Artigos

A rede neural artificial como uma técnica operacional para a detecção de lesão na musculatura estriada esquelética:

12/mai/2012

Resumo

 

Um dos métodos mais abrangentes para a diagnose da existência de lesões musculares foi proposto por Cosendey (1997). Contudo, seu emprego exige um intenso treinamento e grande experiência por parte do avaliador. O objetivo deste trabalho foi verificar se era possível criar uma rede neural artificial (RNA), capaz de diagnosticar automaticamente lesões na musculatura estriada esquelética a partir de 43 das diversas análises empregadas no método de Cosendey. Com auxílio do “software” Neuralyst, versão 1.4, foi construída uma RNA de retropropagação, utilizando-se como alvos para a fase de “aprendizagem” da rede 200 diagnósticos aleatoriamente selecionados nos arquivos do Laboratório de Bioquímica do Esporte, no Rio de Janeiro. Assim foi possível estabelecer uma RNA estruturada em quatro camadas e contendo, respectivamente, 43,

 

1, 1 e 1 neurônios em cada uma. A taxa de aprendizagem da rede foi de 0,5; o momentum 0,9; o erro 0,003067; a tolerância de treinamento 0,005; a tolerância de teste 0,035; 10 “epochs per update” e um total de 3500 épocas. Cem outros diagnósticos selecionados também randomicamente no mesmo arquivo foram utilizados para validar a RNA, que apresentou uma proporção de acertos de 100% emsuas predições com esta amostra. Concluímos que o emprego de RNA é válido e pode ser uma importante contribuição para tornar mais acessíveis e velozes os processos de diagnóstico com a técnica de Cosendey, devendo ser desenvolvida uma rede específica para cada tipo de problema que o método permite diagnosticar.

 

 

1 Introdução

 

O cérebro é um sistema de processamento de informação altamente complexo, não linear e paralelo, capaz de organizar seus neurônios de modo a poder realizar certas tarefas de percepção e controle motor muito mais velozmente do que qualquer computador digital já criado.

Consideremos, por exemplo, num atleta de futebol o aspecto da visão do jogo, que é uma tarefa de processamento de informação. A função do sistema visual é fornecer uma representação do ambiente e,fundamentalmente, trazer informação para que o jogador possa interagir com o meio em que se encontra inserido.

O cérebro de um futebolista realiza rotineiramente tarefas de reconhecimento perceptivo, sendo capaz de identificar em aproximadamente 100 a 200 milésimos de segundo, em meio a diversa

adversários, um companheiro bem colocado que deve receber a bola. Para um computador convencional, tarefas de muito menos complexidade podem exigir dias para serem bem executadas.

E essa característica não é exclusividade apenas de cérebros humanos: o sonar de um morcego, além de informá-lo sobre a distância de um alvo em movimento, como um inseto em pleno vôo, também transmite informação sobre a velocidade relativa do inseto, seu tamanho, rumo e posição espacial.

A complexa computação neural necessária para interpretar toda essa informação a partir do eco do alvo ocorre no interior de um cérebro do tamanho de uma ameixa. E um morcego guiado por eco pode perseguir e capturar seu alvo com uma facilidade e freqüência de sucesso que causam inveja a um engenheiro de radar ou sonar.

O que permite que o cérebro humano ou de um morcego realize esses prodígios é sua estrutura, aliada à vivência do animal.

Por ocasião do nascimento, um cérebro já possui uma grande estrutura e adquire a habilidade de desenvolver suas próprias regras por meio da experiência. Esta vai se acumulando durante toda a vida, mas o mais dramático desenvolvimento de um cérebro humano, em termos de ligações físicas, ocorre nos dois primeiros anos de vida.

É por meio do estabelecimento de novas conexões neurais que o sistema nervoso se adapta ao seu meio ambiente. Da mesma forma com que esta plasticidade é essencial para o melhor funcionamento dos neurônios como unidades de processamento de informação no cérebro humano, ela também o é nas redes neurais construídas com neurônios artificiais.

Uma rede neural é uma máquina projetada com inspiração na maneira como o cérebro realiza uma tarefa particular ou função de interesse. Costuma-se implementar a rede com utilização de componentes eletrônicos, ou então ela é simulada num computador digital. Existe uma categoria de redes neurais que realizam computação complexa por meio de um processo de aprendizagem e que têm seu bom desempenho derivado do emprego de interligações maciças de células computacionais simples, denominadas “unidades de processamento” ou “neurônios artificiais”.

Assim, vista como uma máquina adaptativa, uma rede neural é definida por Haykin (2001), como: “um processador maciçamente paralelamente distribuído, constituído de unidades de processamento”.

simples, que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para o uso”.

