Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Application of mathematics to easily detect lung cancer
Carlos Calvo Luque Claudia Ceña López Universidad Complutense de Madrid Ingeniería Química
Introducción
Objetivo
Proyecto Europeo LCAOS
“A nanoscale artificial nose to easily detect volatile biomarckers at early satges of
lung cancer and related genetic mutations”
- Detección de cáncer de pulmón.
- Facilitar su detección temprana
- Determinar la posibilidad potencial de padecerlo
-Utilidad de las matemáticas
-Dar a conocer el Proyecto Europeo LCAOS
Cáncer de pulmón
Responsable del 28% de las muertes a nivel mundial.
Síntomas se manifiestan cuando la enfermedad está
avanzada → sólo un 15 % se detectan en etapas iniciales.
Métodos de detección hoy en día son invasivos y
costosos:
◦ Broncoscopia
◦ Biopsia de médula ósea.
◦ Tomografía computarizada
Problemática:
-Detección tardía de la enfermedad.
-Proporcionan falsos positivos.
-No son eficientes en tiempo y coste
para revisiones generalizadas.
Proyecto LCAOS
- Desarrolla una herramienta y una metodología para la
detección del cáncer de pulmón:
• No invasiva.
• Barata.
• Precisa.
• Rápida respuesta.
- Fundamento de NaNose: localización de biomarcadores
volátiles emitidos por las paredes de las células cancerosas y que
están presentes en el aire exhalado por las personas.
Se conoce como
nariz artificial
(NaNose)
Riesgo genético de
padecer cáncer
Presencia de
cáncer
Biomarcadores
indican:
Nariz Artificial NaNose
LCAOS EN ESPAÑA
Desarrollo de algoritmos matemáticos para el
tratamiento de los datos.
Algoritmos
matemáticos
Biomarcadores en
el aire exhalado.
Sí cáncer
No cáncer
-Tipo
-Concentración
Modelo matemático
-Un modelo matemático es una descripción, en lenguaje
matemático, de un determinado sistema.
Salida= f(entrada, parámetros)
Ejemplo:
Concentración de oxígeno-Profundidad del mar
Profundidad (m) [O2] (mg/L)exp
0 9,01
1 8,4
2 8,33
3 7,79
4 7,43
5 7,02
6 6,58
7 6,3
8 5,6
9 5,2
10 5,04
[O2] = -0,406*Profundidad + 9,003
R² = 0,992
0
1
2
3
4
5
6
7
8
9
10
0 2 4 6 8 10
[O2]
(mg/l)
Profundidad (m)
[O2] vs profundidad
Para h= 5,5m la [O2]= 6,77 mg/l
La [O2] (mg/l) puede verse modificada además:
-Difusión del oxígeno de la atmósfera al agua.
-Temperatura.
-Presencia de organismos vivos (respiración).
-Presencia de algas (fotosíntesis).
Respuesta no lineal
Tipos de modelos no lineales
Modelos no
lineales
Redes neuronales
Caos
Lógica difusa
Autómatas celulares
Caos Determinista
Determinista
•Mecánica clásica
Sistemas complejos aleatorios
Sistemas caótico-deterministas
Predecible
Determinismo: universo se rige por un
conjunto de leyes físicas inquebrantables
Modelos no lineales.
Características
11
Dinámica no lineal
Sistemas deterministas simples
Siempre pueden predecirse a muy corto
plazo
Generan comportamientos impredecibles a
largo plazo
Bajo número de variables
Fuerte interdependencia entre ellas
Sensibilidad a las condiciones iniciales
Modelos no lineales- Caos determinista
Ejemplos de sistemas
caótico-deterministas
Ecuación logística
Sistemas de ecuaciones de Lorenz y
Rösler
Dinámica del goteo de una válvula
Dinámica de fenómenos solares
Mecanismos de contagio de ciertas
enfermedades
Modelos no lineales- Caos determinista
Ecuación logística Kxxy nnn 1
nn yx 1
K es el parámetro de control
K>3.5699 el sistema se
comporta caóticamente
K=0.8 K=2.5
K=3.1 K=3.8
Modelos no lineales- Caos determinista
Parámetros caóticos
A. REPRESENTACIÓN GRÁFICA. ESPACIO DE
FASES
B. FUNCIÓN DE CORRELACIÓN
C. SECCIÓN DE POINCARÉ
D. MAPA UNIDIMENSIONAL
E. CÁLCULO DE LA TRANSFORMADA DE
FOURIER
F. DIMENSIÓN DEL ATRACTOR
G. EXPONENTE DE LIAPUNOV
H. ÍNDICE CONJUNTO DE CAOS
14
Modelos no lineales- Caos determinista
Espacio de fases
15
Los sistemas caóticos se estudian en el espacio de fases
Es un espacio matemático y abstracto
Las coordenadas son las variables que definen el estado del sistema
Un sistema de n grados de libertad se representa en un espacio de
fases n-dimensional.
