Revisión bibliográfica: redes neuronales artificiales y sus aplicaciones en el ámbito sanitario

AUTORES

1. Ana Belén Araiz Marín. (Graduada en Enfermería) Hospital Royo Villanova, Zaragoza, España.
2. Luna Oliva Lafarga. (Graduada en Enfermería) Hospital Royo Villanova, Zaragoza, España.
3. Isabel Colás Elvira (Diplomada en Enfermería) Hospital Royo Villanova, Zaragoza, España.
4. VanessaVal Díaz (Graduada en Enfermería) Hospital Royo Villanova, Zaragoza, España.
5. Rebeca Gonzalvo Bastardo (Graduada en Enfermería) Hospital Royo Villanova, Zaragoza, España.
6. Verónica Faura Cruz. (Graduada en Enfermería) Centro de Salud de Épila, Zaragoza, España.

RESUMEN

Introducción: Las redes neuronales artificiales (RNA) son sistemas computacionales inspirados en el cerebro humano, capaces de reconocer patrones y aprender de grandes volúmenes de datos. Este artículo revisa el funcionamiento de las RNA y sus aplicaciones en el ámbito sanitario, destacando su impacto actual y futuro.

Funcionamiento de las Redes Neuronales Artificiales: Las RNA están formadas por un conjunto de nodos o neuronas artificiales, organizadas en capas: entrada, ocultas y de salida. Cada neurona es un procesador (una función matemática) que a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una única respuesta o salida, en base a otra función matemática distinta. Conforme la RNA trabaja los datos, entrena con algoritmos, y realiza ajustes para minimizar el error de predicción.

Comparación con Redes Neuronales Biológicas: Las RNA tienen una estructura, funcionamiento y capacidades, diferentes de las redes biológicas. Este artículo pretende proporciona una idea general de estas diferencias y ahondar en cómo se están integrando en el ámbito sanitario.

Aplicaciones en el Ámbito Sanitario: Las RNA ya se usan en múltiples ámbitos de la medicina. En diagnóstico por imagen, detectan anomalías en radiografías y resonancias magnéticas con alta precisión. En genómica y medicina personalizada, analizan datos genómicos para identificar patrones de enfermedades y desarrollar tratamientos personalizados. El procesamiento del lenguaje natural (NLP) mejora la documentación clínica y la extracción de información de registros médicos electrónicos. Además, algunas RNA predicen la progresión de enfermedades crónicas y la readmisión hospitalaria, optimizando la gestión de pacientes.

Conclusión: Las RNA son poderosas herramientas en el ámbito tecnológico y científico. Pero todavía presentan desafíos como la necesidad de grandes volúmenes de datos, la Interpretabilidad y la privacidad. Sin embargo, con la investigación continua y nuevas tecnologías emergentes, las RNA seguirán desempeñando un papel crucial en la atención sanitaria, mejorando la precisión diagnóstica, personalizando tratamientos y optimizando la gestión clínica.

PALABRAS CLAVE

Inteligencia artificial, redes neuronales artificiales, aprendizaje automático, medicina de precisión.

ABSTRACT

Introduction: Artificial neural networks (ANNs) are computational systems inspired by the human brain, capable of recognising patterns and learning from large volumes of data. This article reviews the functioning of ANNs and their applications in healthcare, highlighting their current and future impact.

How Artificial Neural Networks works: ANNs are made up of a set of nodes or artificial neurons, organized in layers: input, hidden and output. Each neuron is a processor (a mathematical function) that, based on an input vector from the outside or from other neurons, provides a single response or output, based on a different mathematical function. As the ANN works the data, it trains with algorithms, and makes adjustments to minimize prediction error.

Comparison with Biological Neural Networks: ANNs have a different structure, functioning and capabilities than biological networks. This article aims to provide an overview of these differences and delve into how they are being integrated into the healthcare environment.

