Recomendación inteligente basada en CNN-RNN para soporte de pre-diagnóstico médico en línea

Con el rápido desarrollo de varios paradigmas informáticos emergentes, como Clould Computing, Computación ubicua y Computación móvil, el servicio de consulta, que se refiere a la comunicación asincrónica en línea entre cliente y experto, se ha vuelto cada vez más popular. En particular, el sistema de pre-diagnóstico médico en línea, que puede proporcionar diagnóstico médico y orientación de una manera conveniente, ha involucrado a muchos pacientes para que publiquen sus síntomas, se comuniquen con los médicos y obtengan consejos profesionales. En comparación con la práctica clínica tradicional, puede evitar la visita innecesaria y brindar la posibilidad de consultar con los profesionales de la salud sin preocuparse por las limitaciones geográficas. Además, a través de este tipo de servicio de consultas relacionadas con la salud en línea, los pacientes pueden participar en el proceso compartido de toma de decisiones médicas y pueden elegir las opciones de tratamiento disponibles basándose en las sugerencias de los médicos para formar las soluciones de autocuidado. Sin embargo, aún enfrenta varios desafíos para los usuarios en línea para encontrar expertos en dominios adecuados con consejos confiables, debido a la creciente cantidad y complejidad de la información asociada con las actividades médicas.

El procesamiento del lenguaje natural (NLP) es un gran campo de investigación, que se centra en la interacción entre las computadoras y el lenguaje humano [1]. En particular, la minería y clasificación de texto, que se utiliza ampliamente para la detección de temas, la categorización de documentos y la comprensión de escenas, juega un papel importante en una serie de aplicaciones basadas en NLP. Se observa que la ingeniería de características se considera una tarea clave para tratar los problemas de clasificación y minería de texto. Sin embargo, los métodos tradicionales, no pueden lograr un alto rendimiento en la representación de características diseñadas cuando se enfrentan con conjuntos de datos a gran escala en sistemas en línea. Porque estos enfoques o son incapaces de manejar cuestiones semánticas en términos del orden de las palabras, o sufren problemas de escasez y dimensionalidad. Con el progreso de la tecnología de IA en los últimos años, el aprendizaje automático, especialmente los modelos de redes neuronales, han atraído a cada vez más investigadores para abordar tareas de clasificación, reconocimiento y predicción, cuando necesitan aprender y seleccionar características de nivel superior a partir de datos sin procesar. Por lo general, existe una tendencia creciente de utilizar la red neuronal convolucional (CNN) y la red neuronal recurrente (RNN) para entrenar modelos más complejos a partir de conjuntos de datos mucho más grandes, que se han aplicado con éxito en una variedad de campos, incluida la visión por computadora, el reconocimiento de voz. , recuperación de imágenes, traducción automática y aplicaciones de NLP.

Los seres humanos no empiezan a pensar desde cero cada segundo. A medida que lee este ensayo, comprende cada palabra en función de su comprensión de las palabras anteriores. No tira todo y empieza a pensar desde cero de nuevo. Tus pensamientos tienen persistencia.

Las redes neuronales tradicionales no pueden hacer esto y parece ser una deficiencia importante. Por ejemplo, imagina que quieres clasificar qué tipo de evento ocurre en cada punto de una película. No está claro cómo una red neuronal tradicional podría usar su razonamiento sobre eventos anteriores en la película para informar los posteriores.

Las redes neuronales recurrentes abordan este problema. Son redes con bucles que permiten que la información persista. Su naturaleza en cadena revela que las redes neuronales recurrentes están íntimamente relacionadas con secuencias y listas. En los últimos años, ha habido un éxito increíble en la aplicación de RNN a una variedad de problemas: reconocimiento de voz, modelado de lenguaje, traducción, subtítulos de imágenes.
Esencial para estos éxitos es el uso de "LSTM", un tipo muy especial de red neuronal recurrente que funciona, para muchas tareas, mucho mejor que la versión estándar. Casi todos los resultados emocionantes basados ​​en redes neuronales recurrentes se logran con ellos.
Uno de los atractivos de los RNN es la idea de que podrían conectar la información anterior a la tarea actual, por ejemplo, el uso de fotogramas de vídeo anteriores podría informar la comprensión del fotograma actual. Si los RNN pudieran hacer esto, serían extremadamente útiles.

