e assim, auxiliar com maior precisão na interpretação do exame. O método de treinamento da rede neste estudo, o backpropagation, é um dos mais utilizados, onde a RNA realiza uma mudança nos valores das conexões 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 associações de variáveis, uma característica

desejável em um sistema médico de auxílio a um diagnóstico [3]. O desenvolvimento da RNA foi realizado com o Java Neural Network Simulator versão 1.1, contendo 3 camadas.

IV. CONCLUSÃO

Analisando os resultados dos artigos estudados, percebe-se que a utilização de Redes Neurais Artificiais no auxílio de diagnósticos médicos, sejam eles de quaisquer tipos, é uma boa solução para retorno/ resultado mais rápido das análises e diagnósticos. A utilização das redes faz com que as análises sejam mais rápidas do que só a análise clinica médica, e mais perto do acerto levando em consideração a maior quantidade de dados que podem ser analisados. Porém deve se levar em consideração que mesmo sendo de grande avalia e um ótimo suporte para a análise e diagnósticos clínicos, uma avaliação por auxílio de uma RNA não está completamente livre de erros e falhas, por isso é interessante sempre treinar bem a rede e verificar o tipo de RNA correta para cada tipo de problema.

REFERÊNCIAS

[1] L. W. Martins; J. T. Assis; A. S. Monat “Aplicação de redes neurais para o diagnóstico diferencial da doença meningocócica” Disponível em: http://www.sbis.org.br/cbis9/arquivos/627.PDF. Acesso em 28 abr. 2012.

[2] T. R. Perales; E. F. F. Ramirez; M. R. Covacic “Diagnóstico de Cardiopatias Usando Redes Neurais Artificiais LMS”. Disponível em: http://www.sbis.org.br/cbis11/arquivos/690.pdf. Acesso em 02 mai. 2012.

[3] M. B. Souza; F. W. Medeiros; D. B. Souza ; M. R.Alves “Diagnóstico do ceratocone baseado no Orbscan com o auxílio de uma rede neural” .Disponível em: http://www.scielo.br/pdf/abo/v71n6s0/13.pdf. Acesso em 04 mai. 2012

[4] http://www.cctc.com.br/web/index.php/ceratocone/ver/ceratocone Acesso em 12 mai. 2012