MODULO IV APLICACIÓN PRÁCTICA: NAIVE BAYES (APRENDIZAJE SUPERVISADO) DIAGNÓSTICO DE PULPOTOMÍA

                                                                         DIPLOMA DO

                                       EN INTELIGENCIA ARTIFICIAL

                                                               MODULO IV  

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

Ortega Irusta Mireya Elena

Interaccion con chat GPT

https://chat.openai.com/share/6aae6a88-6c85-451c-b2d4-85ebebebcb39

El pensamiento computacional es clave para abordar problemas de manera estructurada y eficiente. Vamos a aplicar estos pasos al algoritmo K-Means para el aprendizaje no supervisado:

 

Componentes del Pensamiento Computacional aplicados al algoritmo K-Means:

 

 1. Descomposición:

   - Programación tradicional: K-Means se basa en un proceso iterativo para asignar puntos de datos a un número dado de clusters.

   - Aprendizaje automático: Utiliza datos de entrada sin etiquetas para agruparlos en clusters basados en similitudes.

 

2. Abstracción: Explicación del algoritmo K-Means:

   - Paso 1: Inicialización: Selecciona aleatoriamente los centroides iniciales para cada cluster.

   - Paso 2: Asignación de puntos: Asigna cada punto de datos al centroide más cercano.

   - Paso 3: Actualización de centroides: Calcula nuevos centroides basados en la media de los puntos asignados a cada cluster.

   - Paso 4: Repetición: Repite los pasos 2 y 3 hasta que los centroides converjan o se alcance un número máximo de iteraciones.

 

 3. Reconocimiento de patrones: Evaluación de la efectividad y selección del número de clusters:

   - Métodos de evaluación: Se pueden utilizar métricas como la inercia, el índice de Silhouette o el codo para evaluar la calidad de los clusters.

   - Selección del número de clusters: La elección del número óptimo de clusters puede hacerse visualmente con el método del codo o utilizando técnicas más avanzadas como el índice de Silhouette.

 

 Ejemplo de Aplicación Práctica de K-Means:

 

Paso 1: Programación tradicional: No se aplica directamente ya que K-Means es un algoritmo de aprendizaje automático.

 

Paso 2: Explicación del algoritmo K-Means: Lo hemos hecho anteriormente.

 

Paso 3: Evaluación de la efectividad y selección del número de clusters:

Supongamos que tenemos un conjunto de datos de clientes con sus hábitos de compra. Queremos segmentar estos clientes en diferentes grupos para dirigir estrategias de marketing específicas.

 

1. Evaluación de la efectividad: Podemos calcular la inercia de los clusters para ver cómo varía en función del número de clusters. Entre menos inercia, mejor.

2. Selección del número de clusters: Utilizaremos el método del codo para determinar el número óptimo de clusters observando dónde se produce un cambio significativo en la inercia.

 

Una vez seleccionado el número óptimo de clusters, podríamos utilizar los centroides y las etiquetas asignadas a cada cliente para comprender mejor los diferentes grupos y tomar decisiones comerciales adecuadas para cada segmento.

 

Estos pasos son un marco general para aplicar el pensamiento computacional al algoritmo K-Means en el contexto del aprendizaje no supervisado.

DIAGNÓSTICO DE PULPOTOMÍA 

En odontología, el diagnóstico de pulpotomía implica la evaluación del estado de la pulpa dental para determinar si es necesario realizar un procedimiento de pulpotomía, que consiste en la extracción de parte de la pulpa dental enferma. Podemos aplicar el algoritmo K-Means para segmentar datos clínicos de pacientes y ayudar en este proceso diagnóstico.

Ejemplo de Aplicación de K-Means en Diagnóstico de Pulpotomía:

         Paso 1: Recolección de Datos

Supongamos que tenemos un conjunto de datos clínicos que incluyen características como:

1. Edad del paciente

2. Sensibilidad al calor/frio en el diente afectado

3. Nivel de dolor experimentado

4. Resultados de exámenes radiográficos

5. Presencia de inflamación en la región dental

         Paso 2: Preprocesamiento de Datos

Normalizamos los datos para que tengan la misma escala, ya que las características pueden tener rangos diferentes.

         Paso 3: Aplicación de K-Means

Utilizamos el algoritmo K-Means para segmentar los datos de los pacientes en diferentes grupos basados en similitudes entre las características. Por ejemplo, podríamos identificar tres clusters:

1. Cluster 1:Pacientes con síntomas leves, poca sensibilidad al calor/frío, sin inflamación y resultados radiográficos normales.

2. Cluster 2:Pacientes con síntomas moderados, sensibilidad al calor/frío intermedia, inflamación moderada y cambios radiográficos leves.

3. Cluster 3: Pacientes con síntomas severos, alta sensibilidad al calor/frío, inflamación evidente y cambios radiográficos significativos.

         Paso 4: Interpretación y Diagnóstico

Una vez que los pacientes se han agrupado en clusters, los profesionales de la odontología pueden analizar las características predominantes en cada grupo y asociarlas con diferentes estados de la pulpa dental. Esto les ayuda a tomar decisiones más informadas sobre si un paciente necesita o no un procedimiento de pulpotomía.

