APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NO AUXILIO AO DIAGNÓSTICO DE CRIANÇAS RESPIRADORAS BUCAIS E NASAIS

Transcrição

1 APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NO AUXILIO AO DIAGNÓSTICO DE CRIANÇAS RESPIRADORAS BUCAIS E NASAIS Felipe Mancini 1, Liu Chiao Yi 2, Shirley Shizue Nagata Pignatari 3, Antonio Carlos Roque 4, Ivan Torres Pisa 5 1, 5 Departamento de Informática em Saúde (DIS), Universidade Federal de São Paulo (UNIFESP), Brasil. 2, 3 Departamento de Otorrinolaringologia Pediátrica e Cirurgia de Cabeça e Pescoço, Universidade Federal de São Paulo (UNIFESP), Brasil. 4 Departamento de Física e Matemática (DFM), Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP), Universidade de São Paulo (USP), Brasil. Resumo A respiração é a primeira função vital desenvolvida por ocasião do nascimento, estabelecendo-se como principal função do organismo. A respiração bucal crônica pode provocar alterações posturais, além de incitar um menor esforço do músculo diafragma. Este trabalho tem por objetivo aplicar um modelo de rede neural artificial (RNA) não-supervisionado conhecido como mapa auto-organizável (self-organizing map, SOM) a fim de modelar uma ferramenta para auxiliar no diagnóstico de crianças respiradoras bucais e nasais. De maneira geral, o SOM é um classificador de padrões capaz de detectar relações não-lineares entre padrões e suas classes e de representá-las por um mapa topográfico em que padrões similares são agrupados em classes vizinhas. Utilizando como padrão de entrada as variáveis de postura e distância da excursão do músculo diafragma de 3 crianças respiradoras bucais e 22 crianças respiradoras nasais, o SOM apresentou sensibilidade de,92 e especificidade de,97 no diagnóstico de respirador bucal e nasal. Palavras-chave: Reconhecimento de Padrão, Redes Neurais, Respiração Bucal, Postura. Abstract Breath is the first vital function developed at birth, establishing itself as a major function of the organism. Chronic mouth breath can provoke postural alterations, and a smaller effort of the diaphragm muscle. The objective of this work is to apply a non-supervised artificial neural network (ANN) model known as selforganizing map (SOM) in the construction of a diagnosis tool for mouth and nasal breathing children. SOM is a pattern classifier capable of detecting nonlinear relations between patterns and their classes and of representing them by a topographic map in which similar patterns are clustered in neighbor classes. Using as input patterns the postural variables and the excursion distances of the diaphragm muscle of 3 mouth breathing children and 22 nasal breathing children, the SOM network had.92 of sensibility and.97 of specificity in the diagnosis of mouth and nasal breath. Keywords: Pattern Recognition, Neural Networks, Mouth Breath, Posture. Introdução A respiração é a primeira função vital desenvolvida por ocasião do nascimento, estabelecendo-se como principal função do organismo. A cavidade nasal tem papel fundamental na fisiologia respiratória, promovendo a filtração, aquecimento e umidificação do ar inspirado, fazendo com que o mesmo chegue aos pulmões na temperatura ideal, favorecendo uma oxigenação adequada ao organismo. A cavidade bucal só intervém neste processo quando o ar inspirado não é suficiente, geralmente causado por uma obstrução nasal [1, 2]. A respiração bucal na infância resulta em queixa freqüente no consultório do pediatra, do alergologista e do otorrinolaringologista. Sabe-se atualmente que a respiração bucal crônica, considerada com seis meses de evolução, pode provocar alterações no desenvolvimento odontológico, crânio-facial e da postura corporal [3, 4, 5, 6]. Aragão [7] estudou a postura corporal de 26 sujeitos respiradores bucais de 6 a 12 anos de idade e encontrou predominantemente as seguintes alterações: cabeça protrusa, retificação ou aumento da lordose da coluna cervical, escápulas aladas, depressão anterior do tórax e protrusão abdominal. Liu et al. [8] também encontraram as mesmas alterações posturais em 76 crianças respiradores bucais de cinco a 12 anos de idade. Liu [9] mostrou que além de apresentarem alterações posturais, a média da distância excursionada pelo músculo diafragma em sujeitos