Healthcare applications: ANNs are already used in multiple fields of medicine. In diagnostic imaging, they detect anomalies in X-rays and MRI scans with high precision. In genomics and personalized medicine, they analyze genomic data to identify disease patterns and develop personalized treatments. Natural language processing (NLP) improves clinical documentation and the extraction of information from electronic medical records. In addition, some ANNs predict chronic disease progression and hospital readmission, optimizing patient management.

Conclusion: ANNs are powerful technological and scientific tools. But they still present challenges such as the need for large volumes of data, interpretability and privacy. However, with continued research and new emerging technologies, ANNs will continue to play a crucial role in healthcare, improving diagnostic accuracy, personalizing treatments and optimizing clinical management.

KEY WORDS

Artificial intelligence, neural networks, computer, machine learning, precision medicine.

INTRODUCCIÓN

Las redes neuronales artificiales (RNA) representan una rama fundamental de la inteligencia artificial (IA) y el aprendizaje automático, inspiradas en la estructura y funcionamiento del cerebro humano¹. Estos sistemas están diseñados para reconocer patrones, procesar datos complejos y aprender de manera autónoma a partir de grandes volúmenes de información. En el ámbito sanitario, las RNA están transformando la manera en que se diagnostican enfermedades, se desarrollan tratamientos y se personaliza la atención médica. Esta revisión bibliográfica explora el funcionamiento de las RNA y sus aplicaciones en el sector salud, destacando su impacto actual y potencial futuro.

Funcionamiento de las Redes Neuronales Artificiales²:

Las RNA es un modelo compuesto por neuronas artificiales, organizadas en capas: de entrada, ocultas y de salida. La capa de entrada recibe los datos iniciales, las capas ocultas procesan la información, y la capa de salida produce el resultado final.

Cada neurona en una RNA recibe una serie de entradas, las cuales son combinadas para producir una salida mediante una función de activación. Las funciones de activación más comunes incluyen la función sigmoide, la tangente hiperbólica y la ReLU (Rectified Linear Unit). La capacidad de las RNA para aprender se basa en la adaptación de estas ponderaciones a través de un proceso conocido como entrenamiento, utilizando algoritmos como el backpropagation.

Durante el entrenamiento, la red neuronal se expone a un conjunto de datos etiquetados, ajustando las ponderaciones en función de la diferencia entre la salida producida y la salida esperada. Este ajuste se realiza para minimizar el error de predicción. Los algoritmos de optimización, son esenciales para minimizar el error predictivo de la RNA.

Comparación entre RNA y Redes Biológicas:

Las redes neuronales artificiales (RNA) y las redes neuronales biológicas (RNB) del cerebro humano comparten la inspiración en su diseño y funcionamiento, pero difieren significativamente en su estructura, funcionamiento y capacidades.

Estructura:

Redes Neuronales Biológicas:

• Neuronas: Las redes neuronales biológicas están formadas por neuronas, células especializadas que transmiten señales eléctricas y químicas. Cada neurona consta de dendritas que reciben las señales, y un axón que las envía a otras neuronas.
• Sinapsis: Se llama así a las conexiones entre neuronas, son puntos de comunicación donde se liberan neurotransmisores.
• Plasticidad: Las conexiones sinápticas pueden fortalecerse o debilitarse con el tiempo a través de procesos de plasticidad sináptica, permitiendo el aprendizaje y la adaptación.

Redes Neuronales Artificiales:

• Nodos y Capas: Las RNA están compuestas por neuronas artificiales, llamadas también nodos, se organizan en capas: capa de entrada, capas ocultas y capa de salida.
• Ponderaciones: Las conexiones entre nodos tienen ponderaciones que se ajustan durante el entrenamiento para minimizar el error en las predicciones.
• Funciones de Activación: Cada nodo aplica una función de activación (como ReLU, sigmoide o tanh) a la suma ponderada de sus entradas para determinar su salida.

