Sistemas Neurales.

Lorena Snchez Daniel Snchez.

Son modelos matemticos que pueden ser entrenados para aprender relaciones no lineales entre
un conjunto de datos de entrada y un conjunto de datos de salida. En medicina la aplicacin ms
comn de estos modelos, es la clasificacin de patrones con el propsito de apoyar al mdico en el
diagnstico y tratamiento del paciente. Como su nombre lo indica pretenden imitar a pequesima
escala la forma de funcionamiento de las neuronas que forman el cerebro humano. Todo el
desarrollo de las redes neuronales tiene mucho que ver con la neurofisiologa, no en vano se trata
de imitar a una neurona humana con la mayor exactitud posible. La principal clave de este sistema
se encuentra en los pesos de las diferentes entradas. Las entradas son modificadas por el peso y
las salidas son funcin de estas modificaciones. Esto nos lleva a concluir que los pesos influyen de
forma decisiva en la salida y por lo tanto pueden ser utilizados para controlar la salida que se
desea.
En realidad cuando se tienen interconectadas muchas de estas neuronas artificiales lo que se hace
inicialmente es entrenar el sistema. El entrenamiento consiste en aplicar unas entradas
determinadas a la red y observar la salida que produce. Si la salida que produce no se adecua a la
que se esperaba, se ajustan los pesos de cada neurona para interactivamente ir obteniendo las
respuestas adecuadas del sistema. A la red se le somete a varios ejemplos representativos, de
forma que mediante la modificacin de los pesos de cada neurona, la red va "aprendiendo".

FUNCIONAMIENTO
A finales del siglo XIX se logr una mayor claridad sobre el trabajo del cerebro debido a los trabajos
de Ramn y Cajal en Espaa y Sherrington en Inglaterra. El primero trabaj en la anatoma de las
neuronas y el segundo en los puntos de conexin de las mismas o sinapsis. Se estima que en cada
milmetro del cerebro hay cerca de 50.000 neuronas, conteniendo en total ms de cien mil millones
de neuronas y sinapsis en el sistema nervioso humano.

El cuerpo de la neurona o Soma contiene el ncleo. Se encarga de todas las actividades

metablicas de la neurona y recibe la informacin de otras neuronas vecinas a travs de las

conexiones sinpticas (algunas neuronas se comunican solo con las cercanas, mientras que otras
se conectan con miles).
Las dendritas, parten del soma y tienen ramificaciones. Se encargan de la recepcin de seales
de las otras clulas a travs de conexiones llamadas sinpticas. Si pensamos, desde ahora, en
trminos electrnicos podemos decir que las dendritas son las conexiones de entrada de la
neurona. Por su parte el axn es la "salida" de la neurona y se utiliza para enviar impulsos o
seales a otras clulas nerviosas. Cuando el axn est cerca de sus clulas destino se divide en
muchas ramificaciones que forman sinapsis con el soma o axones de otras clulas. Esta unin
puede ser "inhibidora" o "excitadora" segn el transmisor que las libere. Cada neurona recibe de
10.000 a 100.000 sinapsis y el axn realiza una cantidad de conexiones similar.
La transmisin de una seal de una clula a otra por medio de la sinapsis es un proceso qumico.
En l se liberan substancias transmisoras en el lado del emisor de la unin. El efecto es elevar o
disminuir el potencial elctrico dentro del cuerpo de la clula receptora.
Si su potencial alcanza el umbral se enva un pulso o potencial de accin por el axn. Se dice,
entonces, que la clula se dispar. Este pulso alcanza otras neuronas a travs de las distribuciones
de los axones.
Una neurona se puede comparar con una caja negra compuesta por varias entradas y una salida.
La relacin de activacin entre la salida y la entrada, o en trminos circuitales o de teora de
control.

NEURONA ARTIFICIAL.
La neurona artificial es un dispositivo elctrico que responde a seales elctricas. La respuesta la
produce el circuito activo o funcin de transferencia que forma parte del cuerpo de la neurona. Las
"dendritas" llevan las seales elctricas al cuerpo de la misma. Estas seales provienen de
sensores o son salidas de neuronas vecinas. Las seales por las dendritas pueden ser voltajes
positivos o negativos; los voltajes positivos contribuyen a la excitacin del cuerpo y los voltajes
negativos contribuyen a inhibir la respuesta de la neurona

El sistema de neuronas biolgico est compuesto por neuronas de entrada (sensores) conectados
a una compleja red de neuronas "calculadoras" (neuronas ocultas), las cuales, a su vez, estn
conectadas a las neuronas de salidas que controlan.