A semelhança da rede com o cérebro reside em dois aspectos:

-O conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem.

-Forças de conexão entre os neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido.

No desporto é importante que se possa perceber quando um atleta começa a desenvolver qualquer lesão. O raciocínio que conduz a um bom diagnóstico é, todavia, bastante complexo e exigeintenso trabalho cerebral.

Um modelo para diagnosticar a sanidade da musculatura esquelética de um indivíduo deve considerar as relações entre diversas variáveis fisiológicas. Os diagnósticos mais sofisticados, capazes de confirmar lesões musculares, costumam ser obtidos com o uso da ressonância nuclear magnética (RNM).

Entretanto, o emprego regular desta técnica exige um custo considerável que, na maioria dos casos, situa-se além das possibilidades financeiras de atletas e treinadores. Além disso, não é muito comum encontrarem-se por toda parte clínicas que possuam equipamentos de diagnóstico por imagens.

Sem contar que quando uma lesão torna-se perceptível por esse método é porque ela já atingiu uma certa magnitude. Mas em seus primórdios, no nível celular, a evidência de uma lesão não é suficiente para a detecção por RNM.

Outrossim, as técnicas convencionais de detecção de problemas devidos à aplicação de estresses excessivos no processo de treinamento desportivo tendem a considerar poucas variáveis e possuem uma visão reduzida da realidade. Diante desses fatos, foi elaborado um modelo para a utilização de resultados de análises bioquímicas e hematológicas como marcadores práticos de respostas orgânicas no processo de treinamento desportivo (Cosendey, 1997; Cosendey e Moreira, 2001).

O referido modelo parte do estudo de uma amostra de 10ml de sangue, na qual são quantificadas mais de 50 variáveis, das quais foram escolhidas 43 (quadro 1) que, de acordo com o quadro que apresentam permitem, pela análise das suas associações, além de outros problemas a detecção da existência de qualquer estresse muscular excessivo que já tenha provocado alguma lesão, por menor que seja, em musculatura esquelética.

 

Quadro 1 – Variáveis analisadas no método

de Cosendey e que foram utilizadas neste estudo

para detecção de lesão muscular

 

1 – Glicose (Hexoquinase UV Cobas Mira Plus – Roche )

2 – Uréia (Urease UV Cobas Mira Plus – Roche)

3 – Creatinina (Jaffé, tamponado, cinético colorimétrico Cobas Mira Plus – Roche)

4 – Colesterol (CHOD-POD Cobas Mira Plus – Roche)

5 – Colesterol – HDL (Ác. fosfotúngstico/MgCl2/CHOD/POD Cobas Mira Plus – Roche)

6 – Colesterol – LDL (Fórmula de Friedwald)

7 – Triglicerídeos (Glicerofosfato oxidase/POD Cobas Mira Plus – Roche)

8 – Ácido úrico (Uricase PAP Cobas Mira Plus – Roche)

9 – Aspartato-Aminotransferase (Cinética UV IFCC Cobas Mira Plus – Roche)

10 – Alanina-Aminotransferase (Cinética UV IFCC Cobas Mira Plus – Roche)

11 – Gamaglutamiltransferase (Cinética UV Cobas Mira Plus – Roche)

12 – Fosfatase alcalina (Cinética otimizada DGKC < Cobas Mira Plus – Roche)

13 – CK-NAC (Cinética UV Cobas Mira Plus – Roche)

14 – CK-MB (Imuno-químico cinético UV Cobas Mira Plus – Roche)

15 – LDH (Cinética UV Cobas Mira Plus – Roche)

16 – Cálcio (Complexona de o-cresolftaleína Cobas Mira Plus – Roche)

17 – Fósforo (Fosfomolibidato, infravermelho Cobas Mira Plus – Roche)

18 – Ferro (Ferrozina/Hidroxilamina Cobas Mira Plus – Roche)

19 – Bilirrubina total (Jendrassik/Grof Cobas Mira Plus – Roche)

20 – Bilirrubina direta (Jendrassik/Grof Cobas Mira Plus – Roche)

21 – Bilirrubina indireta (Jendrassik/Grof Cobas Mira Plus – Roche)

22 – Proteína total (Método Biureto otimizado Cobas Mira Plus – Roche)

23 – Albumina (Método verde de bromocresol Cobas Mira Plus – Roche)

24 – Leucometria global (Micros 60 – Abx )

25 – Hematimetria (Micros 60 – Abx)

26 – Hemoglobina (Micros 60 – Abx)

27 – Hematócrito (Micros 60 – Abx)

