Universidad de Valladolid E. T. S. I. Informática Departamento de Informática Desarrollo de un Sistema Experto Simbólico Conexionista de Ayuda al Diagnóstico del Glaucoma Tesis doctoral María Aránzazu Simón Hurtado Director: Dr. D. Luis Alonso Romero
Introducción Planteamiento del problema Definición de glaucoma Importancia: Frecuencia Enfermedad asintomática Necesidad de realizar un diagnóstico precoz. Análisis del campo visual: exploración fundamental. Integración de todas las exploraciones por un oftalmólogo experto. Su experiencia adquirida es el mejor método para el diagnóstico. 2
Introducción Objetivo Conseguir un sistema de ayuda al diagnóstico precoz del Glaucoma Crónico Simple, que sea capaz de recoger y manejar la experiencia del experto y alcanzar unos resultados lo más cercanos a éste posibles. 3
Introducción Fases de desarrollo 1. Prototipo programado en M1 2. Sistema Experto GLAUCOM-EASY 3. Sistema Híbrido de Ayuda al Diagnóstico del Glaucoma (SHADG) 4
Antecedentes. Estado del Arte Diagnóstico del glaucoma Lesión anatómica del nervio óptico Lesión funcional del campo visual (CV) Aumento de la presión intraocular (PIO) Número de individuos (frecuencia) Normal 21 Patológica PIO (mmhg) 5
Antecedentes. Estado del Arte Interpretación del campo visual Perimetría computerizada Índices: MS, MD, LV, SF,... Métodos estadísticos Nuevos índices Análisis de agrupamientos Análisis discriminante con regresión logística Distribución del CV en zonas Sistemas Expertos (Krakau [1987], el SE OCTOSMART de Hirsbrunner, Bebie [1990], Martin [1993] ) Redes neuronales Artificiales (Goldbaum [1994], Reyes [1998]) 6
Antecedentes. Estado del Arte Diagnóstico global del glaucoma Sistemas basados en reglas de producción Paycha [1986] CLERTORE de Rouleau [1991] Martin [1996] Sistemas híbridos borrosos Zahlmann [2000] 7
Sistemas Expertos: primeras versiones Prototipo programado en M1 Adquisición del conocimiento Bibliografía Entrevistas Técnicas observacionales Análisis de protocolo Casos de estudio 8
PIO 20 E/P 0 0.1-0.3 0.4-0.5 0.6-0.7 0.8-0.9 1 CV NORMAL NORMAL NORMAL DUDOSO PATOLÓGICO INCIPIENTE PATOLÓGICO AVANZADO SI FACT. RIESGO NO FACT. RIESGO SI FACT. RIESGO NO GLAUCOMA NO GLAUCOMA CURVA TENSIONAL CURVA TENSIONAL PIOM 21 O 6 PIOM 21 O 5 PIOM 22 O 5 PIOM 21 O 6 PIOM 21 O 5 PIOM 22 O 6 NO GLAUCOMA (RIESGO GTN) NO GLAUCOMA HTO GTN GLAUCOMA PIOM (22,24) O 6 PIOM (25,29) O 6 PIOM 30 O 6 HTO 9
Sistemas Expertos: primeras versiones Prototipo programado en M1 Perspectivas de desarrollo: 1. Seguimiento del paciente 2. Mejora de la interfaz 3. Diagnóstico diferencial del glaucoma 4. Clasificación automática del CV 10
Sistemas Expertos: primeras versiones SE GLAUCOM-EASY Patrocinado por el proyecto PETRI (Marca Registrada GLAUCOM-EASY, nº 1761499, BOE 1/7/93) Abordar líneas de desarrollo abiertas con M1 Programado en C FACTORES RIESGO PIO E/P FACTORES DE LA PAPILA CV (Decisión humana) SISTEMA EXPERTO: GLAUCOM-EASY DIAGNÓSTICO 11
Sistemas Expertos: primeras versiones SE GLAUCOM-EASY Diseño arquitectónico Ayuda Informes.. Interfaz usuario Validación datos diagnóstico Gestor históricos Sistema Experto Histórico 12
