10º Congreso Virtual Hispanoamericano de Anatomía Patológica

Un Sistema Experto (SE) se podría definir como un programa informático que incorpora una significativa cantidad de conocimientos expertos acerca de un dominio (entendido como una parcela del conocimiento) bien delimitado y restringido, y que puede usar técnicas de razonamiento simbólico para resolver problemas en dicho dominio.

Una característica adicional deseable, y que para muchos es fundamental, es que el sistema sea capaz, bajo demanda, de justificar su propia línea de razonamiento de una forma inmediatamente inteligible para el que lo usa.

1)Base de Datos: incluye todos los datos necesarios para que funcione el sistema;

2)Motor de Inferencia: es el lenguaje que utiliza el sistema para desarrollar todo su funcionamiento. Se utiliza igualmente para crear la interfaz que permita la comunicación entre el usuario y el sistema, y

3)Base de Conocimiento. Es un elemento abstracto, donde se encuentra el conocimiento que, previamente, ha comunicado el experto al sistema y al ingeniero del conocimiento.

En el año 2003 tuvimos la oportunidad de exponer una ponencia sobre Sistemas expertos en Anatomía Patológica en el 3º Congreso Virtual Hispanoamericano de Anatomía Patológica2. En ese momento describimos el Sistema SARA creado por nosotros y expusimos la historia de los Sistemas expertos aplicados en Medicina y en Anatomía Patológica. El Sistema SARA fue consecuencia del prototipo SEADLIN (Sistema Experto de Ayuda al Diagnóstico de los Linfomas No Hodgkin) 1, 2

La intención era que el Sistema funcionara a modo de IMITACIÓN DEL CONOCIMIENTO DEL EXPERTO.

Se llega al diagnóstico a partir de la observación de una serie de rasgos. Este es el conocimiento que se necesita para elaborar nuestra Base de Conocimiento.

En un primer paso el experto (patólogo) va a observar un conjunto de rasgos que le faciliten el proceso de diagnóstico discriminando un conjunto de ellos, y dejándole un reducido grupo de diagnósticos diferenciales. En la primera observación se tiende a restringir las hipótesis iniciales (diagnósticos diferenciales) para centrarse en ellas y dirigir su razonamiento.

Una vez que tiene una hipótesis (diagnóstico de presunción) el experto trata de confirmarla, para ello sabe qué rasgos son característicos de su hipótesis, entonces va a buscar la presencia en la muestra de dichos rasgos.

La presencia de determinados rasgos llevan bien a confirmar un posible diagnóstico o a descartarlo, al menos hasta que no encuentre nuevos rasgos que cambien el rumbo de su razonamiento.

Entonces, si la presencia de unos rasgos determina la posibilidad de un diagnóstico, podemos hacer una representación del conocimiento en forma de reglas de producción. Una regla de producción es de la forma :Si A entonces B, de modo que si se verifican los antecedentes se verifica el consecuente.

Los antecedentes de nuestras reglas serán los rasgos, de esta forma, si encontramos la presencia de unos rasgos se obtendrá como resultado un diagnóstico.

Pero la presencia de unos determinados rasgos generalmente no son concluyentes para un diagnóstico (no son patognomónicos), es decir, dicha presencia dará un grado de posibilidad de que se trate de un diagnóstico o de otro. Por tanto, las reglas de producción han de ir acompañadas de un factor de probabilidad. Esto quiere decir: si se presentan determinados rasgos hay una cierta probabilidad de que se trate de un diagnóstico.

Si la probabilidad es alta, entonces será una hipótesis (diagnóstico) a confirmar, cuando la probabilidad sea baja será un diagnóstico que en principio se descarta, y de este modo se dirige la búsqueda de resultados.

Una vez que sabemos cómo vamos a representar el conocimiento, nos planteamos el

El razonamiento del sistema ha de imitar la forma de razonamiento del experto. Como ya se ha dicho, el experto en un primer paso obtiene una hipótesis y a partir de ella trata de confirmarla.

Si se presentan una serie de rasgos la hipótesis será uno o más diagnósticos. Esta obtención de las hipótesis es una parte del razonamiento, que consiste en partir de unos rasgos y obtener las probabilidades de los distintos diagnósticos, se trata de un razonamiento hacia delante, en el que se hará uso de las reglas.

Los rasgos observados encajarán con los antecedentes de algunas reglas, y resulta el diagnóstico consecuente con una probabilidad.

