PRODUÇÃO DE ARTIGOS EM INTELIGÊNCIA ARTIFICIAL APLICADA A DIAGNÓSTICOS MÉDICOS

PRODUÇÃO DE ARTIGOS EM INTELIGÊNCIA ARTIFICIAL APLICADA A DIAGNÓSTICOS MÉDICOS David Luna Santos Universidade Paulista - UNIP Resumo: A medicina atual tem como grande meta a cura da doença, porém para isso é necessário que as etapas compreendidas desde os primeiros exames e diagnóstico até o final do tratamento sejam feitas da maneira mais rapida possível afim de evitar o avanço da doença e seus efeitos irreversíves, neste cenário é de grande ajuda a utilização de tecnologias que diminuam o tempo de análise de exames e possibilitem acelerar o diagnóstico tais como a inteligencia artificial. Objetivo: Realizar um levantamento da produção científica sobre aplicação de inteligencia artificial na elaboração de diagnósticos médicos com enfase em redes neuro-fuzzy. Método: Foram consultadas as bases de dados científicos da Sience Direct e

EBSCO utilizando o descritor Neural Fuzzy Diagnosis, para realizar a revisão foi

considerado o período de 2010 até o primeiro semestre de 2015. Resultados: Foram localizadas 360 publicações, após a aplicação do critério de inclusão, 14 foram selecionadas para o estudo, foi possível observar que 78,6% das publicações foi realizada pela EBSCO. 28,6% das publicações são aplicações em diagnóstico de Cancer e 28,6% são aplicações em diagnóstico de doenças cardíacas, 14,3% são aplicações em diagnóstico de doenças cerebrais, os

outros

35,7%

são

referentes

a

doenças

oftalmológicas,

infecto-contagiosas,

cardiovasculares, diabetes e Icterícia. Especificamente, 21,4% dos estudos são em Arritmia e 14,3% em Cancer de mama e 14,3% em Depressão. As revistas que mais publicaram são Neural Computing and Applications e Expert Systems com 28,6% e 14,3% das publicações respectivamente. Foi possível observar que o número de publicações sobre o tema dobrou a partir de 2013, passando de 2 para 4 publicações por ano tendo o mesmo resultado em 2014. Conclusões: Através da pesquisa realizada foi possível verificar que há pouco publicado sobre doenças como Tuberculose, Diabetes, Leucemia, Glaucoma, Cancer de ovário e Hipertensão, portanto faz-se necessária maior investigação, aprofundamento de conhecimento e publicação de estudos que investiguem de forma acentuada cada uma dessas vertentes. Somente a partir de sólido conhecimento pode-se desenvolver e implantar sistemas adequados de auxílio à elaboração de diagnósticos médicos.

Palavras-chave: Neuro-fuzzy. Diagnostico. ANFIS.

Background: The current medicine has as main goal to cure the disease, but this requires that the stages ranging from early examinations and diagnosis to end of treatment are done as quickly as possible in order to prevent the spread of the disease and its irreversible effects, this scenario is of great help the use of technologies that reduce the examination time analysis and enable speed diagnosis such as artificial intelligence. Objective: Conduct a survey of scientific literature on application of artificial intelligence in the development of medical diagnostics with emphasis on neuro-fuzzy networks. Method: scientific databases were consulted of Science Direct and EBSCO using the descriptor Neural Fuzzy Diagnosis to perform the review was considered the period of 2010 to the first half of 2015. Results: 360 publications were located, after applying the criteria inclusion, 14 were selected for the study, it was observed that 78.6% of the publications was conducted by EBSCO. 28.6% of the publications are applications in diagnosis of Cancer and 28.6% are applications in diagnosis of heart disease, 14.3% are applications in diagnosis of brain diseases, the other 35.7% are related to eye diseases, infectious contagious, cardiovascular, diabetes and jaundice. Specifically, 21.4% of the studies are in arrhythmia and 14.3% in Breast Cancer and 14.3% for depression. Journals that published most are Neural Computing and Applications and Expert Systems with 28.6% and 14.3% of publications respectively. It was observed that the number of publications on the subject has doubled from 2013, from 2 to 4 publications a year with the same result in 2014. Conclusions: Through the survey we found that there is little published about diseases like tuberculosis, diabetes, leukemia, Glaucoma, Ovarian Cancer and Hypertension, so it is necessary further investigation, deepening of knowledge and publishing studies investigating sharply each of these aspects. Only from solid knowledge can develop and deploy adequate support systems to the development of medical diagnostics.

Keywords: Neuro-fuzzy. Diagnosis. ANFIS.

