defini ç ão de vari á veis em redes neurais artificiais por an á lise de componentes principais:...

Download Defini ç ão de Vari á veis em Redes Neurais Artificiais por An á lise de Componentes Principais: Aplica ç ão em Transplante Renal Antonio Fernando. C

Post on 17-Apr-2015

104 views

Category:

Documents

2 download

Embed Size (px)

TRANSCRIPT

  • Slide 1
  • Defini o de Vari veis em Redes Neurais Artificiais por An lise de Componentes Principais: Aplica o em Transplante Renal Antonio Fernando. C. Infantosi Renan Moritz. V. R. Almeida Joo Carlos G. D. Costa Programa de Engenharia Biomdica, COPPE, Universidade Federal do Rio de Janeiro (UFRJ) Carlos A. L. vila Jos H. Rocco Suassuna Faculdade de Medicina Universidade Estadual do Rio de Janeiro (UERJ)
  • Slide 2
  • Estrutura da Apresentao Introduo Objetivo Redes Neurais Artificiais Anlise de Componentes Principais Base de Dados de Transplantados Renais Variveis de Entrada da RNA Varivel de Sada da RNA Caractersticas das Variveis Caractersticas da RNA Comparao Entre Estimativas dos Modelos RNA Autovetores e Autovalores mais representativos Simulaes para Treinamento da RNA Resultados Discusso Concluso Referncias
  • Slide 3
  • Introduo Redes Neurais Artificiais (RNA) tm sido cada vez mais empregadas na prtica mdica, porm ainda sem aceitao universal; Trabalhos tm mostrado a viabilidade das RNA no auxlio ao diagnstico, at mesmo com vantagens sobre Regresso Logstica (RL);
  • Slide 4
  • Introduo Em transplantes renais (TXR), as RNA tm sido usadas em aplicaes tais como: a)Predio de funcionamento do enxerto; b)Diagnstico de rejeio; c)Seleo de variveis para previso de rejeio crnica; d)Predio de citomegalovirose; e)Dosagem de imunossupressores;
  • Slide 5
  • Introduo A existncia de colinearidade entre variveis de entrada de uma RNA implica: Aumento desnecessrio da complexidade; Pouco acrscimo de informao.
  • Slide 6
  • Objetivo Utilizar a Anlise de Componentes Principais na reduo da dimensionalidade do vetor de entrada de uma RNA para predio de sobrevida de enxerto renal.
  • Slide 7
  • Redes Neurais Artificiais Redes Neurais Artificiais so modelos que simulam o comportamento neuronal humano; As RNA tm sido apontadas como alternativas s tcnicas de predio tradicionais: a)Deteco de relaes complexas entre as variveis; b)Robustez quanto perda de informaes; c)Adaptabilidade; d)Processamento paralelo (rapidez); e)Mapeamento caixa-preta; f)Mapeamento atravs de funes no lineares
  • Slide 8
  • Anlise de Componentes Principais A ACP uma tcnica de anlise multivariada linear para diminuio da quantidade de variveis (usualmente preditoras em um modelo), sem perda considervel de informao; As novas variveis de entrada do modelo so compostas da multiplicao matricial entre as variveis originais e os autovetores da matriz de variveis;
  • Slide 9
  • Base de Dados de Transplantados Renais a)109 pacientes com dados completos (doadores vivos); b)Definio de trs conjuntos de dados (Haykin, 2002) : 1.Treinamento da RNA: 60 pacientes; 2.Validao da RNA: 17 pacientes; 3.Teste da RNA: 32 pacientes;
  • Slide 10
  • Variveis de Entrada da RNA 1)Idade Receptor (co) ; 2)Idade Doador (co) 3)Diferena Idade Doador/Receptor (co) ; 4)Status Diferena Idade (d) ; 5)Sexo Receptor (d) ; 6)Sexo Doador (d) ; 7)Raa Receptor (d) ; 8)Raa Doador (d) ; 9)Transplantes Prvios (co) ; 10)Tempo de Dilise (co) ; 11)Tipo de Dilise (d) ; 12)Ocorrncia de Rejeio (d) ; 13)Mismatch HLA (c) ; 14)Esquema Imunossupressor (d) ; 15)Transfuses Sangneas (co) ; co: contnua c : categrica d : dicotmica
