Aplicación de redes neuronales al diagnóstico, a partir de imágenes, de enfermedades neurodegenerativas

Resumen

Los tumores cerebrales son una masa de células anormales que se concentra en el cerebro. Existen tumores malignos y benignos. Según en donde se formen distinguimos primarios, originados en el cerebro, y secundarios, originados en otra parte del cuerpo, pero se extiende hasta el cerebro. Esta enfermedad representa el 85% de todos los tumores primarios del sistema nervioso central. Alrededor de 300000 personas fueron diagnosticadas con un tumor cerebral primario en 2020.
En la actualidad, la detección manual de tumores cerebrales en pacientes requiere de especialistas cualificados con cierta experiencia en el campo de la radiología. No todos los países del mundo cuentan con estos expertos, es más, la mayoría de países en desarrollo carecen de recursos para detectar tumores a través de un médico. Es por ello, que, en los años recientes, se han aprovechado las ventajas que proporcionan la Inteligencia Artificial y el Machine Learning para resolver problemas de este tipo en el sector médico. Una de estas soluciones consiste en la creación de redes neuronales convolucionales que consigan auto aprender patrones y algoritmos para detectar y clasificar de forma automática tumores cerebrales. Además, el punto diferencial de esta solución es que la red creada, se alimenta con una base de datos basada en imágenes de resonancia magnética (IRM) de pacientes de todo el mundo.
Hoy por hoy, existen modelos que realizan este tipo de clasificaciones con redes neuronales, no obstante, la red creada en este trabajo irá más lejos, consiguiendo clasificar las imágenes con tumor entre 3 clases distintas: glioma, meningioma y pituitario. Asimismo, existen diversos tipos de redes neuronales que operan con arquitecturas muy diferentes, como las redes neuronales recurrentes, no recurrentes, monocapa, multicapa, entre otras. Las más interesantes de estudiar y en las que se centrará este trabajo son las redes neuronales convolucionales. Este tipo de redes también llamadas CNN, se basan en el aprendizaje de patrones que la permitan autocorregir los errores cometidos en simulaciones anteriores con el objetivo de aumentar la precisión en la clasificación del tumor. Estas redes basan su estructura en una capa fundamental conocida como convolucional. La capa convolucional actúa como filtro de la información que pasa por ella, en este caso las imágenes procedentes de las resonancias magnéticas. A medida que la información va pasando por las capas que forman la red, esta va reteniendo características claves como formas, texturas, líneas, entre otras, para posteriormente, detectar y clasificar al tumor.
Para llevar a cabo la construcción de la red utilizada, se hará uso del lenguaje de programación de R, y RStudio como interfaz de trabajo. De entre las razones por las que se ha escogido R como lenguaje y no otros como Python, destacan su facilidad para visualizar y manipular los datos alimentados a la red, y su especialización en la estadística que nos permitirá analizar los resultados obtenidos tras la simulación de la red, de una manera más sencilla y profunda. Aun así, el lenguaje de Python suele ser la herramienta fundamental utilizada en programación de redes como la de este trabajo.
Las imágenes procesadas a través la red neuronal, previamente deberán ser preprocesadas con el fin de facilitar el aprendizaje que realiza la red y para obtener unos resultados finales más coherentes. Para ello, normalmente, se suelen aplicar modificaciones a las imágenes originales, como pueden ser rotaciones, volteos o zooms, creando nuevos datos artificiales que se alimentan a la red posteriormente. De esta forma, la red podrá trabajar con mayor cantidad de información y, por tanto, obtener mayor cantidad de características con las que clasificar de manera más precisa a las imágenes. Este proceso de aumento del conjunto de datos se conoce como data augmentation.
En un principio, y tras preparar las imágenes que se usaran en la red, se modela una red neuronal convolucional inicial con pocas capas convolucionales con el objetivo de entrenar a la red. Posteriormente, se ajusta la red, añadiendo muchas más capas convolucionales, con el fin de realizar una simulación final más real con los datos de prueba. De esta manera, la red, al llegar a la simulación final, ya conocerá todas las características necesarias para clasificar a los distintos tipos de tumores, ya que ha sido entrenada previamente.
Una vez se simula el modelo final, se analizan los resultados obtenidos y se encuentra que el modelo tiene dificultad para clasificar entre varias clases de tumores distintos, como puede ser entre gliomas y meningiomas. En otros casos, como es el de los pacientes sin tumor, el porcentaje de acierto en la clasificación es muy alto, de alrededor de 92%. Lo cual demuestra que el modelo es muy eficiente para detectar tumores, sin embargo, podría mejorar en la clasificación, una vez se detecta el tumor.
Finalmente, se comenta la necesidad de mejorar el modelo creado, aumentando su precisión para poder así en un futuro a corto plazo implementarlo a nivel médico en hospitales y clínicas medicas de todo el mundo. El objetivo sería comenzar con países en desarrollo, ya que al final son los que más lo necesitan por su falta de experiencia en la detección y clasificación de tumores cerebrales, y en general en la radiología. Posteriormente, en un futuro más lejano, se podría asentar la solución planteada en el resto de países que, aunque actualmente no la necesiten, proporcionarían mayor eficiencia y automatización en el proceso de detección de este tipo de enfermedades.