Sistemas Expertos: primeras versiones SE GLAUCOM-EASY Reglas instantáneas si PIO_derecha >= 30 o PIO_izquierda >= 30 entonces diagnóstico=muy alto riesgo. Conviene instaurar un tratamiento o enviarlo al especialista en glaucoma fin si Reglas progresivas si (diagnóstico_anterior es Bajo riesgo. Puede volver al año si lo desea. y PIO_derecha >= 21 y PIO derecha <= 24 y campo_visual_derecho dudoso) o (diagnóstico_anterior es Bajo riesgo. Puede volver al año si lo desea. y PIO_izquierda >= 21 y PIO_izquierda <= 24 y campo_visual_izquierdo dudoso) entonces diagnóstico=presión dudosa. Tomarla de nuevo en un plazo de 7 días, preferiblemente por la mañana. fin si 13
Sistemas Expertos: primeras versiones SE GLAUCOM-EASY Validación del SE (IOBA - 1995) Se incluyeron en el estudio 100 pacientes con edad igual o superior a 40 años: Grupo 1: diagnosticados de glaucoma (55). Grupo 2: sin patología oftalmológica o con patología distinta de glaucoma (45). Resultados: sensibilidad 96% especificidad 77% valor predictivo positivo 84% valor predictivo negativo 94% 14
Sistemas Expertos: primeras versiones SE GLAUCOM-EASY Mejoras pendientes: 1. Clasificación automática del CV 2. Manejar conocimiento impreciso FACTORES RIESGO PIO E/P FACTORES DE LA PAPILA CV (Decisión humana) SISTEMA EXPERTO: GLAUCOM-EASY DIAGNÓSTICO FACTORES RIESGO PIO E/P FACTORES DE LA PAPILA CLASIFICACIÓN AUTOMÁTICA CV SISTEMA EXPERTO BORROSO DIAGNÓSTICO 15
Análisis del campo visual Objetivos Obtener un buen clasificador de CV que diferencie entre glaucoma y no glaucoma. Conseguir un clasificador que nos permita distinguir las cinco clases de los datos. 16
Análisis del campo visual Descripción de los datos Procedencia de los datos: Hospital Clínico Universitario de Valladolid (España). Campos visuales en estadios incipientes. Muestra de entrenamiento Muestra de prueba Glaucoma 96 20 Normales 37 9 Cataratas 22 7 Diabetes 12 7 HTA 13 5 TOTAL 180 48 17
Análisis del campo visual Distribución del campo en zonas Datos utilizados: Defectos de sensibilidad (en decibelios) de los 59 puntos que proporciona el campímetro Octopus Defecto medio (MD) Varianza de la pérdida (LV) 2 3 Se divide el campo visual en 7 zonas y se calcula: la media de los defectos de sensibilidad de cada zona la desviación estándar vectores de 7, 8 ó 9 parámetros vectores de 14, 15 ó 16 parámetros 1 6 5 7 4 18
Análisis del campo visual Técnicas de clasificación Redes Neuronales Artificiales Mapas autoorganizados de Kohonen (SOM) 19
Análisis del campo visual SOM. Comparación La reducción de dimensionalidad en los vectores de entrada según las 7 zonas ha mejorado los resultados. Comparación de experimentos SOM Precisión Diagnóstica (%) 100 90 80 70 60 50 40 30 20 10 0 2 categ. 3 categ. 5 categ. Experimento 59 puntos 7 zonas 20
Sistema híbrido de ayuda al diagnóstico del glaucoma (SHADG) Sistema de diagnóstico final que reúne los dos enfoques de la IA: simbólico, al implementar un sistema basado en reglas de producción, conexionista, al utilizar el método de clasificación del CV mediante SOM. Objetivo: Sistema que logre una buena concordancia con el experto, integrando todas las exploraciones utilizadas habitualmente en el diagnóstico del GCS. 21
SHADG Sistemas de Inferencia Borrosa (SIB) Un SIB está constituido por: La base de conjuntos borrosos, con sus funciones de pertenencia. Las reglas que combinan los conjuntos borrosos. La composición borrosa de las reglas. El aclarado del conjunto borroso. Lenguaje de desarrollo: FuzzyCLIPS 22
SHADG Conjuntos borrosos y funciones de pertenencia PIO Normal Dudosa Límite Más límite Patológica 1 S(x; 19, 21.5, 24) (x; 5, 24) (x; 2, 26.5) (x; 2, 28) S(x; 27, 28.5, 30) 1 0.8 0.6 0.4 0.2 0 18 20 22 24 26 28 30 32 34 PIO (mmhg) µ µ Normal Dudosa Límite Más límite Patológica 23
