Clasificación Neuri-Difuso de Efectos de Impedancia en el Diagnósico de Cáncer de Cérvix

Introducción

El cáncer de cérvix es una enfermedad muy frecuente en la población femenina, afectando principalmente a las mujeres de menor nivel socioeconómico. La tasa de incidencia por cáncer de cuello uterino a nivel mundial es de 9,0 por 100.000 mujeres y la tasa de mortalidad es de 3,2 por 100.000 mujeres.

Para el año 2008 fue estimada la ocurrencia de 529.828 casos nuevos y 275.128 muertes en el mundo, de los cuales 85 % y 88 % respectivamente ocurrieron en países en desarrollo, en estos países la tasa de incidencia por el Cáncer de cuello uterino (CCU) fue de 17,8 por 100.000 mujeres, la tasa de mortalidad fue de 9,8 por 100.000 mujeres y el riesgo de una mujer ser afectada por esa neoplasia antes de los 75 años es de 1,87 % y el de morir es de 1,10 %. En los países desarrollados, la tasa de incidencia por CCU es de 9,0 por 100.000 mujeres, la tasa de mortalidad es de 3,2 por 100.000 mujeres y el riesgo de una mujer ser afectada por esa neoplasia antes de los 75 años es de 0,85 %, y el de morir es de 0,33 %.

En Colombia, el cáncer de cuello uterino es la primera causa de muerte por cáncer entre mujeres de 30 a 59 años, según el Ministerio de Salud y Protección Social, su prevalencia es de 6,77 por cada 100.000 mujeres, según cifras del Observatorio Nacional de Cáncer.

De acuerdo a la literatura, existen estudios previos donde la Inteligencia Artificial es más eficiente que los humanos en la detección del cáncer cervical, algunas metodologías para determinar el cáncer de cuello uterino.

Metodologías para la detección del cáncer de cuello uterino

No cabe duda que los sistemas de inteligencia artificial es uno de los métodos computacionales que resulta ser promisorio, como lo son los sistema Neuro-Difusos, dado a que es una de las técnicas más eficientes y robustas en el manejo de la información precisa e incierta que existen en los problemas relacionados a nuestro entorno, en éste trabajo presentamos una descripción y posterior aplicación de la Inteligencia artificial a través de la metodología de los Sistemas Neuro-Difusos aplicada al problema de la clasificación de espectros, estos sistemas implican la combinación de las teorías de las redes neuronales y de los sistemas de inferencia difusa [6]. Por un lado, de las redes neuronales se aprovecha la capacidad de aprendizaje, así como la habilidad de generalizar [7]. Dichas Redes pueden ser vistas como un procesador masivamente paralelo, compuesto por unidades de procesamiento más simples (las neuronas), capaces de adquirir conocimiento a través de un proceso de aprendizaje y almacenarlo en las fuerzas de sus interconexiones neuronales (pesos sinápticos) [8]. Por otro lado, de la lógica difusa se obtiene el razonamiento lógico basado en reglas de inferencia, aportando de esta manera, una herramienta poderosa que permite operar con variables lingüísticas e incorpora un tratamiento más amplio al conjunto binario, lo cual se traduce en un tratamiento difuso .

Los sistemas de inferencia difusa permiten expresar el conocimiento de un humano “experto” mediante reglas “If Then” simples, descritas en lenguaje natural, éste logra captar los aspectos cualitativos del razonamiento humano sin tener que emplear análisis cuantitativos . Estos sistemas han permitido dar solución a distintos problemas de alta complejidad, a través de la Inferencia Difusa basado en Redes Adaptativas (ANFIS), permitiendo de forma automática crear, sintonizar y ajustar todo un sistema de inferencia difuso o sus funciones de pertenencia y de esta manera llegar a tener un sistema que clasifique la entrada en diferentes conjuntos.

Sistema de inferencia difusa tomado de:

1. Interfaz de fuzzificación: convierte los valores numéricos (concretos) en grados de pertenencia con valores lingüísticos, permitiendo entenderse por el ser humano.
2. Base de datos: Permite definir cada una de las funciones de pertenencia de los conjuntos difusos que se utilizan en las reglas difusas.
3.  Base de reglas: Almacena un conjunto determinado de reglas difusas if-then, la cual contiene un antecedente y un consecuente.
4.  Unidad de toma de decisiones: En esta parte realiza las operaciones de inferencia sobre cada una de las reglas.
5. Interfaz de Defuzzificación: convierte los resultados difusos obtenidos en un valor numérico (concreto).

En las distintas áreas del conocimiento, entre ellas la medicina, con frecuencia es necesario agrupar, ordenar y clasificar los datos para poder extraer la información útil y simplificar el volumen de datos, de tal manera que el profesional tenga un soporte adecuado para la toma de decisiones.