Una vez que tenemos la hipótesis hay que confirmarla, esto es, hay que buscar los rasgos que nos corroboren el diagnóstico más probable. En este paso utilizamos las reglas, pero partiendo de los diagnósticos, aquellos rasgos de las reglas que encajen con nuestro consecuente y que tenga una alta probabilidad, serán los próximos a confirmar.

Entonces, si en un primer paso partimos de los antecedentes y llegamos a los consecuentes, vamos a realizar un razonamiento hacia delante y si en un segundo paso, el punto de partida es un consecuente en busca de los antecedentes con probabilidad alta, estamos realizando un razonamiento hacia atrás. A partir de aquí volvemos a realizar el razonamiento hacia delante y así sucesivamente.(Figura 1)

Para abordar este tema se ha empleado la teoría de los factores de certeza con la asignación de un coeficiente a cada combinación diagnóstico-patrón, siempre en relación con el resto de patrones implicados en cada caso: cada diagnóstico tiene una certeza o coeficiente de que presente cada uno de los patrones. El coeficiente –1 expresa que un patrón determinado es imposible que se presente en el diagnóstico que se contempla y el coeficiente +1 indica certeza absoluta de que el patrón determina al diagnóstico en cuestión. Se manejan valores intermedios( -.75, -.50,-.25, 0,+.25,+.50,+.75).

Según los distintos patrones seleccionados como más próximos al caso problema, se va calculando la certeza acumulada con arreglo a la siguiente fórmula:

donde C(x) es certeza acumulada y P(x) es certeza individual, obteniéndose así distintos grados de certeza.

Desde el primer proyecto nuestra intención fue que el sistema mostrara los rasgos en forma de imágenes, en lugar de hacerlo en modo texto con un listado

El usuario seleccionará aquellas imágenes que más se asemejen a su caso problema,y el sistema trabajará con ellas ofreciendo los posibles resultados.

La aparición de las imágenes se hará a lo largo de varias pantallas. A partir de los determinados rasgos que se seleccionen, el Sistema tiene que tratar de establecer las hipótesis iniciales (diagnósticos). Para incluir esto en los Sistemas se programa para que cada imagen tenga asociado un rasgo, el usuario selecciona imágenes, lo que significa que está seleccionando rasgos, por tanto se extraen y se realiza la inferencia.

Así funciona el sistema SARA y todos los prototipos creados con su modo de razonamiento: (SEADLINH, SEACOPALI, DERMA,ETC). La forma de presentar las pantallas sucesivas está condicionada por reglas de producción que establecen por ejemplo que si selecciona un patrón difuso no se muestren las pantallas que hacen referencia al patrón nodular.

Sin embargo en los Sistemas del grupo nose (nosetiroides, nosecervix) tras seleccionar las imágenes adecuadas de la primera pantalla (los rasgos), el Sistema extrae los rasgos y tras realizar la inferencia y obtener los diagnósticos más probables con esos rasgos, busca los rasgos más característicos asociados a esos diagnósticos y sus correspondientes imágenes para enseñarlas en el siguiente paso de la inferencia.(Figura 2)

Se exponen a continuación los objetivos que nos hemos marcado durante todo este tiempo y su consecución:

1º) Ser un sistema abierto (su contenido puede ser sustituido) (Figura 3)

Ya el primer prototipo (SARA: SISTEMA ABIERTO DE RAZONAMIENTO ARTIFICIAL) se creó con las características de poder ser vaciado de contenido y sustituido por otro.

De esta forma surgió SEACOPALI8 como modificación de SEADLIN y adaptación para la enseñanza pregrado.

De igual forma se creó un Sistema para ayuda al conocimiento de lesiones ampollosas de la piel7(DERMA).

También el sistema nosetiroides sirvió de prototipo para la serie nose. Por último se ha confeccionado el prototipo nosecervix, que es también abierto y en el que se han incorporado nuevas prestaciones y se han subsanado deficiencias previas.

2º) La base de conocimiento ha de estar representada por imágenes

El conocimiento de cada uno de los modelos se representa por imágenes, teniendo en cuenta que el proceso diagnóstico se basa en la morfología, y se pretende comparar las imágenes que representan a los distintos patrones con lo que se observa al microscopio.

La selección de los patrones se lleva a cabo tras designación de los rasgos que caracterizan a cada uno de los diagnósticos.

Para que el sistema sea más intuitivo se intenta seleccionar a los patrones en base a los rasgos más característicos. Además se procura que aparezcan en la pantalla agrupados de forma complementaria, sobre todo en los sistemas utilizados para el aprendizaje.(Figura 4)

3º) intuitivo para el usuario

El orden en que se presentan los patrones está condicionado por nuestro interés en la construcción de un sistema experto que reprodujese el método inductivo-deductivo que habitualmente se emplea en la práctica clínica.