Funcionamiento:

Redes Neuronales Biológicas:

• Procesamiento Paralelo Distribuido: El cerebro humano opera de manera altamente paralela, con múltiples neuronas procesando información simultáneamente.
• Sinapsis: La comunicación entre neuronas se llama sinapsis, la mayoría son reacciones químicas. Una neurona libera neurotransmisores a otra neurona.
• Adaptabilidad y Autoorganización: Las redes neuronales biológicas tienen una notable capacidad de autoorganización y adaptación, permitiendo el aprendizaje y la recuperación de funciones después de daños.

Redes Neuronales Artificiales:

• Procesamiento Secuencial: Aunque las RNA pueden ser implementadas en hardware para procesamiento paralelo, muchas implementaciones prácticas operan de manera secuencial en sistemas digitales.
• Algoritmos de Optimización: Las RNA se entrenan utilizando algoritmos de optimización, como el descenso de gradiente, para ajustar las ponderaciones basándose en el error de predicción.
• Entrenamiento Supervisado: El aprendizaje en RNA suele ser supervisado, utilizando conjuntos de datos etiquetados para guiar el ajuste de los parámetros.

Capacidades y Limitaciones

Redes Neuronales Biológicas:

• Aprendizaje y Adaptación: Las redes biológicas son extremadamente flexibles, capaces de aprender y adaptarse a nuevas situaciones a lo largo de la vida.
• Memoria y Recuperación: El cerebro humano tiene una capacidad de memoria impresionante y puede recuperar información de manera eficiente.
• Percepción y Consciencia: Las redes biológicas no solo procesan información, sino que también son capaces de percepción consciente y toma de decisiones complejas.

Redes Neuronales Artificiales:

• Especialización: Las RNA son altamente especializadas en tareas específicas para las que han sido entrenadas, como reconocimiento de imágenes o procesamiento de lenguaje natural.
• Limitación de Datos: Requieren grandes volúmenes de datos etiquetados para entrenarse adecuadamente y pueden sufrir de sobreajuste o falta de generalización si los datos no son representativos.
• Interpretabilidad: Las RNA a menudo se consideran «cajas negras» debido a la dificultad para interpretar cómo llegan a sus conclusiones, lo que puede ser un obstáculo en aplicaciones críticas como la medicina.

Aplicaciones de las Redes Neuronales en el Ámbito Sanitario:

Las aplicaciones de las RNA en el ámbito sanitario son vastas y variadas, abarcando desde la imagen médica hasta la genética y la gestión de datos clínicos. Algunas de las aplicaciones más destacadas.

Diagnóstico por Imagen:

Uno de los campos donde más aplicaciones hay de las RNA es el diagnóstico por imagen. Las RNA, particularmente las redes neuronales convolucionales (CNN), han demostrado ser extremadamente eficaces en la detección de anomalías en imágenes médicas como radiografías, resonancias magnéticas y tomografías computarizadas. Por ejemplo, pueden identificar signos tempranos de cáncer de mama con una precisión comparable a la de los radiólogos experimentados³.

Genómica y Medicina Personalizada:

Al analizar grandes conjuntos de datos genómicos, las RNA pueden identificar patrones asociados con enfermedades específicas, facilitando el desarrollo de tratamientos personalizados. Un ejemplo es el uso de RNA para predecir la respuesta de los pacientes a diferentes medicamentos basándose en su genética⁴.

Procesamiento del Lenguaje Natural (NLP) en la Documentación Clínica:

El procesamiento del lenguaje natural, otra rama de la IA que se beneficia de las RNA, está mejorando la eficiencia de la documentación clínica y la extracción de información relevante de los registros médicos electrónicos (EMR). Los modelos basados en RNA, como BERT (Bidirectional Encoder Representations from Transformers), pueden analizar y comprender el texto médico no estructurado, permitiendo a los profesionales de la salud extraer información crucial rápidamente⁵.

Predicción de Resultados y Gestión de Pacientes:

Las RNA también se utilizan para predecir resultados clínicos y optimizar la gestión de pacientes. Por ejemplo, las redes neuronales recurrentes (RNN) y las redes de memoria a largo plazo (LSTM) son efectivas para predecir la progresión de enfermedades crónicas y la probabilidad de readmisión hospitalaria. Estos modelos analizan series temporales de datos clínicos, proporcionando predicciones precisas que pueden guiar la intervención temprana y mejorar la atención al paciente⁶.