1. Introdução O processo de tomada de decisão em diagnósticos médicos é complexo devido ao número de variáveis envolvidas tais como sintomas, resultados de exames, complexidade dos resultados e histórico do paciente. Para que o diagnóstico seja formulado com a maior acurácia possível é necessário que o responsável de saúde tenha um bom senso no gerenciamento das informações recebidas e que ainda haja conhecimento referente aos casos clássicos, em que os sintomas demonstrados são associados com as doenças respectivas. O termo diagnóstico refere-se ao processo analítico do qual um especialista utiliza para identificar uma patologia, afim de propor ações de contenção e eliminação, baseado em todos os dados levantados junto ao paciente. Com o advento do CAD (Computer Aided Detection) a acurácia na análise de exames e elaboração de diagnósticos teve um avanço significativo, conforme demonstrado por (Uǧuz 2012) e (Firmino et al. 2014). A utilização de grandes bancos de dados médicos e softwares com capacidade para filtrar estas informações tem se mostrado extremamente úteis no auxílio a geração de diagnósticos por terem condições de realizar análise em menor tempo do que seria necessário manualmente (Chattopadhyay 2014a). Muitos dados provenientes de exames não podem ser tratados de forma quantitativa, trata-se de dados qualitativos, não-lineares e incertos tais como eletrocardiograma (Petković & Ćojbašić 2012), encefalograma (Acharya et al. 2011), ultrassom Doppler (Ceylan et al. 2011), mamografia (Keleş 2013), ressonância magnética (Hung et al. 2011), nesses casos são necessárias técnicas de computação capazes de lidar com dados qualitativos. Com o surgimento da computação neural uma série de aplicações foram desenvolvidas, o que resultou no impacto em diversas áreas, tais como finanças, meteorologia, engenharia, otimização de processos, diagnósticos médicos, diagnósticos de falhas em sistemas mecânicos, controle de sistemas dinâmicos entre outros. Em sua revisão sobre publicações referentes a aplicação de computação neural, (MacIntyre 2013) mostra que apenas na revista Neural Computing & Applications houve um salto de 111 publicações em 2006 para 691 publicações em 2011. Mesmo com todo avanço da computação voltada a cálculos numéricos, a lacuna dos dados qualitativos e termos linguísticos teve seu grande desenvolvimento a partir da criação da lógica nebulosa, ou Lógica Fuzzy, que permite classificar incertezas utilizando-se de atribuição de valores a qualidades diversas, isto através de regras que são facilmente

manipuladas por humanos com conhecimento especializado nos termos qualitativos. A lógica Fuzzy tem sido largamente utilizada no desenvolvimento de sistemas classificadores tal como demonstrado por (Ingole & Kulat 2011) que utilizou a tecnologia para tratamento de imagens de ressonância magnética. (Mahmoodabadi et al. 2010) classificaram diferentes padrões de batimentos cardíacos afim de detectar arritmia. (Acharya et al. 2013) utilizaram esta tecnologia para detectar epilepsia através da classificação de sinais de batimentos cardíacos. Visando o aumento da capacidade de análise dos sistemas de auxílio à diagnósticos, foram desenvolvidos sistemas híbridos, que se utilizam de duas ou mais tecnologias trabalhando paralelamente ou em série, afim de melhorar os resultados no que diz respeito à precisão e também quanto à abrangência. (Son et al. 2012) desenvolveram um sistema híbrido baseado em arvores de decisão e de análise de regressão para diagnóstico de apendicite aguda. (Kavitha & Chellamuthu 2014) propuseram um sistema híbrido com redes neurais artificiais, método de detecção de bordas e regras de fusão afim de aumentar a acurácia na análise de diversos tipos de imagens de exames. As redes neuro-fuzzy tem sido utilizada por sua capacidade de analisar diferentes tipos de dados, sendo que enquanto a lógica fuzzy utiliza o conhecimento humano com linguagem explícita e tratamento qualitativo, as redes neurais artificiais utilizam dados numéricos com linguagem matemática e tratamento quantitativo. Diversas aplicações de análise de imagens foram desenvolvidas utilizando redes neuro-fuzzy, (Keleş 2013) desenvolveu uma série de regras para análise e classificação de imagens de mamografia para detectar o câncer de mama, (Fathi & Naghsh-Nilchi 2013) demonstram que diversos tipos de diagnósticos podem ser realizados através da análise de imagens de vasos sanguíneos da retina, (Laddi et al. 2013) desenvolveram um sistema não invasivo para detecção de Icterícia através da análise de imagem dos olhos. Redes neuro-fuzzy também tem sido utilizadas em análise e tratamento de sinais de Eletrocardiograma (ECG), (Benali et al. 2010) desenvolveram uma classificação de batimentos cardíacos para detecção e diagnóstico de Arritmia Cardíaca utilizando redes neuro-fuzzy, (Javadi 2013) aplicou a tecnologia para classificação de 7 diferentes tipos de arritmia. Diagnósticos que dependem de análises matemáticas e sistemas classificadores também têm sido apoiados por redes neuro-fuzzy, (Chattopadhyay 2014b) desenvolveu um sistema de diagnóstico de depressão para pessoas da terceira idade baseado em sete sintomas os quais foram atribuídos pesos para classificação, (Sethukkarasi et al. 2014; Übeyli 2010)