2 respiradores nasais é maior que em sujeitos respiradores bucais. O diafragma é um músculo que apresenta um formato de cúpula voltado cranialmente e separa o tórax do abdômem e está fixado na face anterior de L2/L3, processo xifóide e nas seis últimas costelas. Estas fixações alteram o comportamento dos segmentos corporais devido ao aumento da resistência nasal para a entrada do fluxo aéreo o respirador bucal solicitar maior esforço dos músculos acessórios da inspiração. Esse esforço leva a uma respiração costal ou apical, comprometendo assim toda a dinâmica da caixa torácica e da excursão do músculo diafragma, sendo este de fundamental importância, pois é responsável por 7% de toda a atividade respiratória. O mapa auto-organizável (self-organizing map, SOM) [1] é um modelo de redes neurais artificiais (RNAs) não-supervisionado que, de maneira geral, realiza a redução de dimensionalidade ou compressão de um conjunto de dados [11], mantendo representação fiel das características relevantes dos vetores de entrada, resultando na seleção de um conjunto das características do espaço de entrada. Este trabalho tem por objetivo aplicar o SOM em um repositório de dados contendo informação sobre a distância da excursão do músculo diafragma, avaliação postural e dados antropométricos de crianças respiradoras bucais e nasais a fim auxiliar o diagnostico crianças respiradoras bucais e nasais. Métodos Para este estudo utilizou-se um repositório de dados coletado no Setor de Diagnóstico por Imagem e na Disciplina de Otorrinolaringologia Pediátrica, da Universidade Federal de São Paulo - Escola Paulista de Medicina (UNIFESP/EPM). Foram analisadas 52 crianças, sendo que 3 foram previamente diagnosticadas como respiradoras bucais e 22 como respiradoras nasais (caso controle). Os atributos deste repositório de dados são listados na Tabela 1. A Figura 1 lista os pontos e ângulos utilizados na avaliação postural das crianças presentes neste estudo. Para a análise, quando são abordados os termos lordose cervical, cifose torácica, lordose lombar e posição da pelve deve-se levar em consideração os três pontos e ângulos listados na Figura 1 itens (a), (b), (c) e (d), respectivamente, representando: (a) lordose cervical: trágus da orelha, acrômio e C7, sendo o acrômio a vértice do ângulo; (b) cifose torácia: L1, acrômio, T7, sendo L1 a vértice do ângulo; (c) lordose lombar: espinha ilíaca ântero superior, L1 e trocanter maior, sendo a espinha ilíaca ântero superior a vértice do ângulo; (d) posição da pelve: face lateral do espaço interarticular da articulação do joelho, espinha iíaca antero superior e trocanter maior, sendo a face lateral do espaço interarticular da articulação do joelho a vértice do ângulo. Antropométricos Diafragma Postura Sexo Idade Peso Distância da excursão do lado direito (PD) Altura IMC 1 Raça Distância da excursão do lado esquerdo (PE) Lordose Cervical Lordose Lombar Cifose Torácica Posição da Pelve Tabela 1: Atributos do repositório de dados. A captação da imagem da excursão do diafragma foi obtida utilizando-se a técnica da videofluoroscopia e a avaliação da postura corporal foi realizada por meio de fotografias obtidas em norma lateral esquerda. Após a obtenção destas informações, foram utilizadas as seguintes ferramentas para análise: software Adobe Photoshop para analisar a distância excursionada pelo músculo diafragma e o software para avaliação postural (SAPO) [12] para analisar o comportamento das curvaturas da coluna vertebral. Foi utilizado o Matlab (The MathWorks Inc., Natick, MA, EUA) em conjunto com o pacote SOM Toolbox [13] para implementar o SOM. O SOM Toolbox foi desenvolvido pelo Laboratório de Informática e Ciência da Computação da Universidade Helsinki. Determinação