En todas las áreas del conocimiento existe incertidumbre que a veces es ocasionada incluso por las más mínimas imprecisiones en los equipos de medida o es provocada por la vaguedad de los términos lingüísticos empleados para definir un concepto, por ejemplo, en la práctica médica es frecuente diagnosticar el grado de una enfermedad o lesión según el grado de las alteraciones o síntomas que se manifiesten, de esta manera surge ambigüedad al no precisarse con exactitud cuál es el límite más adecuado entre conjuntos de datos o entre diferentes diagnósticos, para manejar estos tipos de incertidumbre surgió la teoría de conjuntos difusos en la década de los 1960’s.

La incertidumbre es la condición en la cual la posibilidad de error existe, porque no tenemos la información total de nuestro entorno y los conjuntos difusos trabajan con la incertidumbre que surge cuando las fronteras de una clase de objetos no están claramente definidas, por ejemplo si se desea agrupar y clasificar un conjunto de objetos o medidas en las cuales existe una transición gradual entre dos o más características, este es el caso de evaluar una muestra patológica y asignarle un grado de lesión.

En la teoría de conjuntos difusos, se define la inclusión de un elemento en un conjunto mediante una función de pertenencia que define el grado en el que dicho elemento se encuentra al interior del conjunto o el grado en el que un dato específico corresponde a un concepto, por ejemplo, el grado en que una lectura de espectroscopia de impedancia eléctrica corresponde a una valoración del grado de lesión; estos grados de pertenencia están normalmente en el intervalo entre 0 y 1. Un grado igual a 0 significa que el elemento definitivamente no pertenece al conjunto; un grado de 1 designa que el elemento pertenece 100% al conjunto y un valor intermedio explica que el elemento pertenece en cierto grado al conjunto. 

Existen diferentes tipos de funciones de pertenencia que sirven para modelar los conjuntos difusos algunas de ellas son simples triángulos o trapezoides y otras pueden tener formas sigmoides o acampanadas, también pueden tener cualquier otro tipo de forma dependiendo de la naturaleza de los datos y de la designación de un experto. Las funciones de pertenencia de un problema dado pueden ser encontradas de muchas formas como son: mediante votación, estimación directa, estimación inversa, estimación por intervalos, ejemplificación, comparación de pares, clustering borroso, técnicas neuronales, distribuciones de probabilidad, entre otras.

Este estudio tiene como objetivo clasificar espectros de impedancia de cuello uterino a través de técnicas de la Inteligencia Artificial usando Sistemas Neuro- Difusos, para asociar las curvas experimentales con lesiones intraepiteliales y así determinar su grado de severidad.

Metodología

Se generó un conjunto de datos simulados basados en las estadísticas reales, siguiendo los parámetros de Impedancia de datos de espectros normales, con baja lesión y alta lesión tomados de la revista….xxx, estos datos siguen la distribución de frecuencias, donde dichos conjuntos de valores se obtienen por un barrido de 30 frecuencias en un rango entre 2 kHz y 1625,5 MHz (22).

Dada a la gran cantidad de información, se hizo necesario utilizar una técnica de agrupamiento y preclasificación de las lecturas obtenidas para proporcionar un esquema que ayude al análisis y preclasificación de las curvas o espectros obtenidos de los diferentes estudios, cuyo propósito es facilitar los procesos de investigación y el diagnóstico de las lesiones en sus grados: alto, bajo y normal (sin lesión).

Actualmente se usan diferentes parámetros obtenidos del ajuste en espectros de impedancia eléctrica, provenientes de lecturas de cuello uterino para distinguir entre tejidos sanos y patológicos para determinar el grado de lesión, tales parámetros son: las resistencias de los líquidos extra e intracelular, la capacitancia de membrana, la frecuencia característica, para ello se tienen los conjuntos difusos que sirve para hacer una mejor clasificación, manejando la imprecisión, para los datos que se encuentran en las fronteras entre grupos distintos, permitiendo así un diagnóstico más preciso., por tanto se hace necesario la caracterización de los conjuntos de datos, teniendo en cuenta los espectros y las frecuencias, buscando los más representativos y que sirvan inicialmente para hacer el análisis de las respectivas curvas de espectros de impedancia eléctrica a través del uso de la herramienta Neuro-Fuzzy Designer App.

Entrenamiento del sistema Anfis

Anfis editor utiliza técnicas de inferencia difusa, donde este sistema hace parte de un sistema adaptativo de inferencia neuro-difusa, usando un conjunto de datos de entrada / salida (28). La función de caja de herramientas anfis construye un sistema de inferencia difusa (FIS) cuyos parámetros de función de membresía son ajustados usando Algoritmos de inteligencia Artificial permitiendo que los sistemas difusos aprendan de los datos que modelan (29).

