El propósito de esta Tesis Doctoral es proponer una alternativa viable a la aproximación de modelos y procesos en el ámbito científico y, más concretamente, en aplicaciones complejas de bioingeniería, en las cuales es imposible o muy costoso encontrar una relación directa entre las señales de entrada y de salida mediante modelos matemáticos sencillos o aproximaciones estadísticas.

Del mismo modo, es interesante lograr una compactación de los datos que necesita un modelo para conseguir una predicción o clasificación en un tiempo y con un coste de implementación mínimos. Un modelo puede ser simplificado en gran medida al reducir el número de entradas o realizar operaciones matemáticas sobre éstas para transformarlas en nuevas variables.

En muchos problemas de regresión (aproximación de funciones), clasificación y optimización, en general se hace uso de las nuevas metodologías basadas en la inteligencia artificial. La inteligencia artificial es una rama de las ciencias de la computación que busca automatizar la capacidad de un sistema para responder a los estímulos que recibe y proponer salidas adecuadas y racionales. Esto se produce gracias a un proceso de aprendizaje, mediante el cual se presentan ciertas muestras o “ejemplos” al modelo y sus correspondientes salidas y éste aprende a proponer las salidas correspondientes a nuevos estímulos que no ha visto previamente. Esto se denomina aprendizaje supervisado. También puede darse el caso de que tal modelo asocie las entradas con características similares entre sí para obtener una clasificación de las muestras de entrada sin necesidad de un patrón de salida. Este modelo de aprendizaje se denomina no supervisado.

El principal exponente de la aplicación de la inteligencia artificial para aproximación de funciones y clasificación son las redes neuronales artificiales. Se trata de modelos que han demostrado sobradamente sus ventajas en el ámbito del modelado estadístico y de la predicción frente a otros métodos clásicos.

No se ha querido dejar a un lado la importancia del preprocesado de variables para optimizar la respuesta de un sistema de predicción basado en redes neuronales. Tan importante es la adecuación de las variables de entrada como el correcto diseño del sistema predictivo. Por ello, se ha dedicado especial atención al análisis de la selección de variables de entrada de un sistema y su transformación (escalado, proyección, etc.) para optimizar su respuesta. En concreto, se ha hecho uso de un criterio que se utiliza cada vez más para decidir qué variables son verdaderamente importantes para una predicción. Dicho
criterio de denomina Test Delta, y es un estimador no paramétrico que se basa en la aproximación de la varianza del ruido a la salida de una función. La combinación de variables de entrada que suponga la minimización de dicho criterio conseguirá un óptimo comportamiento predictivo de la red neuronal bajo estudio. Este método se evaluará sobre conjuntos de datos reales para comprobar su utilidad práctica.

En el presente trabajo se va a llevar a cabo la aplicación de las redes neuronales y el preprocesado de datos para tratar de aproximar una serie de problemas complejos en bioingeniería, todos ellos mediante aprendizaje supervisado. Por ejemplo, se van a tratar de aplicar las redes neuronales a la predicción de la presencia de toxinas (micotoxinas) asociadas a los hongos que pueden crecer en determinados alimentos debido a diferentes factores ambientales asociados al cambio climático y que son consideradas cancerígenas. Esto se ha realizado mediante cultivos de hongos productores de ciertas micotoxinas (en concreto deoxinivalenol y ocratoxina A) en laboratorio a lo largo de un cierto número de días y bajo estrictas condiciones ambientales. Diversos factores o entradas se tratarán de utilizar para la predicción de la cantidad de micotoxina, tales como el tiempo de almacenaje, la temperatura de incubación, la actividad acuosa, el diámetro del inóculo o
la presencia de fungicidas.

Otra aplicación de las redes neuronales que se va a presentar en esta Tesis esta relacionada con la reconstrucción de imágenes médicas en un detector de tomografía por emisión de positrones, corrigiendo errores intrínsecos a la naturaleza de la óptica y de los fenómenos físicos que sufren los fotones en su camino hacia el detector. Las redes neuronales diseñadas y entrenadas para tal propósito pueden ser fácilmente implementadas en hardware, liberando a un ordenador de una gran carga computacional y permitiendo realizar la corrección automática y en tiempo real (on-line) de la posición de impacto de los fotones en un sistema PET real.