Desafíos y Futuro de las Redes Neuronales en Salud:

A pesar de los avances significativos, el uso de RNA en el ámbito sanitario enfrenta varios desafíos. Uno de los principales problemas que tienen las RNA es la necesidad de grandes volúmenes de datos (Big Data). La calidad y la diversidad de estos datos son cruciales para evitar sesgos que puedan afectar negativamente a los resultados. A la Interpretabilidad de las RNA, muchas veces se les llama «cajas negras» debido a la dificultad para entender cómo llegan a sus conclusiones, lo que puede limitar su aceptación en entornos científico-clínicos.

La privacidad y la seguridad de los datos también son críticas, especialmente dado el carácter sensible de la información sanitaria. Es esencial desarrollar y adoptar métodos que protejan la confidencialidad de los datos mientras se aprovechan los beneficios de las RNA.

El futuro de las RNA en la salud es prometedor, con investigaciones en curso que buscan mejorar su eficiencia y aplicabilidad. Las RNA integradas con tecnologías emergentes como la computación cuántica y el Internet de las Cosas podrían abrir nuevas fronteras en la medicina personalizada y la gestión sanitaria.

CONCLUSIÓN

Las redes neuronales artificiales y biológicas, aunque comparten principios inspiradores, difieren fundamentalmente en su estructura, funcionamiento y capacidades. Las RNA son poderosas herramientas en el ámbito tecnológico y científico, especializadas en tareas específicas y entrenadas mediante algoritmos de optimización.

En contraste, las redes biológicas del cerebro humano son sistemas altamente adaptativos y flexibles, capaces de aprendizaje continuo, percepción consciente y toma de decisiones complejas. Ambas formas de redes neuronales ofrecen valiosas perspectivas y capacidades, cada una en su propio contexto y con sus propias limitaciones.

Las redes neuronales artificiales están transformando el sector sanitario al ofrecer herramientas avanzadas para el diagnóstico, la predicción y la gestión de la atención médica. Desde la mejora de la precisión diagnóstica en imágenes médicas hasta la personalización de tratamientos basados en datos genómicos, las RNA tienen el potencial de revolucionar la medicina moderna. No obstante, es crucial abordar los desafíos que todavía nos plantean. Aunque aún hace falta más investigación, las RNA van a tener un papel clave en el futuro.

BIBLIOGRAFÍA

1. Rivas P. Deep Learning for Beginners: A beginner’s guide to getting up and running with deep learning from scratch using Python. Birmingham, Inglaterra: Packt Publishing; 2020.
2. Mayo CS, Matuszak MM, Schipper MJ, Jolly S, Hayman JA, Ten Haken RK. Big data in designing clinical trials: Opportunities and challenges. Front Oncol [Internet]. 2017;7. Disponible en: http://dx.doi.org/10.3389/fonc.2017.00187
3. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an AI system for breast cancer screening. Nature [Internet]. 2020 [citado el 1 de junio de 2024];577(7788):89–94. Disponible en: https://www.nature.com/articles/s41586-019-1799-6
4. Angermueller C, Pärnamaa T, Parts L, Stegle O. Deep learning for computational biology. Mol Syst Biol [Internet]. 2016;12(7). Disponible en: http://dx.doi.org/10.15252/msb.20156651
5. Lee J, Yoon W, Kim S, Kim D, Kim S, So CH, et al. BioBERT: a pre-trained biomedical language representation model for biomedical text mining [Internet]. Disponible en: https://github.com/dmis-lab/
6. Choi E, Schuetz A, Stewart WF, Sun J. Using recurrent neural network models for early detection of heart failure onset. J Am Med Inform Assoc [Internet]. 2017;24(2):361–70. Disponible en: https://academic.oup.com/jamia/article/24/2/361/2631499