desenvolveram sistemas classificadores para diagnóstico de Diabetes baseado nos índices da composição sanguínea e as variações de produção de insulina pelo pâncreas, (Uçar et al. 2013) utilizaram redes neuro-fuzzy para detecção e diagnóstico de tuberculose. Grande parte dos sistemas de auxílio a diagnóstico são testados e validados utilizando bancos de dados médicos. Estes bancos dispõem de sintomas relatados, resultados de exames de imagem, eletrocardiogramas e composição sanguínea além de dados de doenças como diabetes, câncer entre outros. Dentre os bancos de dados mais utilizados estão o Pima Indian Diabetes (PID) (Übeyli 2010; Wang et al. 2014), Wisconsin Breast Cancer (WBC) (Sethukkarasi et al. 2014; Wang et al. 2014), Beth Israel Hospital (MIT-BIH) (Benali et al. 2010; Javadi 2013; Petković & Ćojbašić 2012) , Mammographic Mass (UCI) (Keleş 2013; Sethukkarasi et al. 2014), outros bancos utilizados são o Leukemia Microarray Data (Oentaryo et al. 2011) e Private Health Clinic Istanbul (Uçar et al. 2013).

2. Materiais e Métodos Foi realizada uma revisão na literatura em redes neuro-fuzzy aplicada a diagnósticos médicos. 2.1 Local e período do estudo Foram consultadas as bases EBSCO (Elthon B. Stepfen Co.) e Science Direct. Como descritor foi utilizado “Neural fuzzy” and “Diagnosis”. Para realizar a revisão foi considerado o período de 2010 até o primeiro semestre de 2015. 2.2 Critérios de inclusão e exclusão Foram inclusos todos os artigos referentes ao tema, publicados em periódicos internacionais sem distinção de idioma. Capítulo de livro, teses, dissertações, monografias, editoriais, resumo de congresso, palestras e duplicatas de artigos foram excluídos deste estudo. 2.3 Caracterização dos artigos Foram considerados para caracterização dos artigos: - Nome da revista e ano da publicação; - Número de artigos publicados; - Publicações por base de dados; - Publicações por revista;

- Classificação das doenças estudadas; - Impacto da publicação na comunidade científica; 2.4 Instrumento de coleta de dados Os dados foram organizados em planilha do Excell Microsoft Office e Mendeley Desktop. 2.5 Procedimento de coleta O pesquisador pesquisou em cada base de dados com o descritor “Neural fuzzy” and “Diagnosis”. O resultado de sua busca foi transferido em uma planilha do Excel do Microssoft Office específica para cada base de dados. Após este procedimento o pesquisador seguiu os seguintes passos: 1- manteve a planilha original de cada base de dados e nesta planilha constou título e links para download, 2- O pesquisador fez os downloads dos artigos e os separou em pastas por base de dados, 3- Importou os artigos em pdf para o programa Mendeley Desktop, 4- Utilizando o software Mendeley juntou todos os resultados e verificou os estudos repetidos, criou tags de “repetição” e salvou os repetidos na pasta excluidos por repetição, 5- Após a verificação dos artigos repetidos verificou se toda a sua busca atendia ao critério de inclusão, 6- Registrou no software Mendeley aqueles que não atendiam e o motivo da exclusão, 6- Aqueles que não atendiam aos critérios de inclusão foram marcados com a tag “Irrelevante”, 7- Após todos estes procedimentos organizou o resultado e extraiu os dados do estudo para a planilha final.