do modelo do SOM e padrão de entrada Foram executados diversos testes práticos a fim de determinar um modelo do SOM para realizar a análise do repositório de dados presente neste estudo. Segue abaixo a configuração dos parâmetros do SOM e suas justificativas: Inicialização dos vetores protótipos: linear. Não foi adotado a inicialização aleatória, pois a resposta do SOM alterava-se consideravelmente, impossibilitando uma correta análise. Com a inicialização linear o mapa de saída discreto não apresentou alterações. Relação de vizinhança: hexagonal. A relação de vizinhança hexagonal facilita a visualização dos neurônios vizinhos cada neurônio vizinho está ligado a um lado do hexágono. Função de vizinhança: gaussiana. Foi adotado como padrão esta função de vizinhança, e a mesma respondeu de maneira satisfatória. Número de neurônios da grade: 3 x 3 neurônios. Foram realizados testes com grades de 4x4 neurônios e 3x3 neurônios. A 1 IMC Índice de Massa Corpórea. 2

3 grade de 4x4 neurônios agrupou sujeitos similares em diferentes neurônios, podendo gerar problemas na análise dos dados. Já a grade de 3x3 neurônios agrupou no mesmo neurônio pacientes com as mesmas características. Algoritmo adotado: algoritmo em lote. O algoritmo em lote não apresenta nenhuma alteração quanto à rotação dos dados apresentados como resposta do SOM. (a) (c) (b) (d) Figura 1: Representação dos pontos e ângulos utilizados na avaliação postural, indicando (a) lordose cervical; (b) cifose torácia; (c) lordose lombar; (d) posição da pelve. Além disto, foram apresentados diferentes conjuntos de dados ao SOM a fim de definir o padrão de entrada adequado para o problema da classificação de crianças respiradoras bucais e nasais. O conjunto de dados que se mostrou representativo para este tipo de problema, isto é, proporcionou a formação de agrupamentos característicos, foi o da postura cifose cervical, cifose torácica, lordose lombar e posição da pelve e do diafragma PD e PE. Algoritmo RespBucal É apresentado abaixo o algoritmo adotado para classificar crianças respiradoras bucais e nasais utilizando o SOM e para calcular taxa de acertos. Este algoritmo foi implementado em Matlab e leva o nome de algoritmo RespBucal. Inicialmente, foi adotado um modelo para determinar a divisão dos sujeitos do repositório de dados a fim de iniciar o processo de reconhecimento de crianças respiradoras bucais e nasais. O modelo adotado foi o seguinte: Dividiu-se aleatoriamente um conjunto de 2/3 dos sujeitos do repositório de dados. Este conjunto foi apresentado ao SOM, a fim de realizar o treinamento do mapa; Dividiu-se aleatoriamente um conjunto de 1/3 dos sujeitos do repositório de dados. Este conjunto foi utilizado para validar os acertos do SOM. Após o treinamento do mapa, que foi executado com o SOM e apresentado como padrão de entrada o conjunto de dados de treinamento, foram estabelecidas regras para os determinar o rótulo para cada neurônio do SOM. Estas regras definidas utilizando os seguintes princípios: Caso o número de sujeitos da categoria caso controle de um determinado neurônio seja maior do que o número de sujeitos da categoria respirador bucal deste mesmo neurônio, este é rotulado como categoria caso controle; Caso o número de sujeitos da categoria respirador bucal de um determinado neurônio seja maior do que o número de sujeitos da categoria caso controle deste mesmo neurônio, este é rotulado como categoria respirador bucal; Caso o número de sujeitos da categoria respirador bucal seja igual ao número de sujeitos da categoria caso controle, este é rotulado como categoria intermediária. Determinado o rótulo para cada neurônio, o conjunto de dados de validação foi utilizado para contar os acertos e erros do SOM no diagnóstico do respirador bucal. Estes foram determinados utilizando os seguintes passos: Caso o sujeito pertença à categoria respirador bucal e estiver representado pelo mapa em um neurônio que foi rotulado como categoria respirador bucal, um acerto (+1) é atribuído para a contagem de acertos. Caso contrário, um erro (-1) é computado; 3