Por ejemplo, SEADLINH muestra primero imágenes a poco aumento y a medida que discurre presenta rasgos evidentes a mayor aproximación (10X) y por último muestra las imágenes de detalle (rasgos celulares). Mediante reglas de producción se programa qué pantallas mostrar en función de los patrones elegidos. Figuras 5 y 6)

En la evaluación sobre usabilidad que se hizo durante el proyecto SEACOPALI con alumnos de medicina, se obtuvo un 60% de resultados favorables al uso del Sistema Experto por alumnos que lo manejaban por primera vez y también era la primera vez que se enfrentaban a caso de patología linfoide3.(Figura 7).

4º) Que el proceso de razonamiento implementado fuese simple y fácilmente asimilable por el procedimiento seguido en el diagnóstico cito e histológico

El hecho de ir seleccionando patrones en el caso problema, va fijando distintos grados de certeza que una vez conjugados dará un listado de todos los diagnósticos y su certeza para ese caso en concreto. Claramente habrá diagnósticos con certezas mayores en valores absolutos, y las correspondientes a estos diagnósticos, serán los más probables, mientras que otros con certezas francamente negativas negarán estos diagnósticos.

El modelo confeccionado sobre citología del tiroides (nosetiroides) ofrece como primera pantalla conjunto de rasgos que constituyen diagnósticos, con lo que si se dan esos rasgos en el caso problema, se llega inmediatamente al diagnóstico de presunción. Este prototipo lo realizamos con la experiencia de SEADLINH y con él se consiguió por una parte agilizar el diagnóstico y por otra ofrecer en las pantallas subsiguientes la probabilidad para cada diagnóstico.(Figura 8 a 10)

5º) Para cumplir el objetivo de que el sistema experto pueda ser de ayuda al diagnóstico y además pueda usarse como tutor en el aprendizaje, se requiere que el sistema sea accesible, intuitivo y que responda a las necesidades concretas: que llegue rápidamente al diagnóstico al marcar rasgos determinados y relevantes o que pueda ser usado para el aprendizaje, siguiendo un método sistemático, basado estrictamente en los “pesos” que cada rasgo tenga en relación a cada diagnóstico.

El valor del Sistema Experto como ayuda al diagnóstico está condicionado por la experiencia del usuario. Para un usuario experto la utilidad del Sistema será mayor cuanta mayor información se le administre. En este sentido, el Sistema presentado aquí tiene la posibilidad de recibir información de cualquier usuario, siendo ilimitada la capacidad para enriquecerse. Además la implementación de los motores de búsqueda automatizados, que también pueden enriquecerse con aportaciones voluntarias, hacen más ágil y eficaz la consulta bibliográfica6.

En las validaciones que se han llevado a cabo de los distintos Sistemas confeccionados por nuestro grupo, se ha visto el aprendizaje se beneficia de la utilización de los Sistemas Expertos.

En prueba a Residentes de 1º y 2º año sin experiencia en Patología linfoide se obtuvieron un 87,5% de aciertos en diagnósticos considerados de poca dificultad2.

Con el Sistema SEACOPLALI, empleado en estudiantes de medicina frente a estudiantes con enseñanza tradicional los resultados fueron significativos y favorables al Sistema Experto principalmente en lo referente al reconocimento de patrones. (Figura 11) y Tabla 1

TABLA 1: RESULTADOS CON ALUMNOS DE MEDICINA PARA RESOLVER CASOS PROBLEMA CON EL USO DEL SISTEMA EXPERTO Y SIN EL

Objetivo	Mejores resultados con SISTEMA EXPERTO
Distinguir por el aspecto histológico entre linfomas de bajo y alto grado	S.E. p<0,05
Distinguir con la ayuda de la inmunohistoquímica entre linfomas B y T	S.E. p=0,2
Determinar el estadio según la clasificación de Ann-Arbor	S.E. p=0,3
Acierto diagnóstico	S.E. p<0,01
Reconocimiento de patrones	S.E. p<0,00001

Actualmente en la Facultad de Medicina de Granada se emplea el Sistema SEACOPALI y el DERMA como práctica para los alumnos.

6º) Que pueda ser usado como vehículo de información relevante

Por otra parte ha sido inquietud nuestra el que el sistema sea fuente de información. Por ello se han dotado a los sistemas confeccionados de pantallas de información, tanto de los patrones como de los diferentes diagnósticos.