  • Slide 11
  • Varivel de Sada da RNA Pacientes com sobrevida maior ou igual a 60 meses foram considerados como tendo escore igual a 1; 1)Sobrevida do enxerto em meses
  • Slide 12
  • Caractersticas da Variveis O status das variveis dicotmicas e categrica contribuintes para o sucesso do TXR foram definidas com o maior escore, p.ex.: Todas as variveis foram escaladas para situarem-se dentro da faixa de operao dos neurnios artificiais [0,1-0,9] (Andrea e Kalayeh, 1991); Sexo Doador: masculino = 1; Mismatch HLA: Doador Idntico = 3; Ocorrncia de Rejeio = 0
  • Slide 13
  • Caractersticas da RNA Duas RNA com arquiteturas diferentes foram utilizadas: a) com as 15 entradas originais e b) com o nmero de entradas reduzido aps a aplicao de ACP; Estrutura: Feedfoward, totalmente conectada; Apresentao de exemplos em lote; Neurnios artificiais com funo log- sigmoidal; Quantidade de neurnios na camada oculta conforme Andrea e Kalayeh (1991).
  • Slide 14
  • Caractersticas da RNA Algoritmo de Aprendizagem: Algoritmo de retropropagao do erro; Tcnica de otimizao por gradiente descendente; Taxa de aprendizagem e constante de momento segundo Sheppard et al. (1999); Funo custo ou objetivo: Mean Square Error (mse).
  • Slide 15
  • Autovetores ( i ) e Autovalores ( ) mais representativos. Percentual de informao de cada autovetor.
  • Slide 16
  • Comparao Entre Estimativas dos Modelos RNA Foram feitas 15 sesses de treinamento para cada uma das RNA com pesos iniciais aleatrios com FDP uniforme; O treinamento interrompido aps 5000 pocas ou mse igual a 0,01; RNA 15x8x1 (sem ACP)RNA 6x3x1 (com ACP)
  • Slide 17
  • Sesses de Treinamento da RNA Sesso Sem ACPCom ACP 1 0,11 0,10 2 0,12 0,09 3 0,12 0,09 4 0,11 0,10 5 0,13 0,10 6 0,14 0,10 7 0,10 0,10 8 0,09 0,10 9 0,13 0,10 10 0,11 0,10 11 0,13 0,11 12 0,14 0,10 13 0,11 0,10 14 0,11 0,10 15 0,12 0,09 MSE mnimo alcanado aps 5000 pocas no treinamento da RNA.
  • Slide 18
  • Resultados Mdia e mediana do conjunto das 15 sesses de treinamento aps a aplicao de ACP foram significativamente menores do que no conjunto utilizando as variveis originais (p=0,001, Teste de Postos com Sinais de Wilcoxon ).
  • Slide 19
  • Discusso Mesmo utilizando os oito maiores autovalores (representando mais do que 90% da informao), a aplicao de ACP ainda resultou em melhor convergncia (p=0,002); As variveis previamente selecionadas possuem redundncia, evidenciada aps a aplicao de ACP (diminuio em quase 2/3 das variveis originais);
  • Slide 20
  • Discusso Como sugerido por Haykin (2002), a descorrelao das variveis de entrada no conjunto de estimao possibilitou melhoria na convergncia, com ganho de simplicidade para o modelo;
  • Slide 21
  • Concluso A aplicao de ACP nas variveis de entrada originais resultou em seis novas variveis que, ao serem aplicadas entrada da RNA, melhoraram a convergncia e o desempenho do treinamento da RNA para o conjunto de dados em estudo.
  • Slide 22
  • Referncias [1] Sheppard, D., McPhee, D., Darkr, C., Shrethra, B., Moore, R., Jurewitz, A., Gray, A., (1999), Predicting Citomegalovirus Disease After Renal Transplantation: An Artificial Network Approach, Int J Med Inf, v. 54, n. 1, p. 55-76. [2] Andrea, T.A., Kalayeh, H., (1991), Applications of Neural Networks in Quantitative Structure-Activity Relationships of Dihydrofolate Reductase Inhibitors, J Med Chem, v. 34, n. 9, p. 2824-2836.
  • Slide 23
  • Referncias [3] Haykin, S., (2002), Redes Neurais Princpios e Prtica, 2 Edio, Porto Alegre, Bookman.

Recommended

View more >