HISTORIA.

1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la
computacin. Sin embargo, los primeros tericos que concibieron los fundamentos de la
computacin neuronal fueron Warren McCulloch, un neurofisilogo, y Walter Pitts, un matemtico,
quienes, en 1943, lanzaron una teora acerca de la forma de trabajar de las neuronas. Ellos
modelaron una red neuronal simple mediante circuitos elctricos.
1949 - Donald Hebb. Escribi un importante libro: La organizacin del comportamiento, en el que
se establece una conexin entre psicologa y fisiologa. Fue el primero en explicar los procesos del
aprendizaje (que es el elemento bsico de la inteligencia humana) desde un punto de vista
psicolgico, desarrollando una regla de como el aprendizaje ocurra. Aun hoy, este es el
fundamento de la mayora de las funciones de aprendizaje que pueden hallarse en una red
neuronal. Su idea fue que el aprendizaje ocurra cuando ciertos cambios en una neurona eran
activados. Tambin intent encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los
trabajos de Hebb formaron las bases de la Teora de las Redes Neuronales.
1950 - Karl Lashley. En sus series de ensayos, encontr que la informacin no era almacenada en
forma centralizada en el cerebro sino que era distribuida encima de l.
1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el
nacimiento de la inteligencia artificial.
1957 - Frank Rosenblatt. Comenz el desarrollo del Perceptrn. Esta es la red neuronal ms
antigua; utilizndose hoy en da para aplicacin como reconocedor de patrones. Este modelo era
capaz de generalizar, es decir, despus de haber aprendido una serie de patrones poda reconocer
otros similares, aunque no se le hubiesen presentado anteriormente. Sin embargo, tena una serie
de limitaciones, por ejemplo, su incapacidad para resolver el problema de la funcin OR-exclusiva
y, en general, era incapaz de clasificar clases no separables linealmente. En 1959, escribi el libro
Principios de Neurodinmica, en el que confirm que, bajo ciertas condiciones, el aprendizaje del
Perceptrn converga hacia un estado finito (Teorema de Convergencia del Perceptrn).
1960 - Bernard Widrow/Marcial Hoff. Desarrollaron el modelo Adaline (ADAptative LINear
Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para
eliminar ecos en las lneas telefnicas) que se ha utilizado comercialmente durante varias dcadas.
1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones tcnicas
(memoria asociativa).
1967 - Stephen Grossberg. A partir de sus conocimientos fisiolgicos, ha escrito numerosos libros
y desarrollado modelo de redes neuronales. Realiz una red: Avalancha, que consista en
elementos discretos con actividad que vara en el tiempo que satisface ecuaciones diferenciales
continuas, para resolver actividades como reconocimiento continuo de habla y aprendizaje de los
brazos de un robot.
1969 - Marvin Minsky/Seymour Papert. En este ao surgieron crticas que frenaron, hasta 1982,
el crecimiento que estaban experimentando las investigaciones sobre redes neuronales. Minsky y
Papera, del Instituto Tecnolgico de Massachussets (MIT), publicaron un libro Perceptrons.
Probaron (matemticamente) que el Perceptrn no era capaz de resolver problemas relativamente
fciles, tales como el aprendizaje de una funcin no-lineal. Esto demostr que el Perceptrn era
muy dbil, dado que las funciones no-lineales son extensamente empleadas en computacin y en
los problemas del mundo real. A pesar del libro, algunos investigadores continuaron su trabajo. Tal
fue el caso de James Anderson, que desarroll un modelo lineal, llamado Asociador Lineal, que

