Consultoria

Revista Informédica, 1(6), 13, 1994

Modelo de um neuronio artificial

Num dos modelos mais simples de redes neurais artificiais, os neurodos (elementos de processamento) recebem influências (entradas) vindas do exterior, ou de outros elementos da rede. Cada entrada corresponde a um valor numérico variável, normalmente limitado entre -1 e +1. Cada conexão, por sua vez, equivalente à sinapse biológica, tem um valor numérico fixo, que pode ser negativo, zero ou positivo. O neurodo efetua a seguinte operação computacional: cada entrada é multiplicada pelo peso da sinapse correspondente, e todos os valores ponderados assim obtidos são somados algebricamente. Caso o valor resultante exceda um limiar, o neurodo produz um valor de saída (novamente, um número entre -1 e +1), que é então enviado a todos os neurodos aos quais ele está conectado).

Arquitetura de um perceptron de tres camadas

Existem diversas maneiras de se organizar uma rede (a topografia da rede neural). O perceptron multicamadas é um dos mais utilizados atualmente. Nele, os neurodos são organizados em camadas, em imitação ao que acontece nos sistemas sensoriais. Uma primeira camada recebe valores de entrada. Em um exemplo médico típico, esses valores poderiam corresponder a presença (1) e ausência de sintomas, intensidade de sinais (0, 1, 2, 3), medidas fisiológicas (por exemplo, glicemia, pressão arterial sistólica, etc.). O conjunto de sinais de entrada forma um padrão específico para um determinado caso ou paciente, por exemplo. O resultado do cômputo efetuado pelos neurodos de entrada é enviado aos neurodos de uma ou mais camadas intermediárias (também chamadas de camadas associativas), os quais, por sua vez, enviam seus sinais para os neurodos da camada de saída. Em nosso exemplo médico, esses neurodos poderiam corresponder, cada um, a distintos diagnósticos ou prognósticos; ou seja, à classificação desejada dos padrões de entrada.

No processo de aprendizado, os pesos sinápticos não ficam fixos, ou seja, eles são alterados gradativamente por alguma técnica matemática, de modo que ocorra uma classificação cada vez mais correta dos padrões de entrada (em outras palavras, sucessivos exemplos de padrões de entrada são apresentados à camada de entrada, e a rede se auto-ajusta de modo a otimizar a classificação dos mesmos). Existem dois modos de obter esse aprendizado:

• No aprendizado supervisionado, os exemplos fornecidos à rede já tem uma classificação conhecida de antemão (por exemplo, podemos selecionar n casos de pacientes cujos sinais, sintomas e medidas, bem como o resultado diagnóstico ou prognóstico já são determinados). Isso equivale a um aprendizado com um professor;
• No aprendizado não supervisionado, os resultados da classificação não são conhecidos, e a rede efetua uma separação automática entre os padrões, de modo a produzir grupos o mais homogêneos possíveis.

Atualmente, a maioria das redes neurais artificiais é implementada na forma de um software, em computadores seqüenciais ou paralelos. Assim, a sua estrutura inerentemente hiper-paralela é imitada através de técnicas matemáticas, nas quais o conjunto de pesos sinápticos é armazenado em uma matriz multidimensional, e os neurodos são abstraídos na forma de equações matemáticas, simuladas numericamente no computador. Já existem, entretanto, circuitos integrados (chamados de neurochips), que implementam eletronicamente os neurodos e suas redes, em qualque configuração arbitrária.

Existem muitas aplicações para as redes neurais na Medicina. Além da aplicação na decisão médica (diagnóstico, prognóstico e terapia), como vimos no exemplo acima, elas podem ser utilizadas para reconhecimento de padrões em aplicações de sinais biológicos (ECG, EEG, etc.) e imagens médicas (tomografias, cintilografias, ecografias, etc.). Outra aplicação interessante consiste em utilizar redes neurais para controlar biopróteses neuromusculares ou órgãos artificiais; ou, ainda, para descobrir automaticamente relações significativas entre bancos de dados. A literatura registra mais de 800 trabalhos já publicados internacionalmente sobre o assunto. Se você quiser mais dados sobre esta área de aplicação, o Núcleo de Informática Biomédica da UNICAMP publicou uma bibliografia completa sobre o assunto.