4 Caso o sujeito pertença à categoria caso controle e estiver representado pelo mapa em um neurônio que foi rotulado como categoria caso controle, um acerto (+1) é atribuído para a contagem de acertos. Caso contrário, um erro (-1) é computado. Caso o sujeito pertença à categoria caso controle ou da categoria respirador bucal e estiver representado pelo mapa em um neurônio que foi rotulado como categoria intermediária, um meio acerto (+,5) é atribuído. Por fim, após a contagem dos acertos e erros gerados pelo conjunto de dados de validação, a especificidade e sensibilidade do algoritmo é calculada Resultados A Figura 2 foi obtida após o treinamento do SOM utilizando o modelo e o padrão de entrada listado na metodologia deste trabalho. A Figura 2 apresenta 2 categorias bem definidas. Os neurônios 1, 2, 3, 4 e 7 forma de círculo são representados apenas pelas crianças respiradoras bucais. Da mesma maneira, os neurônios 5, 6, 8 e 9 forma quadrada são representados, genericamente, apenas pelas crianças caso controle. Porém, especificamente no neurônio 8 são apresentadas 4 crianças caso controle e uma criança respiradora bucal. Para entender o motivo deste sujeito ter sido agrupado neste neurônio, além de auxiliar na abordagem de outras características do repositório de dados, é necessário realizar algumas observações quanto ao comportamento das variáveis de postura e a distância da excursão do diafragma: O valor médio da lordose cervical no grupo das crianças respiradores bucais foi cerca de 15% maior, se comparado com o valor médio no grupo das crianças caso controle; O valor médio da lordose lombar no grupo das crianças respiradores bucais foi cerca de 25% menor, se comparado com o valor médio no grupo das crianças caso controle; O valor médio da cifose torácica no grupo das crianças respiradores bucais foi cerca de 11% maior, se comparado com o valor médio no grupo das crianças caso controle; O valor médio da posição da pelve no grupo das crianças respiradores bucais foi cerca de 45% maior, se comparado com o valor médio no grupo das crianças caso controle; O valor médio do PD e PE foi cerca de 34% menor, se comparado com o valor médio no grupo das crianças caso controle. Figura 2: Mapa gerado após o treinamento do SOM. Cada hexágono representa um neurônio, com sua identificação do lado superior esquerdo. Internamente a cada hexágono é apresentado um círculo ou quadrado. O quadrado classifica o neurônio com agrupamentos de crianças respiradoras nasais e o círculo classifica o neurônio com agrupamentos de crianças respiradoras bucais. Em cada círculo e quadrado são mostradas a quantidade de crianças respiradoras bucais (número acima) e a quantidade de crianças respiradoras nasais (número abaixo) agrupadas. O paciente respirador bucal que foi agrupado no neurônio 8 apresentam valores de PE, PD e posição da pelve bem próximo à média representada pelo grupo de crianças caso controle. Outros atributos deste sujeito encontram-se na média dos respiradores bucais. Este fato evidencia que a distância da excursão do diafragma e a posição da pelve são atributos decisivos no diagnóstico de um paciente. Conforme apresentado na Figura 2, o SOM realizou a extração de características de maneira eficiente pois agrupou categorias de sujeitos caso controle e respirador bucal em diferentes áreas do mapa. Segundo Haykin [14], as propriedades do mapa de características do SOM fazem com que este modelo de RNA possa ser utilizado como um classificador de padrões. Sendo assim, foi empregado o algoritmo RespBucal para reconhecer crianças respiradoras bucais e nasais e calcular a taxa de acertos na classificação. Após realizar 1 iterações do algoritmo RespBucal, a sensibilidade e especificidade no diagnóstico de crianças respiradoras bucais e nasais para o conjunto de dados analisado neste trabalho foram de,92 e,97, respectivamente. Com a finalidade de aumentar a taxa de acertos foi aplicada à saída do SOM a variante supervisionada 4

