Las redes de neuronas artificiales (denominadas
habitualmente como RNA o en inglés como: "ANN") son un paradigma de
aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de
neuronas que colaboran entre sí para producir un estímulo de salida. En
inteligencia artificial es frecuente referirse a ellas como redes de neuronas o
redes neuronales.
Los primeros modelos de redes neuronales datan de
1943 por los neurólogos McCulloch y Pitts. Años más tarde, en 1949, Donald Hebb
desarrolló sus ideas sobre el aprendizaje neuronal, quedando reflejado en la
"regla de Hebb". En 1958, Rosemblatt desarrolló el perceptrón simple,
y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera
aplicación industrial real. En los años 80, volvieron a resurgir las RNA
gracias al desarrollo de la red de Hopfield, y en especial, al algoritmo de
aprendizaje de retropropagación ideado por Rumelhart y McLellan en 1986 que fue
aplicado en el desarrollo de los perceptrones multicapa.
Las ANN son un método de resolver problemas, de forma individual o combinadas con otros métodos, para aquellas tareas de
clasificación, identificación, diagnóstico, optimización o predicción en las que el balance
datos/conocimiento se inclina hacia los datos y donde, adicionalmente, puede haber la necesidad de
aprendizaje en tiempo de ejecución y de cierta tolerancia a fallos. En estos casos las RNAs se adaptan dinámicamente
reajustando constantemente los “pesos”
de sus interconexiones.
Por ejemplo en una red que se va a aplicar al
diagnóstico de imágenes médicas; durante la fase de entrenamiento el sistema
recibe imágenes de tejidos que se sabe son cancerígenos y tejidos que se sabe
son sanos, así como las respectivas clasificaciones de dichas imágenes. Si el
entrenamiento es el adecuado, una vez concluido, el sistema podrá recibir
imágenes de tejidos no clasificados y obtener su clasificación sano/no sano con
un buen grado de seguridad. Las variables de entrada pueden ser desde los
puntos individuales de cada imagen hasta un vector de características de las
mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatómica
del tejido de la imagen o la edad del paciente al que se le extrajo la
muestra).
http://www.ncbi.nlm.nih.gov/pubmed/23725313
http://www.ncbi.nlm.nih.gov/pubmed/23717809
http://www.ncbi.nlm.nih.gov/pubmed/23705105
