Enfoque de aprendizaje híbrido evolutivo para redes neuronales en la clasificación de casos médicos
DOI:
https://doi.org/10.30973/progmat/2017.9.3/8Palabras clave:
Red Neuronal Evolutiva, AlgoritResumen
La inteligencia artificial ha ayudado a diversas áreas médicas como lo es el campo del diagnóstico médico, en el que ha servido como un apoyo al profesional de la salud para emitir un diagnóstico. Esto se logra a través de diversas técnicas de inteligencia artificial como lo son los árboles de decisión, agentes inteligentes, máquinas de soporte vectorial, minería de datos o redes neuronales. Una forma de utilizar las redes neuronales para apoyar el diagnóstico médico es usarlas como clasificadores. Esto es, con base en un archivo clínico histórico y representativo, construir un modelo neuronal que permita clasificar nuevos casos. Las redes evolutivas según la literatura representan una herramienta más precisa que las redes neuronales clásicas. En este trabajo se propone el uso de una red neuronal híbrida doblemente evolutiva que evoluciona tanto las topologías como los valores sinápticos de cada topología. La experimentación realizada, muestra que la red neuronal híbrida evolutiva obtiene resultados competitivos con respecto a las redes neuronales evolutivas clásicas.
Citas
Suárez, J. Desarrollo de un sistema de diagnóstico asistido por computador para detección de nódulos pulmonares en tomografía computarizada multicorte. Tesis PhD., Santiago de Compostela: Universidad de Santiago de Compostela, 2009.
Bustamante, F., Chavarría, E. El desarrollo de la computación y su influencia en la medicina. Revista costarricense de ciencias médicas; Scielo. 1992, 13(1), 59-70. http://hdl.handle.net/20.500.11764/3537
Delgado, A. Aplicación de las redes neuronales en medicina. Revista de la facultad de medicina de la universidad nacional de Colombia; Scielo. 1999, 47(4), 221-223.
Durán E., Costaguta, R. Minería de datos para descubrir estilos de aprendizaje. Revista iberoamericana de educación; OEI. 2007, 42(2), 1-10. https://doi.org/10.35362/rie4222430
Hernández, J. Introducción a la minería de datos, Madrid: Pearson Prentice Hall, 2004.
Reeves, C. R. Genetic Algorithms. Handbook of Metaheuristics, New York, Springer, 2010, pp. 109-141.
Coello, C., Gary, L., Van Veldhuizen, D. Evolutionary algorithms for solving multi-objective problems vol. 5, New York: Springer, 2007. https://doi.org/10.1007/978-0-387-36797-2
Castillo, P., Castellano, J., Merelo, J., Prieto, A. Diseño de redes neuronales artificiales mediante algoritmos evolutivos. Revista iberoamericana de inteligencia artificial; Redalyc. 2001, 5(14), 2-32.
Dragoni, M., Azzini, A., Tettamanzi, A. SimBa: A novel similarity-based crossover for neuro-evolution. Neurocomputing; Elsevier. 2014, 130(1), 108-122. https://doi.org/10.1016/j.neucom.2012.03.042
Gowda, A., Manjunath, A., Jayaram, M. Application of genetic algorithm optimized neural network connection on weights for medical diagnosis of pima indians diabetes. International journal on soft computing; AIRCC. 2011, 2(2), 15-23. https://doi.org/10.5121/ijsc.2011.2202
Blake, C., Merz, C. UCI repository of machine learning databases, 1998.
García, A. Inteligencia artificial: fundamentos, práctica y aplicaciones, Madrid: RC Libros, AlfaOmega, 2012.
Trujillano, J., March, J., Sorribas, A. Aproximación metodológica al uso de redes neuronales artificiales para la predicción de resultados en medicina. Medicina clinica, Elsevier. 2004, 22(s1), 59-67.
Fogel, L., Owens, A., Walsh, M. On the Evolution of Artificial Intelligence (Artificial intelligence generated by natural evolution process). Proceedings of the Fifth National Symposium on Human Factors in Electronics; IEEE. 1964, 63-76.
McCulloch, W., Pitts, W. Logical calculus of the ideas immanent in nervous activity. Bulletin of mathematical biophysics; Springer. 1943, 5(4), 115-133. https://doi.org/10.1007/BF02478259
Ömer, Y., Mesut, T., Turgut, K. Artificial neural networks in the diagnosis of acute appendicitis. The american journal of emergency medicine; Elsevier. 2012, 30(7), 1245–1247. https://doi.org/10.1016/j.ajem.2011.06.019
Ortiz, D., Villa, F., Velásquez, J., Una comparación entre estrategias evolutivas y RPROP para la estimación de redes neuronales. Avances en sistemas e informatica; Redalyc. 2007, 4(2), 135-144.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2016 Erick Estrada Patiño, Guadalupe Castilla Valdez, Juan Frausto Solís, Jesús David Terán Villanueva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
