Aplicación de las Redes Neuronales en Medicina

Las redes neuronales constituyen una alternativa a los modelos basados en técnicas estadísticas. Las redes neuronales aportan una metodología general como modelos de predicción de resultados que son función de las correspondientes variables de entrada.

Mediante un proceso de aprendizaje (llamado también entrenamiento) las redes neuronales desarrollan la capacidad de predicción del variable resultado, una vez entrenada correctamente la red neuronal adquiere la capacidad de generalización.

Es capaz de enfrentarse a casos nuevos (no utilizados en la fase de aprendizaje) y dar resultados correctos. Según los resultados publicados, las redes neuronales son entre un 5%-1 % más precisas que otras técnicas estadísticas, ya que no trabajan con restricciones de modelos lineales y son capaces de incorporar automáticamente las relaciones entre las variables predictoras.

Una red neuronal consta de capas que están formadas por nodos. La capa de entrada recibe los valores de las variables predictoras, la capa oculta es donde se realizan los procesos de ajuste, y la capa de salida donde se obtienen los resultados de la red (output). Los nodos están unidos por unos parámetros internos (pesos = weights) cuyos valores se modifican de acuerdo a los valores que reciben los nodos y según la función de red que se les aplica. La complejidad de una red neuronal depende de la cantidad de parámetros internos que contenga.

Se autoajustan a medida que se entrenan con la información disponible, de forma que aprenden a reconocer paulatinamente todos los casos del conjunto de datos utilizado para su entrenamiento.

Análisis de imágenes

En la práctica los médicos tienen que evaluar información de imágenes obtenidas con ultrasonido, resonancia magnética, medicina nuclear y radiología.

Normalmente se hace un análisis cualitativo por inspección visual; sin embargo, un examen cuantitativo presenta las siguientes ventajas: 

• Los datos para un sujeto se pueden comparar con una base de datos de personas normales para decidir automáticamente si existe la anormalidad.
•  
• Los hallazgos para un sujeto se pueden comparar con una base de datos con distintas enfermedades y detectar el tipo de anormalidad,
• Los resultados de una serie de exámenes del mismo paciente se pueden comparar para determinar la evolución de la enfermedad y analizar la respuesta al tratamiento.