3. Resultados Foram localizadas 360 publicações na revisão sistemática realizada nas bases EBSCO e Science Direct. Destes artigos foram excluídos 346, devido a 2 serem duplicados, 109 não serem de diagnósticos de sistemas mecânicos e elétricos, 141 serem trabalhos de análise comparativa sem aplicação direta de redes neuro-fuzzy e 94 não atenderem ao tema. Foram selecionados para análise final 14 artigos. Os 14 artigos estudados foram divididos de acordo com a base de dados em que foram indexados (Figura 1), após a realização desta divisão eles foram agrupados conforme a quantidade de publicações por revista (Figura 2). O tipo de doença estudada e as doenças específicas estudadas também foram levantados e estão compilados conforme mostra a Figura 3 e 4 respectivamente.

Na Figura 1, pode-se se observar que a base de dados que mais publicou artigos sobre o tema foi a EBSCO (78,6%), sendo que a Science Direct publicou (21,4%).

FIGURA 1 – Publicações por Base de Dados. São Paulo, 2015.

Na Figura 2 é possível observar que a revista que mais publicou sobre o tema foi a Neural Computing and Applications com 28,6% das publicações, seguida pela Expert Systems com 14,3%, as demais revistas tiveram o mesmo numero de publicações, oque representa os 57,1% restantes.

FIGURA 2 – Publicações por revista. São Paulo, 2015.

A Figura 3 mostra que o número de publicações por tipo de doença é o mesmo para Cancer quanto para Doenças Cardíacas, ambos com 28,6% das publicações.

FIGURA 3 – Publicações por tipo de Doença. São Paulo, 2015.

Na Figura 4 é possível observar que a Arritmia foi a doença mais estudada, com 21,4% das publicações, seguida de Depressão e Cancer de Mama com 14,3% cada uma respectivamente.

FIGURA 4 – Publicações por doenças específicas. São Paulo, 2015.

A Figura 5 mostra que a partir de 2013 o número de publicações dobrou, passando de duas publicações por ano para quatro. Sendo que 2013 e 2014 tem 28,6% das publicações nos ultimos 5 anos respectivamente.

FIGURA 5 – Publicações por ano. São Paulo, 2015.

A Figura 6 mostras as tecnologias que foram relacionadas nos estudos publicados, dentre elas a que mais se destacou foi Adaptative Neuro Fuzzy Inference System (ANFIS), com 42,9% das citações e utilização nos estudos.

FIGURA 6 – Tecnologias relacionadas. São Paulo, 2015.

A Figura 7 mostra a qualidade dos artigos mencionados neste estudo, utilizando como base o Sistema WebQualis. Dentre os 14 artigos mencionados, 9 (64%) possuem avaliação disponível. 42,9% dos artigos avaliados tiveram nota B2 em Ciencias da Computação, 35,7% tiveram nota A2 no quesito Interdisciplinar e 35,7% tiveram nota B4 em Biotecnologia.

FIGURA 7 – Qualificação de Artigos por área de estudo. São Paulo, 2015.

4. Discussão Este artigo teve como objetivo realizar uma levantamento da produção científica em inteligencia artificial aplicada a diagnósticos com enfase em redes neuro-fuzzy. Para tanto, seguiu-se uma metodologia de revisão com restrição de período. É notório que o número de publicações específicas em redes neuro-fuzzy aplicado a diagnósticos é pouco expressiva se comparado com o volume de trabalhos em inteligencia artificial aplicado a diagnósticos. Através da pesquisa realizada foi possível verificar que há pouco publicado sobre doenças como Tuberculose, Diabetes, Leucemia, Glaucoma, Cancer de ovário e Hipertensão, portanto faz-se necessária maior investigação, aprofundamento de conhecimento e publicação de estudos que investiguem de forma acentuada cada uma dessas vertentes. Somente a partir de sólido conhecimento pode-se desenvolver e implantar sistemas adequados de auxílio à elaboração de diagnósticos médicos.

