Análise da utilização de Redes de Kohonen no auxílio ao diagnóstico de doenças reumatológicas

Abstract

Este trabalho mostra a utilização de uma arquitetura de Rede Neural, conhecida como Redes Auto-organizáveis de Kohonen, no auxílio ao diagnóstico médico usando-se uma abordagem conexionista. Esta topologia de rede possui grande plausibilidade biológica que se auto-organiza através de mecanismos de competição permitindo detectar similaridades entre vários sinais, grupando-os em classes. A hipótese deste trabalho é verificar se esta topologia é plausível para o problema do diagnóstico médico de maneira geral, e comparar os resultados obtidos através da topologia de rede direta. Diversos modelos foram implementados, através de uma série de experiências com uma base de 50 casos de três doenças reumatológicas quais sejam: Espondilite Anquilosante, Artrite Gotosa e Artrite Reumatóide. Na parte 1 usou-se a base amostral como conjunto de treinamento bem como para os testes, foram realizadas três experiências. Na parte 2 dividiu-se a base amostral em duas, a primeira contendo 32 casos e utilizada para treinamento e a segunda com 18 casos e utilizada para teste e validação dos resultados, foram realizadas duas experiências: na experiência 4 treinou-se a rede com 32 casos e testou-se com os 18, ignoraram-se os parâmetros sexo e idade. Na experiência 5 tomou-se primeiramente os 8 primeiros casos dos 32 para treinamento, aumentou-se para 10, depois 12, 14, 16, 18, 20, 26 e por fim 32 casos, para a base de teste utilizaram-se os 18 casos da experiência 1. Consideraram-se todos os parâmetros. Foi possível analisar o aprendizado da rede para padrões que não haviam sido apresentados à priori, bem como a capacidade de generalização para poucos exemplos de treinamento. Ao final foram comparados os resultados com os obtidos através de Rede Neural Direta, sendo observado um bom desempenho das redes de Kohonen quando comparadas com aquela. A Rede de Kohonen conforme a topologia e modelos propostos nesta dissertação mostrou-se capaz de clusterizar os padrões de entrada em classes distintas permitindo ser possível distinguir com clareza os três diagnósticos