Mediante esta herramienta se crea, entrena y prueba un Sistemas Fuzzy de tipo Sugeno utilizando ANFIS Editor GUI. 

Entrenamientos del FIS

Cargado de datos. Para entrenar un FIS, debe comenzar cargando un conjunto de datos de entrenamiento que contiene los datos de entrada / salida deseados del sistema que se modelará. Cualquier conjunto de datos que cargue debe ser una matriz con los datos dispuestos como vectores de columna y los datos de salida en la última columna. Para cargar un conjunto de datos a través del GUI, se debe tener en cuenta:

• Especificar el tipo de datos.
• Seleccionar los datos de un archivo o el worksp de MATLAB.
• Cargar datos.
• Después de haber cargado los datos, se visualizará en la herramienta.

Generar o cargar la estructura inicial de FIS. Antes de iniciar el entrenamiento de FIS, se debe especificar una estructura de modelo de FIS inicial. Para especificar la estructura del modelo, es necesario realizar las siguientes tareas:

• Cargue una estructura FIS previamente guardada desde un archivo o el espacio de trabajo MATLAB.
• Genere el modelo FIS inicial eligiendo la técnica de partición, en este estudio se utilizó la siguiente:
• Sub. Agrupación: genera un modelo inicial para la capacitación ANFIS al aplicar primero la agrupación sustractiva en los datos.
• Una vez hecho esto se puede visualizar la estructura del modelo FIS inicial.

Entrenando el FIS. Después de cargar los datos de entrenamiento y generar la estructura inicial de FIS, puede comenzar a entrenar el FIS. Pasos:

• Método de optimización hybrid, es una combinación de mínimos cuadrados y el método de descenso de gradiente de backpropagation. Los métodos de optimización entrenan los parámetros de la función de membresía para emular los datos de entrenamiento.
• Ingresar la cantidad de iteraciones de entrenamiento y la Tolerancia de error de entrenamiento para establecer los criterios de detención para el entrenamiento. El proceso de entrenamiento se detiene cuando se cumpla con el número máximo de iteraciones o se alcance el objetivo de error de entrenamiento.
• Se debe seleccionar en Entrenar Ahora para entrenar el sistema FIS

Resultados

Para el desarrollo del presente trabajo se utilizó la herramienta de Matlab para realizar el entrenamiento del Sistema Anfis con base en el conjunto de espectros, la cual permite diseñar y hacer el respectivo entrenamiento tanto de las redes ANFIS como las redes neuronales.

Con la ayuda de la herramienta Anfisedit de Matlab se pudo ver como la herramienta agrupó los datos, pero se puede evidenciar un error bastante alto.

Luego de llevarse a cabo todo el procesamiento y clasificación de los espectros para la simulación, en la siguiente gráfica se muestra el proceso de entrenamiento para el conjunto de datos seleccionados, a través de éste proceso se puede observar de manera paulatina cómo se va disminuyendo el error a medida que avanza las iteraciones, donde se puede apreciar el resultado en el sistema ANFIS con Error Tolerancia de 0.025, para 100 Iteraciones y a partir de ello se genera un Error del 0.43684, mostrando un resultado con un margen de error bastante algo.

Conclusión

A través de todo éste procesamientos a los espectros se hace evidente lo necesario que es tener un buen agrupamiento y preclasificación de los espectros, para conocer más a fondo la distribución de los datos, también estimar el grado de relación entre valores y las formas de los espectros con los distintos grados de lesión. Cabe resaltar lo importante de extraer la información útil para que esta se encuentre disponible a los investigadores, brindando un esquema que ayude al análisis y preclasificación de las curvas o espectros para facilitar los procesos de investigación y el diagnóstico de las lesiones y así obtener una mejor representación del conjunto de datos que permita hacerse una comparación y distinción entre grupos.

Esta herramienta por sí sola no es confiable para la clasificación de este tipo de datos, dado a que se genera una aproximación, pero no es la apropiada puesto que el error calculado es muy alto, por tanto, esto conlleva a complementarse con otros sistemas para obtener un mejor resultado. En términos generales, se pudo evidenciar que para efectos de determinar si la herramienta funciona nos da una idea de cuál es su precisión.

