En el campo de la inteligencia de máquinas, las redes neuronales han experimentado un éxito significativo, especialmente en áreas como la detección de objetos, el reconocimiento de voz y el procesamiento del lenguaje natural, donde su rendimiento es comparable al humano. Este éxito ha permitido su aplicación en varios dominios, siendo la medicina uno de los más beneficiados. Los avances metodológicos en las redes neuronales han permitido mejoras sustanciales en el diagnóstico, el monitoreo y el tratamiento de pacientes a través de la gestión de grandes volúmenes de datos médicos. Este artículo proporciona una revisión detallada de las principales arquitecturas de redes neuronales y sus aplicaciones en el campo médico, como la segmentación de imágenes médicas, el procesamiento de electrocardiogramas para la detección de arritmias y muchos otros usos.
1. Introducción
Las redes neuronales profundas han revolucionado múltiples dominios de aplicación gracias a su capacidad para aprender modelos complejos de representaciones de datos y realizar análisis precisos. Estas capacidades han encontrado un lugar crucial en el diagnóstico, monitoreo y tratamiento de pacientes, ayudando en la interpretación de imágenes médicas y en la evaluación de señales médicas como electrocardiografías y electroencefalografías.
2. Redes Neuronales Artificiales (ANN)
Las ANN son sistemas computacionales inspirados en las redes neuronales biológicas del cerebro animal. Este tipo de red se utiliza para aproximar funciones en tareas supervisadas y se compone de múltiples capas que transforman la entrada en la salida deseada a través de una serie de transformaciones lineales y no lineales.
2.1. Autoencoders
Los autoencoders son una forma especial de ANN que aprenden a codificar datos de entrada en una representación de menor dimensión, generalmente para la reducción de dimensionalidad, a través de un proceso de aprendizaje no supervisado. Son particularmente útiles para tareas como la denoising de datos o la extracción de características.
2.2. Redes Neuronales Convolucionales (CNN)
Las CNN son una categoría especializada de ANN diseñadas para procesar datos con una topología de matriz conocida, como imágenes. Estas redes son excelentes para aplicaciones de visión por computadora, incluyendo la segmentación de imágenes médicas y el análisis de señales biomédicas.
2.3. Memoria a Largo Corto Plazo (LSTM)
Las LSTM son una variante de las redes neuronales recurrentes diseñadas para procesar secuencias de información y superar el problema de desvanecimiento del gradiente que afecta a las RNN tradicionales. Son efectivas en tareas que requieren la memorización de información a largo plazo.
3. Aplicaciones médicas de las redes neuronales
Las redes neuronales han encontrado aplicaciones significativas en el campo médico, incluyendo:
3.1. Autoencoders para la segmentación biomédica
Los autoencoders se utilizan para segmentar imágenes médicas, identificando áreas específicas de interés, lo cual es crucial en diagnósticos y tratamientos médicos.
La segmentación de imágenes es el procedimiento de dividir una imagen digital o un volumen en múltiples conjuntos disjuntos de píxeles, respectivamente vóxeles. Por ejemplo, la segmentación puede utilizarse para seleccionar los contornos de los riñones en una tomografía computarizada abdominal. La red neuronal convolucional 2D totalmente conectada u-net revolucionó la segmentación en el aprendizaje profundo. La arquitectura de la red neuronal se asemeja fuertemente a la forma de la letra U y consta de dos partes. La primera parte se llama codificador, que consta de varias capas convolucionales y de agrupamiento alternas, y es responsable de mapear una imagen al espacio latente. La segunda parte se llama decodificador, que consta de varias capas convolucionales y de submuestreo, aprende una función que encuentra los contornos del objeto bajo observación. Isensee et al. propusieron el marco autoadaptativo nnU-Net para u-net, que encuentra heurísticamente hiperparámetros importantes, como los parámetros de aumento de datos, parámetros de preprocesamiento y profundidad de u-net. nn-UNet ha estado logrando regularmente los primeros lugares en desafíos de segmentación de imágenes médicas, como el Desafío de Segmentación de Tumores Renales, el Desafío de Segmentación de Tumores Hepáticos, el Desafío de Segmentación de Tumores Cerebrales, etc.
