Resumen de trabajos de machine learning aplicados a la medicina.

[Javier.Huaman.Chavez]

Título: Resumen de trabajos de machine learning aplicados a la medicina.
Autor: JAVIER HUAMAN CHAVEZ.

Descripción: Se revisó 3 investigaciones de machine learning aplicados a la medicina, y a continuación, se describirá de forma breve y concisa cada una estas investigaciones. Se denotará a cada investigación de la siguiente forma: “Investigación 1”, “Investigación 2” e “Investigación 3”.

Descripción del problema en la “Investigación 1”
El sistema público de salud en Chile, requiere de una solución tecnológica que ayude a mejorar el diagnóstico y prevención de la retinopatía diabética (RD), y contribuya con la eficiencia en el uso de recursos oftalmológicos.

Algoritmos y resultados de las pruebas en la “Investigación 1”
El software DART, desarrollado para resolver el problema descrito anteriormente, incluye algoritmos de aprendizaje automático, que permite al sistema diagnosticar de forma automática las anomalías en la retina humana.

En la matriz de confusión, se observa lo siguiente:
226 instancias han sido clasificadas como “positivo para retinopatía diabética” cuando realmente sí lo eran.
13 instancias han sido clasificadas como “negativo para retinopatía diabética” cuando realmente eran positivo.
657 instancias han sido clasificadas correctamente como “negativo para retinopatía diabética”.
227 instancias han sido clasificadas como “positivo para retinopatía diabética” cuando realmente eran negativo.

Además, se deduce que el TP Rate para la clase “positivo para retinopatía diabética”, es 94.56% (226/239). Y el TP Rate para la clase “negativo para retinopatía diabética” es 74.32% (657/884). El ROC área es 0.915.

Herramientas en la “Investigación 1”
Software DART, incluye algoritmos de aprendizaje automático para la detección de anormalidades en la retina humana.
Metodología doble ciego, para comparar los resultados de DART y de los oftalmólogos.
Fotografías oculares de fondo de ojo, es el input principal de datos para DART.
Red neuronal artificial para detectar indicios de edema macular diabético (incluido en DART).
Red neuronal artificial para diagnosticar signos de retinopatía diabética (incluido en DART).
Plataforma web chilena “teleoftalmología”, de donde se obtuvo las fotografías oculares de fondo de ojo.

Dataset en la “Investigación 1”
Los atributos principales son:
Las fotografías oculares de fondo de ojo.
La calificación general (ambos ojos) del oftalmólogo acerca de la ausencia, o grado de presencia de retinopatía diabética.
La clase tiene 2 valores:
Oftalmólogo negativo, cuando el paciente no tiene retinopatía diabética.
Oftalmólogo positivo, cuando el paciente sí tiene retinopatía diabética.

Descripción del problema en la “Investigación 2”
Se requiere emplear soluciones innovadoras para diagnosticar, en poco tiempo, la tuberculosis. El estudio piloto se realizó en 5 centros de salud en el distrito limeño de Ate Vitarte (Perú).

Algoritmos y resultados de las pruebas en la “Investigación 2”
Algoritmo de Red neuronal convolucional, para detectar tuberculosis.
Los resultados, de las encuestas a los profesionales de salud, acerca del uso del software eRx para detectar tuberculosis, los autores indican que serán reportados en una siguiente publicación.

Herramienta en la “Investigación 2”
Software eRx para detección de tuberculosis.

Dataset en la “Investigación 2”
Atributo: Fotografías de Rayos X a la caja toráxica de los pacientes.
Clase: positivo o negativo para tuberculosis.

Descripción del problema en la “Investigación 3”
Dificultad en la identificación de cadáveres, por pérdida del hueso mandibular.

Algoritmos y resultados de las pruebas en la “Investigación 3”
Máquina de soporte vectorial con kernel lineal (Aprendizaje automático).
Coeficientes de correlación: 0.71 para la altura de la rama mandibular derecha. 0.72 para el ancho bigoníaco. 0.76 para el ancho bicondíleo. 0.84 para la distancia entre el cóndilo derecho y el mentón. Y 0.85 para la distancia entre el cóndilo izquierdo y el mentón.

Herramientas en la “Investigación 3”
Radiografías postero-anteriores de pacientes colombianos, con dentición completa.
Programa Tpsdig2 para localizar los puntos de referencia anatómicos.
Excel y Matlab para el cómputo de los datos obtenidos con Tpsdig2.
Programa Rapidminer para el análisis de red neuronal artificial.

Dataset en la “Investigación 3”
Variables de entrada: coordenadas radiográficas de mandíbulas de pacientes.
Variable de salida: medidas morfológicas mandibulares, que se pueden utilizar, para la identificación de cadáveres.

Conclusiones
“Investigación 1”: el software DART tiene resultados favorables para ser utilizado en la detección de retinopatía diabética. Y también se demostró lo factible de ser implementada en un sistema nacional de salud (en este caso Chile).
“Investigación 2”: la inteligencia artificial es un gran apoyo para el diagnóstico de tuberculosis.
“Investigación 3”: El modelo de red neuronal utilizado en la investigación, contribuye en la reconstrucción facial de cadáveres (ciencia forense).

Referencias
Arenas, J., Abarca, I., Rojas, M., Bernuy, F. y Donoso, R. (2021). Clinical validation of an artificial intelligence-based diabetic retinopathy screening tool for a national health system [Archivo PDF]. https://www.nature.com/articles/s41433-020-01366-0

Curioso, W. y Brunette, M. (2020). Inteligencia artificial e innovación para optimizar el proceso de diagnóstico de la tuberculosis [Archivo PDF]. http://www.scielo.org.pe/scielo.php?scr ... 0000300554

Viloria, A., Mendinueta, M., Borrero, L. y Bonerge, O. (2020). Prediction of Mandibular Morphology through Artificial Neural Networks [Archivo PDF]. https://www.sciencedirect.com/science/a ... 0920305019