A veces, solo necesitamos mirar información reciente para realizar la tarea actual. Por ejemplo, considere un modelo de lenguaje que intenta predecir la siguiente palabra basándose en las anteriores. Si estamos tratando de predecir la última palabra en "las nubes están en el cielo ", no necesitamos más contexto; es bastante obvio que la siguiente palabra será cielo. En tales casos, donde la brecha entre la información relevante y el lugar donde se necesita es pequeña, los RNN pueden aprender a usar la información pasada. Es así como podemos usar la data histórica de diagnósticos pasados para poder brindar un servicio de pre-diagnóstico automatizado.

Referencias:

[1] A. Hassan and A. Mahmood, "Convolutional Recurrent Deep Learning Model for Sentence Classification," in IEEE Access, vol. 6, pp. 13949-13957, 2018.

[2] X. Zhou, Y. Li and W. Liang, "CNN-RNN Based Intelligent Recommendation for Online Medical Pre-Diagnosis Support," in IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 18, no. 3, pp. 912-921, 1 May-June 2021, doi: 10.1109/TCBB.2020.2994780.

[3] Santosh, T., Ramesh, D., & Reddy, D. (2020). LSTM based prediction of malaria abundances using big data. Computers in Biology and Medicine, 103859. doi:10.1016/j.compbiomed.2020.103859

El autor Zhong-kai Feng realizó un trabajo de investigación cuyo tema es "Modelo de inteligencia artificial evolutiva mediante algoritmo de búsqueda de cooperación y Máquinas de Aprendizaje Extremo (ELM) para la predicción de series de tiempo hidrológico no estacionario de múltiples escalas", publicada en la Revista de hidrología en abril de 2021, a continuación se explicará los detalles abordados en su trabajo.

Teoría del Algoritmo Extreme Learning Machine (ELM)
Las Máquinas de Aprendizaje Extremo o Extreme Learning Machine (ELM) es un algoritmo que está atrayendo la atención de miles de investigadores como una técnica de inteligencia artificial que resuelve muchos de los problemas a los que se enfrentan otras técnicas, por ejemplo su lenta velocidad de aprendizaje. ELM inicialmente trabaja en redes neuronales monocapa con propagación hacia delante.
El algoritmo del ELM está basado en el hecho de que si los pesos de entrada y los sesgos de la capa oculta de una Single Layer Feedforward neural Network (SLFN), son asignados al azar, la SLFN puede ser considerada como un sistema lineal y los pesos de salida se pueden determinar analíticamente mediante la inversa generalizada. Hay un estudio profundo acerca de las diferencias entre el ELM y trabajos previos. Sin embargo, el autor demuestra la capacidad que tiene el ELM para ser un aproximador universal donde los pesos de entrada elegidos al azar pueden ser generados de acuerdo a cualquier distribución de probabilidad continua, sin ningún conocimiento previo. Esta asignación aleatoria se puede hacer si las funciones de activación en la capa oculta son infinitamente diferenciables, la más popular es la una función signoide.

La predicción hidrológica confiable y estable juega un papel de vital importancia en el funcionamiento científico del sistema de recursos hídricos. Como método famoso de inteligencia artificial para el pronóstico hidrológico, la máquina de aprendizaje extrema (ELM) tiene las virtudes de una eficiencia de entrenamiento rápida y un rendimiento de generalización fuerte, pero se atrapa fácilmente en los óptimos locales porque los parámetros de cálculo preestablecidos a menudo permanecen sin cambios en el proceso de aprendizaje. Para superar esta deficiencia, se desarrolla un modelo práctico de inteligencia artificial evolutiva para la predicción de series de tiempo hidrológicas no estacionarias de múltiples escalas. En el método propuesto, se utiliza un método evolutivo emergente llamado algoritmo de búsqueda de cooperación (CSA) para buscar las ponderaciones ocultas de entrada óptimas y los sesgos ocultos del modelo ELM por primera vez.
El método propuesto se utiliza para pronosticar la serie de tiempo de escorrentía de tres estaciones hidrológicas del mundo real en China.