Bibliografía

1. N. Caro-Porras, «Análisis epidemiológico de mujeres con carcinoma Análisis epidemiológico de mujeres con carcinoma,» Acta méd costarric, vol. 59, nº (1), pp. 22-27, 2017.
2.  M. A. Arzuaga-Salazar, M. d. L. Souza y V. L. Azevedo Lima, «El cáncer de cuello de útero: un problema social mundial,» Revista Cubana de Enfermería, vol. vol.28, nº no.1, pp. 63-73 , 2012.
3.  M. A. Arzuaga-Salazar, M. d. L. de Souza y V. L. de Azevedo Lima, «El cáncer de cuello de útero: un problema social,» Revista Cubana de Enfermería, vol. 28, nº 1, pp. 63-73, 2012.
4. MINSALUD, «Cáncer de cuello uterino,» MINSALUD, 2017. [En línea]. Available: https://www.minsalud.gov.co/salud/publica/ssr/Paginas/Cancer-de-cuello-uterino.aspx. [Último acceso: 9 9 2018].
5.  T. Vargas-Revilla, J. M. Seáñez-de-Villa, N. León-Rovira y O. M. Barrón-Cano, «Métodos para la detección oportuna de cáncer cervicouterino,» Tecnología en Marcha, Edición Especial Movilidad Estudiantil 2014, vol. 55, pp. 52-59, 2014.
6. Mustain Billah y Nazrul Islam, «An Early Diagnosis System for Predicting Lung Cancer Risk Using Adactative Neuro Fuzzy Inference System and Linear Discriminant Analysis,» Journal of MPE Molecular Pathological Epidemiology, vol. Vol.1, nº No.1:3, 2016.
7. F. J. Arteaga, E. Faudito, L. Arévalo, C. I. Lameda, J. Rodríguez y C. Lameda, «SOFTWARE PARA EL APRENDIZAJE DE SISTEMAS NEURO-DIFUSOS APLICADOS EN CONTROL,» Unidad de Investigación en Automatización Industrial, Escuela de Ingeniería Eléctrica, Universidad de Carabobo, Valencia, Venezuela, 2014.
8. J. A. Hernández-Aguilar, R. J. de Jesús, F. J. Ávila-Camacho , J. M. Stein-Carrillo y A. Meléndez-Ramírez , «Sistema sensor para el monitoreo ambiental basado,» Ingeniería Investigación y Tecnología, vol. volumen XVII, nº 2, pp. 211-222, 2016.
9.  J. D. Martín, Implementación de Redes Neuro-Difusas Para Ser Aplicadas en Problemas de Clasificación y Modelización, USA: dissertation editing, 2000.
10. E. Gómez-Vargas, N. Obregon-Neira y V. Socarras-Quintero, «Aplicación del modelo neurodifuso ANFIS vs Redes Neuronales,» Revista Tecnura, vol. 14, nº 27, pp. 18-29, 2010.
11. J. C. Riquelme, R. Ruiz y K. Gilbert, «Minería de Datos: Conceptos y Tendencias,» Revista Iberoamericana de Inteligencia Artificial, vol. Vol. 10, nº No 29, pp. pp. 11-18, 2006.
12. P. Tremante y B. Ebert, «Una visión de la teoría difusa y los sistemas difusos enfocados al control difuso,» Ingeniería Industrial. Actualidad y Nuevas Tendencias, vol. vol. IV, nº núm. 12, pp. pp. 121-136, 2014.
13. J. C. Figueroa García, L. E. Campos Trujillo2 y C. Caquimbo Tabares, «Implementación de Lógica Difusa para realizar Pruebas de Hipótesis Estadísticas Univariadas,» Ingenierías, vol. 11, nº 1, pp. 51-61, 2006.
14. L. Santana Jiménez , «UNA APLICACIÓN DE LA LÓGICA DIFUSA A LA EVALUACIÓN DEL BALANCE DE RIESGOS DE LA INFLACIÓN Y DEL CRECIMIENTO MACROECONÓMICO,» Ciencia y Sociedad, vol. III, nº 38, pp. 497-514, 2013.
15. M. Rodríguez y Y. Huertas, «MetodologÍa para el Diseno de Conjuntos Difusos Tipo-2 a partir de Opiniones de Expertos,» Revista INGENIERÍA, vol. 2, nº 2, p. 121:137, 2016.
16. J. M. Andújar y A. J. Barragán, «Hibridación de sistemas borrosos para el modelado y control,» Revista Iberoamericana de Automática e Informática industrial, vol. 11, p. 127–141, 2014.
17. G. Olarte-Echeverri, W. Aristizábal-Botero, G. Fátima Osorio-G y J. Rojas-Díaz, «ESPECTROSCOPIA DE IMPEDANCIA ELÉCTRICAEN CÁNCER INVASIVO DEL CUELLO UTERINO EN MUJERES DE CALDAS (COLOMBIA), 2008-2009,» Revista Colombiana de Obstetricia y Ginecología, vol. 61, nº 1, pp. 28-33, 2010.
18. León, Miguel, de Lameda, Belkys L, Lameda, Carlos, Chacon, José Gerardo, Martínez,María Sofía, Rojas, Joselyn, Contreras -Velásquez y Graterol -Rivas, Modesto, «Aplicación de lógica difusa y algoritmos genéticos para clasificación de tratamientos contra enfermedades neoplásicas malignas,» Archivos Venezolanos de Farmacología y, vol. 35, nº 2, pp. 36-41, 2016.