Una de las muchas aplicaciones de las arquitecturas mencionadas en la imagenología médica es la segmentación del hígado y sus lesiones, que son indicadores importantes para el diagnóstico de diversas enfermedades. Además, es común que los tumores de la parte abdominal del cuerpo puedan extenderse al tejido hepático. Como resultado de estos factores, el cáncer de hígado es la segunda causa más común de muerte por cáncer y es el sexto cáncer más frecuente.
Otra aplicación activamente investigada de los autoencoders y sus variantes en la imagenología médica es la segmentación de estructuras morfológicas, como los vasos. Basándose en los resultados obtenidos, los autores de demostraron que el uso de autoencoders en forma de red generativa antagónica (GAN) puede aplicarse con éxito para segmentar los vasos sanguíneos de la retina en imágenes del fondo del ojo, que no solo se utilizan en el cribado de enfermedades vasculares retinianas sino también en el diagnóstico de otras enfermedades graves, como el accidente cerebrovascular, la hipertensión y el glaucoma.
3.2. CNN 1D para el procesamiento de señales biomédicas
Las CNN 1D se utilizan para analizar señales biomédicas como los ECG, ayudando en la detección rápida y precisa de arritmias y otras condiciones cardíacas.
El estudio de las señales biomédicas es esencial para una comprensión más amplia de los fenómenos fisiológicos en el cuerpo humano, ya sea bajo condiciones normales o patológicas. Las señales biomédicas proporcionan información sobre el estado de los órganos del cuerpo y la salud general. Usualmente son capturadas por dispositivos que miden diferentes tipos de información, como la actividad cerebral, la glucosa en sangre, la presión arterial, la frecuencia cardíaca y la conducción nerviosa. Según estas mediciones, los médicos deciden el diagnóstico y el tratamiento.
Las enfermedades cardiovasculares son la causa más común de muerte a nivel mundial. En 2019, representaron el 32% de todas las muertes. Los trastornos cardíacos generalmente se analizan utilizando la señal del electrocardiograma (ECG), que muestra la actividad eléctrica del corazón a lo largo del tiempo registrada por un electrocardiógrafo. La actividad del músculo cardíaco se mide a través de las diferencias de potencial eléctrico entre los electrodos conectados a la superficie del cuerpo. Un par de electrodos forma una derivación. Un ECG convencional de doce derivaciones utiliza cuatro electrodos ubicados en las extremidades y seis electrodos ubicados en la superficie del pecho.
Sin embargo, diferentes condiciones de monitoreo y la necesidad de resaltar algunas anomalías han llevado al desarrollo de otros sistemas de derivación que difieren en la colocación de los electrodos o permiten reducir el número de electrodos. Aunque el ECG ha sido durante mucho tiempo un método para diagnosticar enfermedades cardiovasculares, su interpretación requiere un conocimiento humano considerable. En los últimos años, métodos avanzados de inteligencia artificial, como el aprendizaje profundo de redes neuronales convolucionales, han permitido una interpretación del ECG rápida y similar a la humana. Incluso señales y patrones que en gran medida son irreconocibles para los intérpretes humanos pueden ser detectados con precisión por redes neuronales profundas.
La implementación de algoritmos de análisis de ECG eficientes en dispositivos portátiles alimentados por batería, como teléfonos móviles con sensores de ECG inalámbricos, permitirá una evaluación continua de la función cardíaca que se puede integrar fácilmente en la vida cotidiana. Las principales condiciones para el desarrollo del análisis automatizado de ECG son conjuntos de datos públicos y procedimientos bien definidos que permiten la comparación de diferentes algoritmos. Para garantizar estas condiciones, en los últimos años se han publicado varios grandes conjuntos de datos de ECG anotados por cardiólogos. Ejemplos son el conjunto de datos PTB-XL con etiquetas de diagnóstico y la base de datos de arritmia MIT-BIH.