consista en unos elementos integradores lineales (neuronas) que sumaban sus entradas. Este
modelo se basa en el principio de que las conexiones entre neuronas son reforzadas cada vez que
son activadas. Anderson dise una potente extensin del Asociador Lineal, llamada Brain State in
a Box (BSB).
1974 - Paul Werbos. Desarroll la idea bsica del algoritmo de aprendizaje de propagacin hacia
atrs (backpropagation); cuyo significado qued definitivamente aclarado en 1985.
1977 - Stephen Grossberg. Teora de Resonancia Adaptada (TRA). La Teora de Resonancia
Adaptada es una arquitectura de red que se diferencia de todas las dems previamente
inventadas. La misma simula otras habilidades del cerebro: memoria a largo y corto plazo. 1977 Teuvo Kohonen. Ingeniero electrnico de la Universidad de Helsinki, desarroll un modelo similar al
de Anderson, pero independientemente.
1980 - Kunihiko Fukushima. Desarroll un modelo neuronal para el reconocimiento de patrones
visuales.
1985 - John Hopfield. Provoc el renacimiento de las redes neuronales con su libro:
"Computacin neuronal de decisiones en problemas de optimizacin."
1986 - David Rumelhart/G. Hinton. Redescubrieron el algoritmo de aprendizaje de propagacin
hacia atrs (backpropagation). A partir de 1986, el panorama fue alentador con respecto a las
investigaciones y el desarrollo de las redes neuronales. En la actualidad, son numerosos los
trabajos que se realizan y publican cada ao, las aplicaciones nuevas que surgen (sobretodo en el
rea de control) y las empresas que lanzan al mercado productos nuevos, tanto hardware como
software (sobre todo para simulacin).

CLASIFICACIN
1. Redes monocapa : se establecen conexiones laterales entre las neuronas que pertenecen a la
nica capa que constituye la red.
2. Redes multicapa : disponen las neuronas agrupadas en varios niveles. Dado que este tipo de
redes disponen de varias capas.
Mecanismo de aprendizaje
Redes con aprendizaje supervisado: Se caracteriza porque el proceso de aprendizaje se realiza
mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina
la respuesta que debera generar la red a partir de una entrada determinada. El supervisor
comprueba la salida generada por el sistema y en el caso de que no coincida con la esperada, se
proceder a modificar los pesos de las conexiones. En este tipo de aprendizaje se suelen distinguir
a su vez tres formas de llevarlo a cabo:
1. Aprendizaje por correccin de error : Consiste en ajustar los pesos de las conexiones de la
red en funcin de la diferencia entre los valores deseados y los obtenidos en la salida. L
2. Aprendizaje por refuerzo : este tipo de aprendizaje es ms lento que el anterior y se basa en la
idea de no disponer de un ejemplo completo del comportamiento deseado; es decir, de no indicar
durante el entrenamiento la salida exacta que se desea que proporcione la red ante una
determinada entrada.

3. Aprendizaje estocstico : consiste bsicamente en realizar cambios aleatorios en los valores

de los pesos y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.
Redes con aprendizaje no supervisado
No requieren de influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La
red no recibe ninguna informacin por parte del entorno que le indique si la salida generada en
respuesta a una determinada entrada es o no correcta; son capaces de autoorganizarse. Estas
redes deben encontrar las caractersticas, regularidades, correlaciones o categoras que se pueden
establecer entre los datos de la entrada.
1. Aprendizaje hebbiano : pretende medir la familiaridad o extraer caractersticas de los datos de
entrada. Este aprendizaje consiste bsicamente en el ajuste de los pesos de las conexiones de
acuerdo con la correlacin de los valores de activacin (salidas) de las dos neuronas conectadas
2. Aprendizaje competitivo y cooperativo: las neuronas compiten unas con otras con el fin de
llevar a cabo una tarea dada. Se pretende que cuando se presente a la red cierta informacin, slo
una o un grupo de ellas se activen. Por tanto las neuronas compiten por activarse, quedando las
perdedoras a sus valores de respuesta mnimos.
Tipo de asociacin entre las informaciones de entrada y salida
Las redes neuronales son sistemas que almacenan cierta informacin aprendida; esta se registra
de forma distribuida en los pesos asociados a las conexiones entre neuronas. Hay que establecer
cierta relacin o asociacin entre la informacin presentada a la red y la salida ofrecida por esta. Es
lo que se conoce como memoria asociativa. Existen dos formas primarias de realizar esta
asociacin entrada/salida y que generan dos tipos de redes:
1. Redes heteroasociativas: La red aprende parejas de datos [(A1,B1), (A2,B2),....(An,Bn)], de tal
forma que cuando se le presente determinada informacin de entrada Ai responda con la salida
correspondiente Bi. Al asociar informaciones de entrada con diferentes informaciones de salida,
precisan al menos de 2 capas, una para captar y retener la informacin de entrada y otra para
mantener la salida con la informacin asociada.
2. Redes autoasociativas: La red aprende ciertas informaciones A1, A2, .., An de forma que
cuando se le presenta una informacin de entrada realizar una autocorrelacin, respondiendo con
uno de los datos almacenados, el ms parecido al de entrada
Representacin de la informacin de entrada y salida
Redes continuas: En un gran nmero de redes, tanto los datos de entrada como de salida son de
naturaleza analgica (valores reales continuos y normalmente normalizados, por lo que su valor
absoluto ser menor que la unidad). En este caso las funciones de activacin de las neuronas
sern tambin continuas, del tipo lineal o sigmoidal.
Redes discretas: Por el contrario, otras redes slo admiten valores discretos [0,1] a la entrada,
generando tambin en la salida respuestas de tipo binario. La funcin de activacin en este caso
es del tipo escaln.
Redes hbridas: La informacin de entrada es continua pero a la salida ofrecen informacin binaria