5 conhecida como quantização vetorial por aprendizagem (learning vector quantization, LVQ) [1]. A junção destes dois modelos de RNAs é chamada de classificador adaptativo de padrões [14]. A aplicação do classificador adaptativo de padrões para diagnóstico de crianças respiradoras bucais e nasais não alterou a sensibilidade e especificidade do sistema. Discussão Determinar o padrão de entrada a ser aplicado na construção de um reconhecedor de padrões é uma tarefa crítica. No experimento computacional apresentado neste trabalho chegouse a conclusão que, por meio da comparação dos diferentes mapas gerados pelo SOM para diferentes conjuntos de dados apresentados, os dados da postura e o tamanho da excursão do diafragma geraram agrupamentos característicos. Foi realizado o teste t-student, controlado pelo teste de Levene para igualdades de variâncias, a fim de comprovar, a partir de um modelo estatístico convencional, se as diferenças médias entre a categoria dos respiradores bucais e dos casos controle são significantes. O dados são apresentados na Tabela 2. Atributos p lordose cervical,3 lordose lombar,1 cifose torácica,2 posição pélvica,1 peso,89 altura,78 Tabela 2: Aplicação do teste t-student controlado pelo teste de Levene para igualdade de variâncias. Se o valor de p <=,5 pode-se concluir que as diferenças médias entre os grupos respirador bucal e caso controle são significativas. A partir da Tabela 2 é possível comprovar que somente os atributos referentes ao comportamento das curvaturas da coluna vertebral e distância da excursão do diafragma apresentaram diferenças médias significativas. Isto é, a partir do teste de t- Student é evidenciado que apenas o conjunto de dados aplicado como padrão de entrada expressou diferenças médias significativas. Desta maneira, pode-se afirmar que os agrupamentos gerados pelo SOM são concordantes. Foram realizados testes com o objetivo de verificar a porcentagem de acertos do SOM no reconhecimento de um respirador bucal ou nasal, caso seja apresentado diferentes padrões de entrada aplicando-se 1 iterações do algoritmo RespBucal. A Tabela 3 mostra os resultados. O padrão de entrada aplicado neste trabalho apresentou maior taxa de acertos, provando novamente que dados que possuem diferenças médias significativas tendem a realizar agrupamentos similares e, conseqüentemente, melhoram os acertos do SOM. Um resultado significativo é que apesar dos dados antropométricos não apresentarem diferenças médias significativas, estes não alteraram de maneira representativa a porcentagem de acertos do SOM, se apresentados em conjunto com os dados que possuem diferenças médias significativas. Este tipo de abordagem demonstra as propriedades 2 e 3 dos mapas de características [14]. Isto é, o SOM é capaz em determinar o conjunto de dados mais similares de um determinado padrão de entrada, mesmo com a presença de um possível ruído. Padrão de Entrada Sensibilidade Especificidade Comportamento das curvaturas da coluna vertebral (4) e excursão do,92,97 músculo diafragma (2)* Comportamento das curvaturas da coluna vertebral (4), excursão do,9,97 músculo diafragma (2), peso (1) e altura (1) Comportamento das curvaturas da coluna,86,86 vertebral (4) Excursão do músculo diafragma (2),79,78 Peso (1) e altura (1),62,49 Tabela 3: Diferentes padrões de entrada apresentados ao SOM e a representação da quantidade de variáveis adotadas para cada conjunto de dados entre parênteses. * conjunto de dados adotado como padrão de entrada para este trabalho. De maneira geral, o SOM foi eficiente para diagnóstico de crianças respiradoras bucais e nasais. Foi aplicado um classificador adaptativo de padrões (SOM + LVQ) ao algoritmo RespBucal, porém não houve alterações e a especificidade e sensibilidade mantiveram-se na mesma faixa. Os trabalhos de Barton et al. [15] e Pesonen et al. [16] citam que o SOM apresenta problemas quanto à sensibilidade. Dessa maneira, caso não exista diferenças médias significativas entre classes, o SOM pode não apresentar resultados tão expressivos quanto os encontrados neste trabalho. O objetivo deste estudo foi aplicar o SOM como um classificador de padrões. Markey et al. [17] e Pesonen et al. [16] mostram que o SOM apresenta número de acertos menor se comparado com outros modelos de RNA. Entretanto, o SOM é uma ferramenta poderosa para a análise exploratória de dados [18]. A partir da aplicação do SOM para tarefa 5

