Programación Genética

La Programación Genética (PG) es una técnica de Inteligencia Artificial que permite la generación automática de expresiones. Esta técnica ha tenido tanto éxito que se han realizado aplicaciones en distintos campos de la ciencia y la ingeniería.

Habitualmente la PG se utiliza para que las expresiones generadas tengan la forma de expresiones matemáticas que relacionan las distintas variables que intervienen en un fenómeno con la salida que se produce, pudiendo ser entendida esta salida como cualquier medición realizada. Esta relación puede ser inicialmente desconocida, con lo que, como resultado se obtiene una expresión totalmente novedosa que relaciona los parámetros de un fenómeno. En otras ocasiones, se ha aplicado la PG en sistemas en los que sí existe una expresión que relaciona los parámetros. Esta expresión se corresponde a una normativa internacional. Sin embargo, tras la aplicación de la PG, la expresión encontrada ha ofrecido unos mejores resultados que la existente previamente, mejorando la normativa internacional.

Uso de PG en entornos médicos

La medicina es uno de los campos que más se benefician hoy en día de las distintas técnicas de Inteligencia Artificial. La cantidad de datos que se generan son susceptibles de utilizarse para descubrir relaciones entre los mismos. Relaciones que, dado precisamente el alto volumen de datos generados y la complejidad de los mismos, son imposibles de localizar por los médicos.

En este entorno, la PG ha surgido como una técnica idónea para descubrir relaciones entre los datos y, de esta manera, incrementar el conocimiento de clínicos y científicos acerca de la naturaleza de las enfermedades que se están tratando.

Un ejemplo de esta aplicación es el conocido caso de diagnóstico de hepatitis. En este problema se pretendía realizar un diagnóstico de esta enfermedad, prediciendo cuándo un caso era letal o no. Para ello, se contó con una base de datos de 155 pacientes, y de cada uno se tomaron un total de 19 características. Estas características incluyen edad, sexo, y distintas mediciones de parámetros como fatiga, histología. etc. Sabiendo en qué casos esta enfermedad resultó letal y en cuáles no, se aplicó PG en esta base de datos, teniendo como resultado una expresión que, a partir de dichos parámetros, predice la mortalidad de la enfermedad. Dicha expresión realiza un diagnóstico correcto con una precisión del 98.75%.

Algunos artículos publicados relacionados esta línea de investigación son los siguientes:

1. Julián Dorado, Juan R. Rabuñal, Antonino Santos, Alejandro Pazos, Daniel Rivero, "Automatic Recurrent and Feed-Forward ANN Rule and Expression Extraction with Genetic Programming", Lecture Notes in Computer, Vol. 2439, pp. 486-494, 2002
2. Julián Dorado, Juan R. Rabuñal, Daniel Rivero, Antonino Santos, Alejandro Pazos, "Automatic Recurrent ANN Rule Extraction with Genetic Programming", 2002 International Joint Conference on Neural Networks, Vol. 2, pp. 1552-1557, 2002.
3. Daniel Rivero, Julián Dorado, Juan Rabuñal, Alejandro Pazos, "Using Genetic Programmning for Artificial Neural Network Development and Simplification, Proceedings of the 5th WSEAS International Conference on Computational Inteligence, Man-Machine Systems and Cybernetics (CIMMACS'06), Vol. 4, pp. 65-71, 2006.
4. Daniel Rivero, Julián Dorado, Juan R. Rabuñal, Alejandro Pazos, Javier Pereira, "Artificial Neural Network Development by means of Genetic Programming with Graph Codification", Enformatika. Transactions on Engineering, Computing and Technology, Vol. 15, pp. 209-214, 2006.
5. Daniel Rivero, Julián Dorado, Juan Rabuñal, Alejandro Pazos, "Building and Simplifying Artificial Neural Networks with Genetic Programming", WSEAS Transactions on Information Science and Applications, Vol. 4, pp. 500-507, 2007.
6. Daniel Rivero, Julián Dorado, Juan Rabuñal, Alejandro Pazos, "Modifying genetic programming for artificial neural networks development for data mining", Soft Computing, Vol. II, pp. 291-315, 2008.