Ejecutado este código tenemos los siguientes resultados.

Pithon

 import matplotlib.pyplot as plt

import numpy as np

from sklearn.linear_model import LinearRegression

# Datos simulados

np.random.seed(42)

edad = np.random.randint(18, 70, 100)

necesidad_pulpotomia = np.random.randint(0, 2, 100)

# Crear un gráfico de dispersión

plt.scatter(edad, necesidad_pulpotomia, color='blue', label='Datos')

# Formatear el gráfico

plt.title('Relación entre Edad y Necesidad de Pulpotomía')

plt.xlabel('Edad')

plt.ylabel('Necesidad de Pulpotomía')

# Aplicar regresión lineal

X = edad.reshape(-1, 1)  # Reajustar la forma de los datos para la regresión lineal

model = LinearRegression()

model.fit(X, necesidad_pulpotomia)

# Predecir utilizando el modelo

x_values = np.linspace(18, 70, 100)

y_values = model.predict(x_values.reshape(-1, 1))

# Graficar la regresión lineal

plt.plot(x_values, y_values, color='red', label='Regresión Lineal')

# Mostrar leyenda y gráfico

plt.legend()

plt.show()

Interacción con Google colab:

Supongamos que tenemos datos hipotéticos sobre la relación entre la edad de pacientes y la necesidad de un procedimiento de pulpotomía. Vamos a aplicar una regresión lineal para modelar esta relación y graficarla.

Pithon

import matplotlib.pyplot as plt

import numpy as np

from sklearn.linear_model import LinearRegression

# Datos hipotéticos: edad de pacientes y necesidad de pulpotomía (0 o 1)

edad = np.array([20, 25, 30, 35, 40, 45, 50, 55, 60, 65]).reshape(-1, 1)

necesidad_pulpotomia = np.array([0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

# Inicializar el modelo de regresión lineal

model = LinearRegression()

# Entrenar el modelo con los datos

model.fit(edad, necesidad_pulpotomia)

# Hacer predicciones con el modelo entrenado

predicciones = model.predict(edad)

# Graficar los datos y la regresión lineal

plt.scatter(edad, necesidad_pulpotomia, color='blue', label='Datos')

plt.plot(edad, predicciones, color='red', label='Regresión Lineal')

# Etiquetas y título del gráfico

plt.xlabel('Edad')

plt.ylabel('Necesidad de Pulpotomía')

plt.title('Regresión Lineal: Edad vs. Necesidad de Pulpotomía')

# Mostrar la leyenda

plt.legend()

# Mostrar el gráfico

plt.show()

Interacción con Google colab:

Cómo implementar un algoritmo de árbol de decisiones para el diagnóstico de pulpotomía en odontología utilizando Python y la librería scikit-learn. En este ejemplo, utilizaremos datos simulados y graficaremos el árbol resultante.

Pithon

import matplotlib.pyplot as plt

import numpy as np

from sklearn.tree import DecisionTreeClassifier, plot_tree

# Datos hipotéticos: edad de pacientes y necesidad de pulpotomía (0 o 1)

edad = np.array([20, 25, 30, 35, 40, 45, 50, 55, 60, 65]).reshape(-1, 1)

necesidad_pulpotomia = np.array([0, 0, 0, 0, 1, 1, 1, 1, 1, 1])

# Inicializar el modelo de árbol de decisiones

model = DecisionTreeClassifier(random_state=42)

# Entrenar el modelo con los datos

model.fit(edad, necesidad_pulpotomia)

# Graficar el árbol de decisiones

plt.figure(figsize=(8, 6))

plot_tree(model, filled=True, feature_names=['Edad'], class_names=['No Pulpotomía', 'Pulpotomía'])

plt.title('Árbol de Decisiones para Diagnóstico de Pulpotomía')

plt.show()

Arbol de decisiones.

 Consideraciones Importantes:

- Este ejemplo es ilustrativo y simplificado. En la práctica, se necesitaría un conjunto de datos clínicos más amplio y detallado.

- La interpretación de los clusters debe hacerse por profesionales de la odontología, ya que K-Means solo ayuda en la segmentación, pero la interpretación clínica es crucial.

- La exactitud del diagnóstico no se garantiza solo con el uso de algoritmos de aprendizaje no supervisado; siempre se debe complementar con la experiencia y el juicio clínico.

Este enfoque muestra cómo el pensamiento computacional, específicamente el algoritmo K-Means, puede ser útil en la segmentación de datos clínicos para apoyar el diagnóstico de pulpotomía en odontología.

Conclusiones y reflexiones:  Es de gran importancia poder conocer estas herramientas de aplicación práctica: Naive Bayes (aprendizaje supervisado) en el contexto del diagnóstico de pulpotomía  para ayudar a identificar patrones entre síntomas y diagnósticos, facilitando la clasificación precisa de la condición del paciente. para mejorar nuestra práctica docente empleado es tas nuevas herramientas.