Investigadores del Grupo de Inteligencia Artificial y Razonamiento Aproximado (GIARA) de la Universidad Pública de Navarra (UPNA) han logrado simplificar el trabajo de un tipo de red neuronal artificial que opera con imágenes, de tal forma que este método de la inteligencia artificial puede fusionar la información más relevante que obtiene de las citadas imágenes con las que se le entrena para imitar la forma de pensar de los seres humanos. Los autores de esta investigación han aplicado una familia de funciones matemáticas con el fin de obtener “redes neuronales más robustas y capaces” a partir de imágenes de radiografías de tórax de pacientes que habían sufrido la COVID-19.
Los autores de este trabajo son Iosu Rodríguez Martínez (autor principal) y Humberto Bustince Sola, investigador del Instituto de Smart Cities (ISC) de la UPNA y director del Grupo GIARA. Han contado con la colaboración del Hospital Universitario de Navarra y de las empresas NAITEC, Tracasa Instrumental y Nasertic.
Iosu Rodríguez (izq.) y Humberto Bustince, investigadores de la UPNA.
El funcionamiento de las redes neuronales artificiales se basa en “aprender” a partir de la experiencia (datos históricos ya conocidos sobre el problema) para tratar de imitar las soluciones propuestas en el pasado y resolver nuevos ejemplos del mismo problema. Rodríguez y Bustince investigan las que operan sobre imágenes, las llamadas redes neuronales convolucionales o CNN. Con este fin, han aplicado (para la tesis del primero dirigida por el segundo) esta técnica, buscando predecir la severidad de la sintomatología en pacientes positivos de COVID-19. Así, disponía de dos tipos de datos anonimizados de pacientes: las radiografías de tórax, donde, dependiendo del grado de la infección, podían apreciarse ciertos indicios visuales de infección pulmonar, e historiales clínicos, que permitía conocer su evolución.
“Entrenamos una de estas redes neuronales convolucionales, con esta información, enseñándole muchas de esas imágenes —describen Rodríguez y Bustince—. El objetivo era que pudiera predecir correctamente las complicaciones del paciente, según la información de su historial clínico. Estos sistemas aprenden mediante un proceso de ensayo y error: comienzan haciendo una predicción totalmente al azar y, según cómo sea de correcta, ajustan de manera automática sus ‘parámetros’ para hacerlo un poco mejor la próxima vez. Este proceso se repite muchas veces, hasta que el error del sistema es aceptable; es decir, hasta que predecimos correctamente las complicaciones de la mayoría de los pacientes”.
Reducir los datos redundantes
La novedad del trabajo reside en que se ha modificado el funcionamiento interno de esta red neuronal artificial. “Nos hemos centrado en el problema de fusionar las enormes cantidades de datos con los que opera la red de forma interna para facilitar su labor”, añade. Al generarse una enorme cantidad de datos que representan esa información, muchos son redundantes o poco informativos. “Si reducimos todos estos datos para quedarnos con los más importantes, el trabajo de la red neuronal se simplifica y los resultados suelen ser mejores”, sintetiza.
Y el método elegido para fusionar los datos (números, al fin y al cabo), preservando la información más interesante, ha sido el de una familia de funciones matemáticas, llamadas funciones grouping, que dan “más importancia a los valores en función de su magnitud”.
“Comprobamos que algunas de las funciones estudiadas facilitaban el aprendizaje de la red, y que incluso podían competir con alternativas más pesadas computacionalmente”, señalan Rodríguez y Bustince. Los resultados se han publicado en las revistas científicas “Information Fusion” y “Expert Systems with Applications”.
“Nuestros resultados pueden servir para priorizar la detección de casos más graves de COVID-19 frente a los más leves o viceversa, lo que resulta relevante al trabajar con datos médicos”, concluyen Rodríguez y Bustince.