APLICACIONES EN MEDICINA
La capacidad de aprender con ejemplos y clasificar patrones, son cualidades de las redes
neuronales multicapa que se han explotado en medicina. Anlisis de imgenes En la prctica los
mdicos tienen que evaluar informacin de imgenes obtenidas con ultrasonido, resonancia
magntica, medicina nuclear y radiologa. Normalmente se hace un anlisis cualitativo por
inspeccin visual; sin embargo, un examen cuantitativo presenta las siguientes ventajas: (i) los
diagnsticos de distintos laboratorios usando los mismos criterios se pueden verificar, (ii) los datos
para un sujeto se pueden comparar con una base de datos de personas normales para decidir
automticamente si existe la anormalidad, (iii) los hallazgos para un sujeto se pueden comparar
con una base de datos con distintas enfermedades y detectar el tipo de anormalidad, (iv) los
resultados de una serie de exmenes del mismo paciente se pueden comparar para determinar la
evolucin de la enfermedad y analizar la respuesta al tratamiento.
Ultrasonido
Se han desarrollado modelos para cardiologa, identificacin de tejido del hgado y oftalmologa.
Deteccin de infartos: las ecografas de corazn de sujetos normales y con infarto de miocardio se
digitalizaron en una matriz de 256x256 pixeles con 256 niveles de gris. Las regiones de inters
fueron seleccionadas por un cardilogo en una matriz de 10x10pixeles. Se entren una red
neuronal multicapa para reconocer pequeas diferencias entre el miocardio normal y anormal.
Resonancia magntica
Se han desarrollado varias aplicaciones para segmentar las imgenes; las redes neuronales han
mostrado su utilidad en la identificacin de vasos sanguneos. Segmentacin de imgenes del
cerebro: la segmentacin de imgenes mdicas obtenidas con resonancia magntica es muy
importante para la visualizacin de tejidos suaves en el cuerpo humano. Se entren una red
neuronal para clasificar los siguientes seis tipos de tejido: fondo, fluido cerebroespinal, materia
blanca, materia gris, crneo y grasa. Los resultados soportan el uso de redes neuronales como
mtodo para clasificar imgenes mdicas.
Medicina nuclear
El anlisis de imgenes con redes neuronales en medicina nuclear incluye tomografa por emisin
de positrones (PET) y tomo grafa computarizada por emisin de un fotn (SPECT). Diagnstico de
la enfermedad de Alzheimer: se obtuvieron imgenes PET de pacientes normales y pacientes con
Alzheimer. Adicionalmente, para cada sujeto se midieron ocho parmetros que representan el
metabolismo de la glucosa en los ocho lbulos del cerebro (izquierdo y derecho): frontal, parietal,
temporal, y occipital. Se entren una red neuronal para clasificar los sujetos en las categoras
normal y con enfermedad de Alzheimer, en pruebas de generalizacin la red clasific