28 – Volume corpuscular médio (Micros 60 – Abx)

29 – Hemoglobina corpuscular média (Micros 60 – Abx)

30 – Concentração da Hb. corpuscular média (Micros 60 – Abx)

31 – Amplitude da distribuição das hemácias (Micros 60 – Abx)

32 – Plaquetas (Micros 60 – Abx)

33 – Volume plaquetário médio (Micros 60 – Abx)

34 – Plaquetócrito (Micros 60 – Abx)

35 – Amplitude da distribuição das plaquetas (Micros 60 – Abx)

36 – Linfócitos% (Micros 60 – Abx/ Microscópio Nikon E200)

37 – Monócitos% (Micros 60 – Abx/ Microscópio Nikon E200)

38 – *Granulócitos% (Micros 60 – Abx/ Microscópio Nikon E200)

39 – *Eosinófilos% (Micros 60 – Abx/ Microscópio Nikon E200)

40 – *N. segmentados% (Micros 60 – Abx/ Microscópio Nikon E200)

41 – *N. bastões% (Micros 60 – Abx/ Microscópio Nikon E200)

42 – *N. jovem% (Micros 60 – Abx/ Microscópio Nikon E200)

43 – *Basófilo% (Micros 60 – Abx/ Microscópio Nikon E200)

 

O processo de interpretação dessas dosagens, requer do analista uma grande experiência na área, aliada a um conhecimento específico das cargas aplicadas no processo de treinamento físico.

Portanto, o profissional que se propõe a utilizar o método de Cosendey necessita possuir um treinamento prévio relativo a esta técnica interpretativa inovadora.

Somando-se a isso tudo, é preciso reconhecer que cada procedimento de análise requer, por parte do analista, um tempo considerável,

que restringe em muito a disponibilidade do mesmo para novos estudos e pesquisas.

Como forma de contribuir para contornar esses inconvenientes, o objetivo do presente estudo foi desenvolver um modelo de diagnóstico de lesões musculares, com tecnologia de rede neural artificial (RNA).

As RNA têm sido muito aplicadas para a modelização de processos dinâmicos na produção industrial. Nossa hipótese era de que a técnica de Cosendey para diagnóstico de lesões musculares esqueléticas à partir da interpretação de 43 dosagens bioquímicas e hematológicas exibe uma dinâmica similar e poderia ser modelizada com uma RNA.

Baxt (1991), Jones (1990), Kennedy et alli (1991), Suzuki & Ono (1993), Dorffner (1994), Mango et alli (1994) e Rosemberg et alli (1994) credenciaram a idéia ao afirmarem, em seus trabalhos, que a tecnologia de RNA pode ser usada para construir um sistema de diagnóstico, uma vez que já tem sido aplicada com sucesso em diversos setores da área médica.

O método de utilizarem-se modelos como base para diagnósticos é conhecido como “raciocínio modelizado”. os sistemas de diagnóstico

que usam o raciocínio modelizado comparam dados atuais com dados modelizados e analisam as diferenças entre eles para diagnosticar. Os três pré-requisitos para que esse método tenha sucesso são: que os modelos sejam originados de dados autênticos, que o processo de interpretação seja semelhante ao utilizado no diagnóstico por um “expert” e que as diferenças (erros) entre os resultados modelizados

e os fornecidos por um especialista sejam conhecidas.

 

 

 

2 -Materiais e métodos

 

Duas amostras, uma de 200 e outra de 100 diagnósticos realizados por Cosendey foram aleatoriamente selecionadas nos arquivos do laboratório de Bioquímica do Esporte, no Rio de Janeiro, para a elaboração da rede neural.

Uma RNA de retropropagação foi construída com a utilização do “software” Neuralyst, versão 1.4, produzido por Cheshire Engineering Corp, Portions e consistiu de um grupo de 46 elementos de processamento interconectados (neurônios), distribuídos em quatro camadas.

Esquematicamente, a RNA multiplica os valores dos insumos que chegam a cada neurônio artificial, por coeficientes (os pesos sinápticos). Realiza uma soma algébrica e insere esse resultado em uma função de ativação para gerar um valor que é transmitido para a camada seguinte de neurônios, onde o processo se repete até gerar um resultado final que, no caso deste estudo foi o diagnóstico (existência ou não) de lesão na musculatura estriada esquelética.

Na construção da rede neural distinguem-se duas fases: a primeira delas é a fase de aprendizagem, na qual a rede busca captar as relações existentes entre as diferentes variáveis que a compõem. Nesta etapa, em resposta a um dado insumo e a um dado resultado, a rede aprende ajustando os pesos dos insumos, de forma a reduzir ao mínimo a sua margem de erro.