3.3. CNN 2D para la imagenología médica
Las CNN 2D son fundamentales en la clasificación, detección y segmentación en el análisis de imágenes médicas, proporcionando apoyo en la detección de cánceres y otras anomalías.
3.3.1. Clasificación
La clasificación en imagenología médica es una acción o proceso de clasificar una imagen o parte de la imagen según cualidades o características compartidas. Se utilizan arquitecturas de redes neuronales como VGG-16, redes residuales, y en caso de necesitar inferencia rápida, se pueden emplear MobileNet o SqueezeNet.
Gazda et al. desarrollaron un sistema que clasificaba radiografías de tórax en sujetos sanos y sujetos enfermos. Verificaron su enfoque en la clasificación de personas sanas y pacientes que sufrían de neumonía, inducida por COVID-19 u otras enfermedades. Esteva et al. desarrollaron una red neuronal 2D para la clasificación de cáncer de piel, que alcanzó un rendimiento comparable al de dermatólogos expertos. Díaz et al. utilizaron una red neuronal para la clasificación de tumores cerebrales a partir de imágenes de resonancia magnética, incluyendo meningioma, glioma y tumor pituitario. Un estudio realizado exploró la capacidad de las CNN 2D para clasificar la tuberculosis en radiografías de tórax.
3.3.2. Detección
Detectar anomalías en la imagenología médica es una tarea habitual para los radiólogos. La detección también puede realizarse para la localización de lesiones, el seguimiento de lesiones o la discriminación de imágenes. Las arquitecturas populares incluyen R-CNN o Fast R-CNN.
3.4. LSTM para la imagenología médica
Las LSTM se aplican en la segmentación de imágenes médicas y el análisis de secuencias de imágenes, como las obtenidas en estudios de resonancia magnética o tomografías.
4. Investigación futura y desafíos
Aunque las redes neuronales han avanzado significativamente, aún enfrentan desafíos como la escasez de datos médicos etiquetados y la necesidad de mejorar la explicabilidad de los modelos de IA en aplicaciones médicas. La investigación continua en nuevas arquitecturas y enfoques de aprendizaje, como las redes neuronales basadas en gráficos y las técnicas de aprendizaje profundo geométrico, promete superar estos obstáculos y mejorar aún más las capacidades de diagnóstico y tratamiento en la medicina.
A pesar de los avances recientes, se pueden investigar métodos adicionales. La aplicación en el mundo real es limitada debido al comportamiento de caja negra de la red neuronal, ya que no explica sus decisiones. La explicabilidad está muy limitada, aunque varios trabajos como GradCAM o la descomposición de Taylor profundo han iniciado la tendencia de investigación sobre la explicabilidad de las redes neuronales profundas. Muchos objetos médicos están representados por estructuras de datos no euclidianas, como el descubrimiento de fármacos. Se ha iniciado una dirección de investigación completamente nueva en redes neuronales y se llama Redes Neuronales Gráficas. Las Redes Neuronales Gráficas están ganando popularidad rápidamente y debido a su invariancia de rotación y permutación por defecto están logrando un rendimiento de vanguardia. Otra dirección de investigación basada en el aprendizaje profundo geométrico son las Redes Neuronales de Grupo. Inventar nuevas redes neuronales equivariantes a la rotación y la traslación podría ser un punto de inflexión para la segmentación y clasificación de estructuras anatómicas en la imagenología médica.
Este trabajo ha sido apoyado por la Agencia de Subvenciones Científicas del Ministerio de Educación, Ciencia, Investigación y Deporte de la República Eslovaca y la Academia Eslovaca de Ciencias.
Fuente: Hires, M., Bugata, P., Gazda, M., Hresko, D., Kanász, R., Vavrek, L., & Drotár, P. (2022). Brief Overview of Neural Networks for Medical Applications. Acta Electrotechnica et Informatica, 22, 34 – 44. https://doi.org/10.2478/aei-2022-0010.