Los resultados experimentales muestran que el enfoque CSA puede determinar de manera efectiva los parámetros de red satisfactorios del modelo ELM, mientras que nuestro método puede producir mejores resultados que el método ELM tradicional en términos de todos los índices de evaluación del desempeño. Tomando como ejemplo la previsión de escorrentía de 1 paso por delante en la estación B, nuestro método mejora el método ELM con mejoras del 15,76% y 42,35% tanto en el error cuadrático medio de la raíz como en el error porcentual absoluto medio en la fase de prueba. Por lo tanto, se desarrolla una nueva herramienta de predicción hidrológica no estacionaria multiescala para apoyar la toma de decisiones del sistema de recursos hídricos. Los resultados experimentales muestran que el enfoque CSA puede determinar de manera efectiva los parámetros de red satisfactorios del modelo ELM, mientras que nuestro método puede producir mejores resultados que el método ELM tradicional en términos de todos los índices de evaluación del desempeño. Tomando como ejemplo el pronóstico de escorrentía de 1 paso por delante en la estación B, nuestro método mejora el método ELM con mejoras de 15.76% y 42.35% tanto en el error cuadrático medio de la raíz como en el error porcentual absoluto promedio en la fase de prueba. Por lo tanto, se desarrolla una nueva herramienta de predicción hidrológica no estacionaria multiescala para apoyar la toma de decisiones del sistema de recursos hídricos.

Bibliografía
* Riabani Mercado, Franklin, García Fernández, Willman, & Herrera Acebey, Johnny A.. (2016). Sistema de inteligencia artificial para la predicción temprana de heladas meteorológicas. Acta Nova, 7(4), 483-495. Recuperado en 10 de mayo de 2021, de http://www.scielo.org.bo/scielo.php?scr ... es&tlng=es.
* Zhong-kai Feng, Wen-jing Niu, Zheng-yang Tang, Yang Xu, Hai-rong Zhang, Evolutionary artificial intelligence model via cooperation search algorithm and extreme learning machine for multiple scales nonstationary hydrological time series prediction, Journal of Hydrology, Volume 595, 2021, 126062, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2021.126062.

En la actualidad nos encontramos inmersos en una sociedad que se orienta, cada vez más, hacia el proceso de la tecnificación masiva. El cual el ritmo del incremento de las tecnologías es cada vez mayor, todos los sectores que la estructuran están, en cierta medida sometiéndose en algunos caos o adecuándose en otros a los avances de la tecnología y, de acuerdo a su nivel de desarrollo alcanzado, adaptándose frente a tan inevitable tendencia. El área de la educación en el Perú, se encontraba avanzando en un ritmo lento a comparación de las tecnologías de apoyo que podían usarse con el propósito de mejorar el nivel académico de los estudiantes, pero en ciertos casos como las universidades privadas en cierta medida se encuentran atravesando dicha tendencia de adaptación a las novedosas comunidades de interacción tecnológica; proceso que está orientado a nuevas tendencias y perfiles en relación a las nuevas propuestas en el sector. Pero, cabe la interrogante crucial ¿hasta qué nivel la tecnología es capaz de revolucionar el universo de la educación y si se podrá aplicar al sector estatal?

Desde los niveles más tempranos como lo es el nivel de los infantes hasta los más elevados estándares del posgrado, uno de los mecanismos clave por los que la IA impactará en la educación, será por medio de aplicaciones relacionadas al aprendizaje de tipo individualizado. Dicho proceso no es nada novedoso ya que a nivel de las tecnologías de la información y comunicación es el desarrollo y la implementación de simuladores y programas tutoriales, además de diversos softwares de juegos interactivos desarrollados bajo una interfaz cada vez más amigable con el usuario el norte que impulsa su desarrollo. Dichos implementos de sistemas tratan de adaptarse las diversas necesidades de los estudiantes para lo cual el desarrollo de las nuevas tecnologías hace más viables los propósitos.

En relación al proceso de la educación personalizada, la aplicación de la IA puede, en cierta manera, plantearse como una solución viable, ya que la asistencia automatizada en relación a la ayuda de los estudiantes (independientemente del nivel) permite una nueva y atractiva perspectiva en relación al dinamismo del aprendizaje ya que la interactuación virtual, regulada por los parámetros de la IA permite facilitar los aprendizajes, ya que los mecanismos de apoyo se encontrarán disponibles cuando sean necesario independientemente del tiempo y el espacio del usuario.

Finalmente, para el sector estatal esto puede aplicarse siendo de gran ayuda, ya que en la actualidad por la pandemia muchos estudiantes se vieron afectados al no llevar a cabo sus estudios, siendo retrasados, o llevando a cabo temas que eran lo que esperaban con el nivel deseado. Es por esto que la implementación de programas tutoriales personalizadas para aquellos estudiantes que se vieron afectados vendría a ser de mucha utilidad.

Bryan Tony, Cipriano Tarazona
Cod. UNI: 20140161A