Para isto, os neurônios internos devem saber o quão grande é o erro e o quão fortemente eles estão ligados aos neurônios de saída em erro (se um neurônio interno não contribui para o erro, ele não precisa obrigatoriamente modificar seus pesos). Isto envolve correr as sinapses “para trás”, permitindo que cada neurônio interno então, some todas as suas contribuições de erros ponderados.

Eles contam a força das entradas que recebem e podem modificar seus pesos sinápticos de acordo com uma regra bastante semelhante àquela usada pelas unidades de saída, que consideram o produto da entrada pelos erros ponderados e somados de todas as camadas. O algoritmo dretropropagação envolve uma passagem para a frente através das camadas para estimar o erro e, então, uma passagem de volta, modificando as sinapses necessárias para diminuir o erro.

Na segunda fase, a rede já estabelecida é então validada, testando sua capacidade de previsão sobre um conjunto de dados que não constaram da sua “aprendizagem”. A amostra inicial de 200 diagnósticos foi usada para “treinar” a RNA e a outra amostra, de 100 diagnósticos, foi empregada para a

validação da rede, tendo-se obtido acerto em todos os casos

 

.

3 – Conclusão

 

O método analítico proposto por Cosendey (1997) permite diagnosticar uma variedade de problemas que podem estar associados aos hábitos de vida e às cargas de treinamento a que se submete um atleta.

Como nos esforços físicos intensos as lesões mais comuns são as da musculatura estriada esquelética, sua diagnose foi a escolhida para ser objeto da construção de uma rede neural artificial.

O modelo adotado foi o da retropropagação que, partindo de 200 casos diagnosticados, foi aplicado numa rede com quatro camadas:a primeira com 43 neurônios e as demais com um neurônio cada, utilizando uma função de ativação do tipo sigmóide. A rede foi testada em outros 100 casos e mostrou-se válida para a detecção de qualquer lesão muscular esquelética.

Tendo em vista que à partir das dezenas de análises utilizadas no método original podem ser detectados muitos outros problemas além das lesões musculares, o presente estudo leva à conclusão de que outras RNA poderão ser desenvolvidas para os diagnósticos específicos de cada situação abrangida pelas análises bioquímicas e hematológicas.

Enseja-se, portanto, que os modelos de diagnóstico por RNA sejam incorporados nas avaliações do estado do organismo à partir da técnica de Cosendey, pois tal fato facilitará em muito sua utilização e contribuirá para um aprimoramento qualitativo do Treinamento Desportivo.

 

 

Referências Bibliográficas

 

BAXT, W.G., 1991. Use of an artificial neural network for data analysis in clinical decision-making: The diagnosis of acute coronary occlusion, In: Neural Computation, Vol.2, 480-489.

 

 

COSENDEY, A.E., 1997.

 

Proposta de aprimoramento da utilização de medidas bioquímico-hematológicas como auxílio na avaliação e na orientação em programas de condicionamento físico. Tese de Mestrado, Universidade Gama Filho.

 

COSENDEY, A.E., MOREIRA, S.B., 2001. Proposta de aprimoramento da utilização de medidas bioquímico-hematológicas como auxílio na avaliação e na orientação em programas de condicionamento físico, in: Atividade Física e Qualidade de Vida – Coletânea de Textos do Grupo de pesquisas em Aptidão Física e Trabalho, 169-183, Rio de Janeiro, GRAFIT, (Livro eletrônico).

 

DORFFNER, G. et alli, 1994. Toward improving exercise ECG for detecting ischemic heart disease with recurrent and feedforward neural nets, In: Proceedings of the IEEE workshop on neural networks in signal processing, Emioni

HAYKIN, S., 2001.Redes neurais: princípios e prática, Porto Alegre,

Bookman

 

JONES, D., 1990. Neural netwoks for medical diagnosis, In: Handbook of neural computing applications, Academic press, 309-318.

 

KENNEDY, R.L. et alii, 1991. Analysis of clinical and electrocardiographic data from patients with acute chest pain using a neurocomputer, In: QJ Med., Vol. 80, 788-789.

MANGO,L.J. 1994. Computer-assisted cervical cancer screening using neural networks, In: cancer letters, Vol.77,No.2,155-162.

ROSEMBERG,C. et alli, 1994. A neural network that learns to interpret miocardial planar thalium scintigrams, In: Neural Computatin, Vol.5, No. 3.

SUZUKI, Y. , ONO, A.K., 1993. Self organizing QRS wave recognition system in ECG usin ART2, Proceedings of the World Congress on Neural Networks, Portland, Vol.4, 39-42

Slider by webdesign