correctamente el 92% de los casos. La red neuronal super a los mtodos estadsticos estndar
como el anlisis discriminante.
Radiologa
Se han utilizado redes neuronales para analizar angiografas y mamografas. Angiografa de arteria
coronaria: se utiliza una red neuronal que recibe 121 (11x11) entradas, tiene 17 neuronas ocultas y
dos salidas. La red clasifica el pixel central de la mscara como vaso o fondo. Los resultados
sugieren que una red neuronal puede lograr una tasa de deteccin de vasos aceptable. Los
estudios comparativos, en anlisis de imgenes, entre redes neuronales y mtodos estadsticos
clsicos como mxima verosimilitud y anlisis discriminante reportaron igual o mejor desempeo
de la red.
Anlisis de seales
La enfermedad de la arteria coronaria es la causa principal de muerte en el mundo, su deteccin
oportuna es importante para prevenir los riesgos asociados con la enfermedad. El mtodo comn
usado para evaluar oclusiones es costoso, lento y molesto para el paciente. Por esto es necesario
desarrollar un enfoque sencillo y cmodo para detectar tempranamente la enfermedad y para
seguir la evolucin de los pacientes enfermos. Estudios han mostrado que el enfoque acstico para
detectar la enfermedad de la arteria coronaria es promisorio. Este mtodo, basado en la deteccin
de sonidos asociados con el flujo de sangre turbulento en arterias parcialmente obstruidas, es
exitoso para diferenciar sujetos sanos y enfermos. El registro sonoro se hace en una habitacin a
prueba de sonidos. Las redes neuronales se utilizaron para mejorar el diagnstico de esta
enfermedad con el mtodo acstico. El procedimiento consiste en procesar previamente el registro
sonoro para obtener cuatro parmetros que luego se aplican a una red neuronal junto con otras
variables como sexo, edad, peso, condicin de fumador, presiones sistlica y diastlica, para
mejorar el diagnstico. En este estudio el registro de sonido del corazn de cada paciente se
muestrea a 4MHz para tomar 10 ciclos cardiacos. Se analiz el sonido del corazn con la red
neuronal. El estudio mostr que de 55 casos anormales y 24 de 27 casos normales, fueron
correctamente diagnosticados con la red neuronal.
Deficiencias en el sistema inmune y alergias
Redes neuronales como clasificadores han permitido detectar deficiencias en el sistema inmune
(4). Para entrenar la red se recopila informacin de personas sanas y personas con
inmunodeficiencia. La red neuronal se entren para clasificar la gente como saludable o enferma
usando 17 parmetros metablicos de los linfocitos. Las reacciones alrgicas no son fciles de
diagnosticar. Reacciones pseudo alrgicas, clnicamente similares a reacciones alrgicas, agregan
complejidad al problema. El objeto de la investigacin fue aplicar el clasificador neuronal para crear
un diagnstico automtico para reacciones alrgicas y pseudo alrgicas. El clasificador tiene tres
clases: gente sana, alrgicos y pseudo alrgicos, las entradas a la red son las concentraciones de
parmetros metablicos de los linfocitos.
Enfermedades oculares
Los sistemas de diagnstico basados en reglas se han usado exitosamente en un nmero de
reas en medicina; sin embargo, algunos problemas de los sistemas basados en reglas son: (i)
requieren formular reglas de diagnstico explcitas' mucho del conocimiento mdico permanece
implcito; (ii) formular el conocimiento implcito en reglas explcitas produce distorsin y prdida de
informacin. Adems, en medicina la mayora de las decisiones clnicas se basan en experiencia,

inferencia compleja y conocimiento extensivo. En otras palabras, construir un sistema experto para
diagnstico usando reglas es una tarea lenta y costosa. En contraste con los sistemas basados en
reglas, las redes neuronales pueden extraer conocimiento experto fcilmente usando datos en
bruto. Adems, el aprendizaje por experiencia, tolerancia a fallas e inmunidad al ruido las hace
efectivas para estas aplicaciones. El conocimiento para entrenar la red neuronal se obtiene de
registros mdicos y documentos con informacin estndar para enfermedades de los ojos (5).
Durante el entrenamiento las entradas a la red son los sntomas y signos del paciente, y el
diagnstico realizado por el especialista es la salida.

BIBLIOGRAFA.
1. http://www.bdigital.unal.edu.co/22791/1/19460-64062-1-PB.pdf
2. http://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/redes.ht
m
3. http://www.itnuevolaredo.edu.mx/takeyas/Apuntes/Inteligencia
%20Artificial/Apuntes/tareas_alumnos/RNA/Redes%20Neuronales2.pdf
4. http://revistabme.eia.edu.co/numeros/8/art/Estimacion%20de%20velocidad
%20del%20movimiento%20de%20mano%20usando%20redes
%20neuronales%20artificiales%20y%20mediciones
%20electromiograficas.pdf
5. http://www.fi.uba.ar/es/node/132
6. http://ocw.uv.es/ciencias-de-la-salud/pruebas/1-2/1tema_5_ocw.pdf