6 de reconhecimento de padrões no conjunto de dados abordado neste trabalho, este modelo de RNA foi validado para realizar extração de características em repositório de dados de crianças respiradoras bucais e nasais. Referências [1] Hungria H. (1995), Otorrinolaringologia. São Paulo: Guanabara Koogan, [2] Carvalho GD. (1996), "Síndrome do respirador bucal ou insuficiente respirador nasal". Rev Secret Saúde, v. 2, n. 18, p [3] Schinestsck PA. (1986), A relação entre a má oclusão dentária, respiração bucal e as deformidades esqueléticas. J Bras Ortod Ortop Max, v. 3, n. 4, p [4] Aragão W. (1991), Aragão s function regulator, the stomatognathic system. J Clin Ped Dent, v. 15, n. 4, p [5] Lusvarghi L. (1999), Identificando o respirador bucal". Revista da APCD, v. 53, n. 4, p [6] Pizarro, GU. (23), Análise videofluoroscópica das fases oral e faríngea da deglutição em crianças respiradoras bucais com apnéia do sono. Tese de Mestrado, Universidade Federal de São Paulo / Escola Paulista de Medicina, São Paulo, 9 p., fev. [7] Aragão W. (1988), Respirador bucal J Ped, v. 64, n. 8, p [8] Liu CY, Guedes ZCF, Vieira MM. (23), Relação da postura corporal com a disfunção da articulação temporomandibular: hiperatividade dos músculos da mastigação. Fisioter Brasil, v. 4, n. 5, p [9] Liu CY. (26), Estudo da relação entre a excursão do músculo diafragma e o comportamento das curvaturas da coluna vertebral em crianças respiradoras bucais e nasais. Tese de Doutorado, Universidade Federal de São Paulo / Escola Paulista de Medicina, São Paulo, 95p., jun. [1] Kohonen, T. (1997), Self-organizing Maps. Berlim: Springer-Verlag. [11] Gersho, A., Gray, R. M. (1992), Vector Quantization and Signal Compression. Norwell: Kluwer. [12] Duarte, M. (26), Portal do Projeto Software para Avaliação Postural. [ 19 maio de 26. [13] Vesanto J, Himberg J, Alhoniemi E, Parhankangas J. (2), "SOM Toolbox for Matlab 5." Espoo: Helsinki University of Technology. [14] Haykin, S. (1999), Neural Networks: a Comprehensive Foundation. New Jersey: Prentice- Hall. [15] Barton, G, Lees, A, Lisboa, P, Attfield, S (25), "Visualisation of gait data with Kohonen selforganising neural maps". Gait Posture, In Press. [16] Pesonen, E, Matti, E, Juhola, M. (1996), "Comparasion of Different Neural Network Algorithms in the Diagnosis of Acute Appendicitis". Int J Biomed Comput. v. 4, p [17] Markeya, MK, Lo, JY, Tourassib, GD, Floyd, CE. (23), "Self-organizing map for cluster analysis of a breast cancer database". Artificial Intelligence in Medicine, v. 27, p [18] Vesanto, J & Alhoniemi, E. (2), Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks, v. 11, n. 3, p Agradecimentos Os autores agradecem ao apoio institucional do Departamento de Informática em Saúde e Departamento de Otorrinolaringologia Pediátrica e Cirurgia de Cabeça e Pescoço, UNIFESP; ao Prof. Dr. Domingos Alves pelo apoio científico; ao Prof. Dr. Carlos José Reis de Campos pelo inestimável auxílio; e à CAPES pelo financiamento do trabalho por meio de uma bolsa de estudos nível mestrado. Contato Felipe Mancini (felipe-pg@dis.epm.br) é aluno de mestrado do Programa de Pós-graduação em Informática em Saúde do Departamento de Informática em Saúde (DIS), Universidade Federal de São Paulo (UNIFESP). Correspondências diretas ou para seu orientador, Prof. Dr. Ivan Torres Pisa (ivanpisa@dis.epm.br), podem ser encaminhadas para Rua Botucatu 862, Vila Clementino, , São Paulo, SP. Os telefones são (11) / Os demais autores podem ser contatados a partir destes s. 6