Además hemos desarrollado motores de búsqueda automatizada que se puedan incorporar al sistema 6

7º) Ser ubícuo (disponible en Internet)

Los Sistemas SEADLIN, SEACOPALI, DERMA, CERVIX. Se construyeron como una aplicación de escritorio, donde el soporte de instalación era el disco del usuario. Posteriormente se elaboró una versión para ponerla en la red

http://sci2s.ugr.es/DiCITS/software.php

Esta versión requiere un registro de usuario básico, para poder descargar e instalar el programa. Permite utilizar una base de datos en internet desde una aplicación de escritorio.

El Sistema sobre citología del tiroides (nosetiroides) se creó en Apache en lenguaje HTML para el desarrollo de la interfaz y PHP para el desarrollo del sistema (motor de inferencia, módulo de justificación, etc.)

En definitiva, para nosetiroides hemos utilizado Apache, HTML para la interfaz, junto con JavaScript que nos permite ejecutar código en el cliente. PHP para escribir todo el código del sistema, y MySQL como base de datos donde almacenar la base de conocimiento.

El último prototipo (nosecervix) se ha construido por uno de los autores (M.J.Parra) a partir de toda la experiencia previa acumulada durante 15 años de ensayos. Trata de la citología del cérvix uterino e igualmente es el prototipo de lo que pretende ser una serie con el nombre genérico “nose”, en base a la frase de Wislawa Szymborska que hemos acogido como slogan: Tengo en muy alta estima dos pequeñas palabras: “no sé”.Pequeñas pero con potentes alas. Que nos ensanchan los horizontes hacia territorios que se sitúan dentro de nosotros mismos y hacia extensiones en las que cuelga nuestra menguada tierra.

Los rasgos y diagnósticos que constituyen la base de conocimiento del sistema nosecervix fueron expuestos previamente ⁷

Es intención nuestra que el sistema sea una herramienta confeccionada entre todos y cuya difusión y uso sea la mayor posible, que sirva como apoyo al diagnóstico y que los criterios que se usen sean lo más homogéneos posibles. Por ello lo hemos dotado de la mayor accesibilidad que hemos sido capaces.

nosecervix

Definición del problema

Se desea desarrollar un sistema experto para ayudar en el diagnóstico de lesiones citológicas del cérvix y en la formación, así como una herramienta capaz de captar el conocimiento de expertos en la materia para poder afinar el diagnóstico.

Nos centramos en la formación y en la captación de conocimiento.

El diagnóstico de las lesiones de cérvix se hace infiriendo a partir de los rasgos que se detectan en la muestra que se está visualizando.

La mayor parte de los rasgos se pueden indicar seleccionando las imágenes que los representan.

Se desea que el sistema conduzca el diagnóstico: conforme vaya recibiendo información, hará hipótesis sobre posibles diagnósticos e irá mostrando los rasgos que le permitan confirmar o descartar claramente las hipótesis realizadas.

Se espera que el sistema sea capaz de realizar un diagnóstico rápido para aquellas muestras que presentan rasgos claros de lesión, reduciendo así el tiempo de diagnóstico y el coste.

El primer requisito es que el sistema sea muy intuitivo y fácil de usar.(Figura 12 a 15)

Se han tenido en cuenta dos aspectos:

Ayuda al profesional en el proceso de diagnóstico. Reproducirá de la forma más fiel y efectiva posible el modo en que el profesional realiza el diagnóstico. Debe adaptarse al nivel de conocimiento y forma de trabajo del experto.

Ayuda en la formación de profesionales con poca o ninguna experiencia.

También se precisa que el sistema vaya mejorando sus respuestas a partir de casos ya resueltos por expertos.

Definición del problema

El sistema deberá contar con un módulo de justificación de respuestas, además de una

Enciclopedia con información sobre diagnósticos y rasgos.

Se requiere facilidad en la administración del conocimiento del sistema.

Por motivos de manejabilidad debido al gran número de imágenes, será necesario poder clasificarlas o agruparlas para que se pueda hacer una búsqueda rápida de las mismas. La posibilidad de incluir dentro de la imagen anotaciones sobre partes interesantes de la muestras, de modo que pueda seleccionar áreas de la imagen y anotar sus detalles.

Será necesario tener un sistema para la gestión y el control de los diagnósticos, los grupos de rasgos y los rasgos. Los diagnósticos son las respuestas que el sistema en el modo experto, debe dar a medida que el usuario selecciona las imágenes en el sistema.