Representación del espacio de fases y de la trayectoria para un
péndulo ideal y para un péndulo real con rozamiento
Modelos no lineales- Caos determinista
Atractores predecibles: punto, ciclo límite y toro
16
Atractores extraños: atractor de Lorenz, de Rössler y de Shaw
Exponente de Liapunov
17
Es la medida de la separación exponencial de dos trayectorias del espacio de fases inicialmente próximas:
Es negativo para un atractor de punto fijo, cero para un ciclo límite o un atractor toroidal y positiva para un atractor extraño
Se trata de uno de los parámetros más sensibles del nivel de caos
Se puede conocer el máximo exponente de Liapunov (M.E.L.) de un sistema, tantos como dimensiones. Cada uno mide el grado de divergencia del atractor en una dirección diferente.
mk
k k
k
m tL
tL
ttEL
1 10 )(
)(log
1
Modelos no lineales- Caos determinista
Redes neuronales Las redes neuronales se basan en modelos matemáticos que
presentan un comportamiento semejante al de las neuronas del
cerebro. Basado en su capacidad de comunicarse.
Cuerpo celular
Axón, transporta
la señal al exterior
Dentritas. Señal
al interior
Las neuronas tienen capacidad de comunicarse unas con otras.
Sinapsis
Modelos no lineales
Descripción en redes neuronales artificiales:
neurona
artificial Entradas a la
neurona
Señal de
salida
En la red neuronal se transforman varias señales de
entrada en una de salida.
El comportamiento básico consiste en sumar determinadas señales
de entrada a la célula y expresar un efecto global de salida
Modelos no lineales- Redes Neuronales
Forma matemática:
∑
x1
x2
x3
W1
W2
W3
ᶴ
F
Salida=f(entrada)
Suma ponderada de
señales las entradas:
Fa=∑Wi*xi
Wi=peso de cada entrada.
xi=cada una de las entradas
Función de activación Función de transferencia
Transforma la suma en un
nuevo valor. •Función Escalón
•Función rampa
•Sigmoidal
Modelos no lineales- Redes Neuronales
Neurona artificial
Función
escalón Función rampa
Función
sigmoide
Funciones de transferencia
Modelos no lineales- Redes Neuronales
Ejemplo:
FUNCIÓN
ACTIVACIÓN
FUNCIÓN
TRASNFERENCIA
X= 0,5
Y= 0,1
Z=0,65
Tipo sigmoide
Z(u)=1/(1+exp(-u)) U=0,5+0,1=0,6
Z(0,6)=1/(1+exp(-0,6))= 0,65
Neurona artificial
La combinación de varias neuronas da lugar a una red
neuronal formada por varias capas:
Conjunto de neuronas agrupadas en varios niveles o capas
◦ Capa que recibe la entrada: Capa de entrada.
◦ Capa que genera la salida: Capa de salida
◦ Conexión entre ambas capas: Capa oculta
Las conexiones entre cada neurona y capa vienen
determinadas por sus pesos.
Red neuronal
Combinación de varias capas
Modelos no lineales- Redes Neuronales
Funcionamiento de una red neuronal:
◦ Proceso de aprendizaje:
1) Se fijan las funciones de transferencia para cada neurona.
2) Mostrar a la red pares de valores de entrada y salida.
3) Red neuronal modifica los pesos de las entradas hasta que
sea capaz de reproducir la muestra.
4) Se consigue una red adiestrada que asocia patrones de
entrada y de salida.
Se consigue generalizar problemas , es decir, generar
salidas adecuadas ante nuevas entradas, similares a las
aprendidas pero nunca vistas antes
Modelos no lineales- Redes Neuronales
Conclusiones
Cáncer es una enfermedad que origina
miles de muertes año.
Técnicas para su determinación son
invasivas y costosas.
Es necesario invertir en I+D para
desarrollar nuevas metodologías: NaNose
Matemáticas tienen un uso importante en
este objetivo.
FIN