SHADG Diseño arquitectónico Ayuda Validación datos.. Interfaz usuario diagnóstico Gestor históricos Sistema Experto Borroso Histórico Clasificador CV 24
SHADG Diseño arquitectónico Grafos de decisión: los del SE GLAUCOM-EASY Reglas instantáneas si PIO_derecha patológica o PIO_izquierda patológica entonces diagnóstico=muy alto riesgo. Conviene instaurar un tratamiento o enviarlo al especialista en glaucoma fin si Reglas progresivas si (diagnóstico_anterior es Bajo riesgo. Puede volver al año si lo desea. y PIO_derecha dudosa y campo_visual_derecho dudoso) entonces diagnóstico=presión dudosa. Tomarla de nuevo en un plazo de 7 días, preferiblemente por la mañana. fin si 25
SHADG Clasificador del CV Diseño arquitectónico Defectos 59 puntos CV Medias defectos 7 zonas CV y Defecto Medio Sistema Experto CV Mapa SOM Reglas de integración CV Normal, Dudoso o Patológico 26
SHADG SE para el diagnóstico del CV Método cuantitativo para valorar el CV Datos de entrada al SE: 59 puntos del CV Importancia de las zonas Nasal superior e inferior Paracentral superior e inferior Temporal superior e inferior Central ZONA NASAL ZONA PARACENTRAL SUPERIOR ZONA CENTRAL ZONA PARACENTRAL INFERIOR ZONA TEMPORAL SUPERIOR ZONA TEMPORAL INFERIOR El SE busca agrupamientos arciformes alrededor del centro del CV Se ha tenido en cuenta la distribución de los defectos y no su profundidad Clasifica en glaucoma, no glaucoma o dudoso 27
SHADG Elección y modificación del mapa SOM Elegimos el mejor mapa SOM que clasifica en dos categorías: glaucoma y no glaucoma Topología 1 2 Variables S (%) E (%) PD (%) 8x3 0.03 0.01 7 zonas y MD 95 93 94 Topología del mapa SOM elegido Modificación de etiquetas para clasificar campos dudosos 28
SHADG Validación del diagnóstico Resultados (concordancia respecto al experto) Zahlmann [2000] Grupo 1 (53 casos) Grupo 2 (53 casos) Total (106 casos) PD 85% 94% 90% S (%) E (%) Clínica oftalmológica 98% 100% Oftalmólogos particulares 82% 67% En algunos casos el sistema obligaría, de seguir su consejo, a revisar al paciente con más frecuencia que siguiendo el consejo del experto. Detecta antes los casos patológicos y, por tanto, en esos casos se puede poner antes un tratamiento que pueda frenar deterioros sucesivos en el campo visual. 29
Conclusiones El sistema diseñado logra recoger y manejar conocimiento y experiencia del experto en el rastreo del glaucoma y diagnóstico precoz. Consigue integrar todos los datos de una consulta. Mediante la interacción entre RNA y sistemas borrosos, conseguimos manejar información imprecisa, y que el sistema tenga la flexibilidad, velocidad y adaptabilidad de una red neuronal. Combinar las predicciones de varios clasificadores es un modo eficaz de crear clasificadores más precisos. 30
Conclusiones Como conclusiones finales se puede destacar que: Sistema de ayuda al diagnóstico precoz del glaucoma que recoge y maneja conocimiento y experiencia del experto concordancia con el experto del 90% logra detectar antes los casos patológicos Con la mezcla de clasificadores de distinta naturaleza logramos mejorar la precisión de los resultados de cada uno por separado. Las redes neuronales artificiales y en particular los mapas autoorganizados son una herramienta adecuada para clasificar campos visuales en oftalmología. 31