Reti neuronali: applicazioni biomediche. Anno Accademico Prof. Mauro Giacomini

Transcript

1 Reti neuronali: applicazioni biomediche Anno Accademico Prof. Mauro Giacomini

2 Sommario Cenni storici Percettroni multi-strato Apprendimento competitivo Applicazioni biomediche Identificazione di batteri marini Valutazione dell efficacia terapeutica di combinazion di farmaci antivirali

3 Cenni storici Molti studi volti a riprodurre la struttura e le funzioni del cervello L architettura dei calcolatori presenta una separazione fra memoria ed elaborazione Sviluppo successivo di un modello dove elaborazione e memoria fossero unite in elementi semplici, ma strettamente interconnessi.

4 Modello di neurone Elaborato da W. McCulloch e W. Pitts (1943) y 1 y 2 w i2 w i1 Σ 1 0 Θ i y i y ( t ) w y ( t) i + τ = Φ ij j θ i j y j w ij Φ funzione a gradino unitario w ij efficienza sinaptica θ i soglia

5 Percettrone Messo a punto da F. Rosenblatt, anni 50 Applicazioni:riconoscimento fra due pattern visivi Struttura due strati neuroni di McCulloc e Pitts il primo, collegato ad una retina di elementi sensibili a pesi fissi, estrae caratteristiche importanti per i patter cercati il secondo formato da un neurone classifica agg. pesi: Δw j =ε(d p -o p )y pj

6 Adaline Messa a punto da B. Widrow e M. Hoff nel 1960 x 1 w i1 y f ( s ) pi = pi = f wijxpj j x 2 x n w i2 w in k Σ - + y i d i 1 E = Ep = d y 2 p p i ( ) ( ) pi pi Δwij = ε d y k * x p pi pi pj 2

7 Percettroni multi-strato Sviluppato da Rumelhart nel 1986 X p Y p D p s ( ) f s = w ij o pj + θi j = e r ( 1 ) ( ) ( ) ( ) f ' s = f s f s ( + 1) = ηδ + αδ ( ) Δw n o wij n ij pi pj I H O ( t o ) o ( 1 o ) δ pi = pi pi pi pi t pi o < ε pi 2 δ ( 1 ) ( δ ) = o o w pi pi pi pk ki k

8 Apprendimento competitivo Non c è supervisione Ogni neurone tende a specializzarsi in particolari configurazioni Raggruppamenti dei pattern in cluster sulla base di loro caratteristiche Non sono definiti né il tipo né il numero delle categorie da separare

9 Mappe di Kohonen Reti bidimensionali su cui viene proiettato un vettore di ingresso attraverso una matrice di connessioni Tre tipi di interconnessioni: eccitatorie - molto vicine; inibitorie; a lungo raggio - di azione leggermente eccitatoria In risposta ad uno stimolo si può determinare la zona che riceve la massima eccitazione di tutta la rete, l apprendimento termina quando questa zona è limitata ad un neurone per tutti gli stimoli

10 Algoritmo di SuperSAB Scopo: aumentare la velocità di convergenza Azione: adattamento del coefficiente di apprendimento η a pesi e superficie di errore Algoritmo: valore iniziale di tutti gli η uguale e piccolo procedere con backpropagation se il segno della derivata di un peso non cambia aumentare l η di quel peso se il segno della derivata di un peso cambia diminuire l η di quel peso ed annullare la correzione precedente.

11 Algoritmo di potatura Elaborato da E. Karnin (1990) Calcola un coefficiente di sensibilità su cui f basare la potatura N 1 2 S [ w ( n) ] ij = ij Δ n= 0 η Non richiede modifiche a funzione di costo Non interferisce con apprendimento Peso computazionale trascurabile ij w ij ( w f i w ) ij ij

12 Applicazioni medico-cliniche Diagnosi Appendicite Mal di reni Demenza Infarto miocardico Emergenze psichiatriche Malattie trasmesse sessualmente Malattie della pelle Artrite temporale Lancet 1995; 346:

13 Applicazione medico-cliniche Analisi di immagini Radiografie (lesioni ossee, torace, seno) PET (Alzheimer) NMR Perfusione (cardiaca, cerebrale) Farmacologia sensitività di tumori a terapia risposta a farmaci (warfarin, alfentanil)

14 Applicazioni medico-cliniche Analisi di forme d onda EGC Defirbillazione Fonocardiografia EEG Predizioni di esito Esito operatorio (cura intensiva, riabilitazione ortopedica) Cancro (prostata, seno, ovaia) Trapianto (fegato) Chirurgia delle valvole cardiache

15 Infarto del miocardio Uno studio del 1988 (N. Eng. J. Med. 318, ) specialisti: sensitività 88%, specificità 71% migliore programma non nurale: sensitività 88%, specificità 74% Migliore rete neurale (Neural Computation 2, ) migliore rete neurale (1990): sensitività 92%, specificità 96%

16 Altre applicazioni cliniche Pubblicazioni sull argomento citazioni citazioni citazioni 2000 > citazioni Analisi di immagini Discriminazione benigno/maligno lesioni ossee: 75.1% sensitività, 89.1 specificità Radiografia del torace: 80% sensitività, 97% specificità

17 Applicazioni su forme d onda Varie applicazioni di analisi dell ECG infarti del miocardio minori ipertrofia ventricolare sofferenza ventricolare Analisi di EEG Identificazione di demenza Identificazione di spike ad alto voltaggio

18 Predizioni di esito Mortalità in unità di chirurgia intensiva 422 pazienti, 15 variabili: sensitività 97% e specificità 100% (statistica classica sensitività 100%, ma specificità 53%) Mortalità nel cancro alla prostata biopsia: sens. 84%, spec. 88% ricorrenze: sens. 67%, spec. 100%