Los diagnósticos, deben poseer un identificador, un nombre y una descripción detallada, para incluir más información.

Los conjuntos de rasgos, son los grandes clasificadores que engloban una serie de rasgos relativos a las características de una muestra, y se ha convenido que sean tres: Fondo, Celularidad y Microorganismos.

Cada uno de estos rasgos, posee un identificador, un nombre (Fondo, Celularidad y Microorganismos) y lleva asociado un atributo determinado según el rasgo concreto.

Cada atributo está identificado con una etiqueta y con un identificador que lo diferencia del resto.

Para crear la base de conocimiento del sistema, será necesario que el sistema pueda gestionar las reglas.

Cada diagnóstico estará relacionado con un conjunto de reglas. Estas reglas definen los atributos y rasgos principales del diagnóstico, teniendo en cuenta que una regla puede tener un grado de valoración determinado, es decir, cualquier atributo puede estar entre -1 (imposible) y 1 , siendo 0 el valor que define la indiferencia (no tiene valor ) del rasgo para una regla.

Una regla puede tener cualquier valor real entre -1 y 1. Este sistema para gestionar reglas debe permitir, añadir, modificar, o alterar los valores y la asignación de las reglas.

También el sistema deberá poseer además de la gestión de imágenes, la capacidad de asignar imágenes de la base de imágenes a las reglas de la base de conocimiento antes citadas, de modo que estas puedan ser usadas en el modo experto. Cabe la posibilidad que el experto pueda diseñar las pantallas que en el proceso de inferencia se le mostrarán al usuario del sistema.

El modo experto es la parte donde los usuarios externos (no administradores, aunque pueden usarlo), van a poder ejecutar la inferencia del sistema experto, para ello este modo debe mostrar una serie de imágenes, de cada uno de los rasgos principales (fondo, celularidad y microorganismos), y el experto puede seleccionar los rasgos según la muestra real que esté analizando en el microscopio en ese momento.

A medida que van seleccionando imágenes y emite su valoración el sistema, en modo experto, realizará la inferencia para ajustar los datos de entrada (valoraciones de imágenes) al subconjunto de diagnósticos según las reglas almacenadas en la base de conocimiento.

El sistema debe ser capaz de aislar por un lado los rasgos que aún quedan por confirmar y por otro lado presentarle la opción de otros rasgos diferentes que puedan reconducir el proceso de inferencia a otros diagnósticos. El sistema debe parar en el momento que ya no quede nada por explorar o bien se haya superado un grado de aceptación del diagnóstico superior a un determinado valor definido por el administrador.

En todo momento el sistema tiene que poder deshacer pasos y rehacerlos en cualquier momento. Al finalizar con un diagnóstico se debe poder conocer que reglas se han activado así como la información detallada de cada diagnóstico inferido. Para cada uno de los diagnósticos se debe mostrar una serie de artículos de PUBMED que tengan relación con el diagnóstico y los rasgos seleccionados y que el usuario puede acceder.

Para la recolección de información será necesario que los expertos puedan crear casos problema, asignándoles los conjuntos de rasgos que ellos consideren para su estudio y además valoren el diagnóstico con un grado de certeza para los rasgos marcados.

Gracias a esta gran base de datos colaborativa, se mejorará la afinación de las reglas de la base de conocimiento inicial. A medida que se van añadiendo más casos o estudios, mejorarán los resultados del sistema de inferencia. A esto lo llamaremos sistema de aprendizaje.

Por último, es necesario que la aplicación pueda gestionar los usuarios que acceden; principalmente sólo existirán dos tipos, el administrador del sistema y el experto. El administrador, será el encargado de gestionar el conocimiento, las imágenes, los rasgos, etc. y el experto, que es el que utilizará el modo experto, para realizar la inferencia del diagnóstico y para añadir casos clínicos al sistema de aprendizaje. El experto o usuario se puede registrar para poder usar la aplicación y puede dejar su anotación u observación sobre el sistema.

Con el deseo de que se convierta en un Sistema Experto de todos y para todos y que sea el embrión de una amplia gama de Sistemas que ayuden al diagnóstico y al aprendizaje y en cuya construcción participe toda la comunidad citológica lo ponemos a disposición en la red:

http://dicits.ugr.es/nosecitologia/nosecervix/experto/

Figuras 5 - Ejemplo de resolución de caso con SEADLINH: Las diferentes pantallas que aparecen tras la selección de los primeros rasgos, lo hacen condicionadas por esa selección merced a las reglas de producción

lexapro and weed high

deltasone

sertraline 50 mg and alcohol