Matemático de la RUDN nombrada la mejor red neuronal para el diagnóstico de patologías cerebrales

Una de las etapas clave en el diagnóstico de las patologías cerebrales es la imagenología . Esta es una visualización de la actividad cerebral y el tejido cerebral usando CT, rayos X, EEG y otros métodos. La interpretación de los resultados de dichos análisis la llevan a cabo profesionales especialmente capacitados. Pero incluso un ojo experimentado no siempre puede sacar la conclusión correcta. La inteligencia artificial puede ayudar en la interpretación. Dado que estamos hablando de un tándem médico-computadora, y no de reemplazar a una persona con inteligencia artificial, se necesitan modelos que no solo den el resultado, sino que puedan «explicar» por qué resultó así. Esta propiedad se llama interpretabilidad. Un matemático de la Universidad RUDN y colegas de la Universidad Federal Báltica han seleccionado los mejores modelos que son adecuados para este propósito.

«La inteligencia artificial en el análisis de datos biológicos y médicos es una tarea importante y activamente investigada. Esto también se aplica al análisis de imágenes médicas. Uno de los puntos centrales aquí es la interpretabilidad. Esto es importante para la creación de varios sistemas auxiliares de toma de decisiones, cuando un trabajador médico debe comprender e interpretar la decisión obtenida utilizando métodos de inteligencia artificial. Por lo tanto, es de gran interés desarrollar diferentes enfoques de neuroimagen que sean interpretables. Nuestro objetivo era encontrar un buen modelo matemático para clasificar los estados cerebrales con énfasis en la interpretabilidad de los resultados», Alexander Khramov, Doctor en Ciencias Físicas y Matemáticas, Investigador Principal del Departamento de Transporte de la Universidad RUDN.

Para encontrar los mejores modelos, los investigadores utilizaron datos de EEG tomados de pacientes mientras observaban diferentes imágenes. La primera es la pintura de Mona Lisa , la segunda es la ilusión óptica del Cubo de Necker , que representa un marco de cubo simple. El hecho es que la figura no indica qué caras están delante y cuáles detrás. Una persona generalmente no nota la contradicción e interpreta la imagen sin ambigüedades, pero para una computadora esta tarea no es tan simple. Por lo tanto, el cubo de Necker se utiliza para probar modelos informáticos del sistema de percepción humano. En total, cinco personas participaron en el experimento. Basándose en los resultados del EEG , la red neuronal tenía que determinar el brillo de la imagen que ve una persona. Además, mediante un algoritmo especial , la red neuronal identifica parámetros específicos que influyeron en la decisión final del modelo.

Los matemáticos compararon varios modelos de redes neuronales artificiales. El modelo con el llamado gradiente adaptativo Adagrad resultó ser el mejor . Este es un método de optimización que «sintoniza» la red neuronal en función de la frecuencia con la que se produce esta o aquella característica. Una red neuronal de gradiente adaptable logró una precisión del 92,9 %.

«Adagrad resultó ser el mejor método de optimización . Nuestros resultados ayudarán a seleccionar los métodos de aprendizaje automático apropiados para el entrenamiento correcto de las interfaces cerebro-computadora», Alexander Khramov, Doctor en Ciencias Físicas y Matemáticas, Investigador Principal del Departamento de Transporte de la Universidad RUDN.

Los resultados se publican en Matemáticas.