ENMC2019 - Utilização de redes neurais para classificação de anemias

Prévia do material em texto

08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS NA CLASSIFICAÇÃO DE 
ANEMIAS 
 
Lucas de Souza Kort Camp1 – lucas.kort@outlook.com 
Márcio Eccard Kort Kamp1 – marciokort@gmail.com 
Andressa Alves Machado da Silva1 – andressa_alves@id.uff.br 
Helder Martins Figueira2 – heldermfigueira@gmail.com 
Cleber de Almeida Corrêa Junior1 – cleberacj@id.uff.br 
Rosilene Abreu Portella Corrêa1 – rosileneportella@id.uff.br 
1 Universidade Federal Fluminense, Instituto do Noroeste Fluminense de Educação Superior – Santo 
Antônio de Pádua, RJ, Brasil 
2 Universidade Nova Iguaçu, Campus V, Itaperuna, RJ, Brasil 
 
Resumo. O presente trabalho tem por objetivo propor o diagnóstico de quadros de anemia 
por Redes Neurais Artificiais (RNA). A classificação da síndrome leva em consideração a 
morfologia e a concentração de hemoglobina nas hemácias. Os dados foram obtidos a partir 
de exames Laboratoriais, preservando a privacidade dos pacientes. Utiliza-se uma rede 
Perceptron multicamadas com algoritmo de treinamento retropropagáveis e taxa de 
momentum. Por meio da análise dos resultados obtidos, pode-se afirmar que o modelo 
apresentou eficiente desempenho, conseguindo máximo acerto para o conjunto de amostras 
testado, ressaltando a eficácia da utilização da metodologia para auxiliar o diagnóstico de 
anemias. 
 
Palavras-chave: Diagnóstico de Anemia, Hemograma, Redes Neurais Artificiais. 
 
1. INTRODUÇÃO 
 
 Segundo Silva (2010) a utilização de Redes Neurais Artificiais (RNA) permite a 
resolução de diversos problemas provenientes de diversas áreas do conhecimento, como: 
engenharia, química, computação e medicina. Khan et al (2001) utiliza RNA para classificar 
e prever câncer com base no perfil genético analisado. Yan et al (2006) trabalha com a 
diagnóstico de doenças do coração, por meio de um sistema de apoio utilizando RNA. 
 Este trabalho propõe a utilização de inteligência computacional no diagnóstico de 
anemia. O estudo foi realizado em duas partes: treino e teste da RNA. Ambas as etapas 
utilizaram dados de hemogramas previamente diagnosticados pelo médico consultor. A etapa 
de teste utilizou hemogramas que não participaram da primeira etapa, para verificar se a RNA 
foi capaz de armazenar conhecimento e reconhecer padrões, de forma a ter como saída o 
diagnóstico correto. A classificação da anemia é realizada quanto a morfologia: microcítica, 
mailto:heldermfigueira@gmail.com
mailto:cleberacj@id.uff.br
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
normocítica e macrocítica e quanto a concentração de hemoglobina nas hemácias: 
hipocrômica, normocrômica e hipercrômica. 
 
2. FUNDAMENTAÇÃO TEORICA 
 
Saraiva et al (2014), afirma que a anemia é um grave problema de saúde pública. A 
Organização Mundial da Saúde (OMS) estima que a doença afete cerca 1,62 bilhões de 
pessoas no mundo, sendo encontrada no Brasil em todas as faixas etárias, em diferentes 
regiões do país e independente da renda ou estado nutricional. 
A anemia é uma patologia sistêmica com diversas manifestações no indivíduo. Essa 
patologia é caracterizada por um quadro de disfunção hematológica, resultado de uma redução 
no nível normal da hemoglobina (Hb) circulando no plasma (DEROSSI & 
RAGHAVENDRA, 2003), responsável pelo transporte te oxigênio pelo corpo. A Hb normal 
consiste em uma molécula composta por um grupo heme, que contém ferro, e por cadeias de 
globina. 
Segundo a Organização Mundial de Saúde (OMS), podemos definir Anemia quando 
encontramos um quadro inferior a 13,5g/dl de Hb nos homens e 12 g/dl nas mulheres. 
Devemos considerar também o hematócrito (Hct), razão entre Hb no citoplasma. 
O hemograma completo é de grande valia para o diagnóstico, permitindo a confirmação 
do quadro por meio dos níveis de Hb e Hct. A análise morfológica das hemácias e, de acordo 
com os índices hematimétricos, permitem a classificação da anemia. Entretanto, como esses 
valores são apenas concentrações e não medidas absolutas, devem ser tratados com ressalvas, 
já que fatores como idade, gravidez, altitude, hábitos tabácicos e etnia influenciam a 
concentração de Hb (HOLCOMB, 2005). 
Apesar da anemia ser reconhecida como problema de saúde pública a alguns anos, não 
foram registadas melhoras significativas no que diz respeito a sua erradicação, prevalecendo, 
portanto, em níveis muito altos entre a população. 
A incidência e a prevalência da anemia aumentam com a idade. Devido a menstruação, as 
mulheres têm ainda uma maior tendência a terem anemia. Interessantemente, após os 65 anos, 
essa tendência é invertida (HOLCOMB, 2005; BALDUCCI, 2010). 
Por limitar o transporte de oxigênio (devido ao menor número de células 
transportadoras), a anemia limita a energia disponível para atividade celular e para síntese de 
novas proteínas, acarretando a imunossupressão, fadiga, falta de concentração, fraqueza e 
palidez. 
Vários fatores são importantes para avaliar o grau da anemia como, dados do número de: 
hematócrito, hemoglobina e eritrócitos. Os índices hematimétricos (VCM, HCM e CHCM) 
são importantes na classificação da anemia. 
Uma classificação para as síndromes anêmicas é dada pela morfologia (pela ectoscopia 
da hemácia ou valores de HCM e VMC), a classificação é dada como: microcítica (VCM<80) 
quando os eritrócitos tem tamanho menor que o normal, normocíticos (80<VCM >100) 
quando os eritrócitos tem tamanho normal e macrocíticas (VCM>100) quando os eritrócitos 
tem tamanho maiores que os normais. 
Outra classificação para anemia, se dá quanto a concentração de hemoglobina presente 
nas hemácias. Utiliza-se o índice CHCM nessa classificação, sendo: hipocrômicas para 
CHCM<32, hipercrômicas para CHCM<36 e normacrômica para CHCM entre 32-36 
(intervalo de normalidade). 
 