Referências

Acharya, U.R. et al., 2013. Automated Diagnosis of Epilepsy Using Cwt, Hos and Texture Parameters. International Journal of Neural Systems, 23(03), p.1350009. Available at: http://www.worldscientific.com/doi/abs/10.1142/S0129065713500093. Acharya, U.R., Sree, S.V. & Suri, J.S., 2011. Automatic Detection of Epileptic Eeg Signals Using Higher Order Cumulant Features. International Journal of Neural Systems, 21(05), pp.403–414. Benali, R., Dib, N. & Reguig Bereksi, F., 2010. Cardiac Arrhythmia Diagnosis Using a Neuro-Fuzzy Approach. Journal of Mechanics in Medicine and Biology, 10(03), pp.417– 429. Ceylan, R. et al., 2011. Fuzzy clustering complex-valued neural network to diagnose cirrhosis disease. Expert Systems with Applications, 38(8), pp.9744–9751. Available at: http://dx.doi.org/10.1016/j.eswa.2011.02.025. Chattopadhyay, S., 2014a. A neuro-fuzzy approach for the diagnosis of depression. Applied Computing and Informatics. Available at: http://www.sciencedirect.com/science/article/pii/S2210832714000027. Chattopadhyay, S., 2014b. Neurofuzzy models to automate the grading of old-age depression. Expert Systems, 31(1), pp.48–55. Fathi, A. & Naghsh-Nilchi, A.R., 2013. Integrating adaptive neuro-fuzzy inference system and local binary pattern operator for robust retinal blood vessels segmentation. Neural Computing and Applications, 22(SUPPL.1), pp.163–174. Firmino, M. et al., 2014. Computer-aided detection system for lung cancer in computed tomography scans : Review and future prospects. BioMedical Engineering OnLine, pp.1– 16. Hung, W.L., Chen, D.H. & Yang, M.S., 2011. Suppressed fuzzy-soft learning vector quantization for MRI segmentation. Artificial Intelligence in Medicine, 52(1), pp.33–43. Available at: http://dx.doi.org/10.1016/j.artmed.2011.01.004. Ingole, P. & Kulat, K., 2011. Morphological Segmentation Based Fuzzy Features for Retrieval of Brain MRI. IETE Journal of Research, 57(4), p.331. Javadi, M., 2013. Combining neural networks and ANFIS classifiers for supervised examining of electrocardiogram beats. Journal of medical engineering & technology, 37(8), pp.484–97. Available at: http://www.scopus.com/inward/record.url?eid=2-s2.084887011737&partnerID=tZOtx3y1. Kavitha, C.T. & Chellamuthu, C., 2014. Medical image fusion based on hybrid intelligence. Applied Soft Computing, 20, pp.83–94. Available at: http://dx.doi.org/10.1016/j.asoc.2013.10.034.

Keleş, A., 2013. Extracting Fuzzy Rules for Diagnosis of Breast Cancer. Turkish Journal of Electrical Engineering & Computer Sciences, pp.1495–1503. Available at: http://online.journals.tubitak.gov.tr/openDoiPdf.htm?mKodu=elk-1012-938. Laddi, A. et al., 2013. Non-invasive jaundice detection using machine vision. IETE Journal of Research, 59(5), p.591. Available at: http://www.jr.ietejournals.org/text.asp?2013/59/5/591/123765. MacIntyre, J., 2013. Applications of neural computing in the twenty-first century and 21 years of Neural Computing & Applications. Neural Computing and Applications, 23(3-4), pp.657–665. Mahmoodabadi, S.Z. et al., 2010. A fast expert system for electrocardiogram arrhythmia detection. Expert Systems, 27(3), pp.180–200. Oentaryo, R.J., Pasquier, M. & Quek, C., 2011. RFCMAC: A novel reduced localized neurofuzzy system approach to knowledge extraction. Expert Systems with Applications, 38(10), pp.12066–12084. Available at: http://dx.doi.org/10.1016/j.eswa.2011.02.058. Petković, D. & Ćojbašić, Ž., 2012. Adaptive neuro-fuzzy estimation of autonomic nervous system parameters effect on heart rate variability. Neural Computing and Applications, 21(8), pp.2065–2070. Sethukkarasi, R. et al., 2014. An intelligent neuro fuzzy temporal knowledge representation model for mining temporal patterns. Journal of Intelligent & Fuzzy Systems, 26, pp.1167–1178. Son, C.S. et al., 2012. A hybrid decision support model to discover informative knowledge in diagnosing acute appendicitis. BMC Medical Informatics and Decision Making, 12(1), p.17. Übeyli, E.D., 2010. Automatic diagnosis of diabetes using adaptive neuro-fuzzy inference systems. Expert Systems, 27(4), pp.259–266. Uçar, T., Karahoca, A. & Karahoca, D., 2013. Tuberculosis disease diagnosis by using adaptive neuro fuzzy inference system and rough sets. Neural Computing and Applications, 23(2), pp.471–483. Uǧuz, H., 2012. Adaptive neuro-fuzzy inference system for diagnosis of the heart valve diseases using wavelet transform with entropy. Neural Computing and Applications, 21(7), pp.1617–1628. Wang, D., Quek, C. & See Ng, G., 2014. Ovarian cancer diagnosis using a hybrid intelligent system with simple yet convincing rules. Applied Soft Computing, 20, pp.25–39. Available at: http://www.sciencedirect.com/science/article/pii/S1568494613004493.