3. REDES NEURAIS ARTIFICIAIS 
 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
Redes Neurais Artificiais são modelos matemáticos inspirados em neurônios biológicos e 
na estrutura de processamento paralelo do cérebro, que tem a capacidade de armazenar 
conhecimento para utilizar futuramente. Haykin (2001) afirma que as RNA se assemelham ao 
cérebro em dois aspectos: na capacidade de aprendizagem em seu ambiente e nos pesos 
sinápticos que são utilizados para armazenar conhecimento. 
A Figura 1 representa um neurônio artificial, a combinação de diversos neurônios gera 
uma rede neural. 
 
 
 
Figura 1 – Neurônio Artificial: Palmiere, 2016. 
 
Na Figura 1, as entradas são representadas por 𝑥 = 𝑥1. 𝑥2, … , 𝑥𝑛 , os pesos sinápticos por 
𝑤 = 𝑤1, 𝑤2, … , 𝑤𝑛, o NET é a combinação entre as entradas e os pesos sinápticos, 𝑔 é a 
função de ativação e 𝑦 é a saída de rede. A diferença entre uma RNA está na sua arquitetura e 
no modo como os pesos sinápticos associados as conexões são ajustados durante o 
treinamento e na sua topologia (número de neurônios por camadas, funções de ativação, etc.). 
A Figura 2 representa uma RNA Perceptron de Múltiplas Camadas (PMC) com 
treinamento supervisionado, isto é o treinamento é feito informando as entradas e saídas para 
rede, podendo assim, calcular os erros da RNA durante e após o treinamento. 
 
 
Figura 2 – Rede Perceptron Multicamadas: Silva, 2010. 
 
As redes neurais retropropagáveis (ou do inglês Backpropagation) é um algoritmo de 
treino de redes multicamadas baseadas no aprendizado supervisionadopor correções de erros, 
constituído de duas etapas: propagação e retro propagação. Na propagação, depois de 
apresentado o padrão de entrada, a resposta de uma unidade é propagada com entrada para as 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
unidades na camada seguinte, até a camada de saída, onde é obtida a resposta da rede e o erro 
é calculado. A retropropagação utiliza o erro calculado na etapa anterior para realizar 
alterações nos pesos sinápticos. 
Dado um padrão de entrada 𝑋(𝑖𝑞), cada componente 𝑥(𝑖𝑞, 𝑖) de 𝑋(𝑖𝑞) será ponderado 
por um peso 𝑊1(𝑖, 𝑗), onde 𝑖𝑞 é o contador de padrões, 𝑖 é o contador de entradas, e 𝑗 o 
contador de neurônios na camada escondida. Após a ponderação, ocorre, em cada neurônio da 
próxima camada, um somatório dessas entradas ponderadas, conhecido como 𝑁𝐸𝑇. 
 NET(iq, j) = ∑ xN+1i=1 (iq, i)W1(i, j) (1) 
 
Considerando 𝑁 como sendo o número total de neurônios na camada escondida. O fato 
de o somatório variar até 𝑁 + 1, deve-se ao fato de estar considerando-se o bias como um 
peso que pondera um componente a mais da entrada, cujo valor atribuído seria −1. 
Após calculado o NET, o valor obtido passa por uma função de ativação previamente 
definida, que pode ser por exemplo a função abaixo: 
F(NET(iq, j)) = 1
1+e(−NET(iq,j))
 (2) 
Neste momento é conveniente calcular-se a derivada da função de ativação, pois seu uso 
será necessário mais adiante. No caso de a função de ativação ser do tipo da apresentada na 
Equação(2), tem-se que a derivada será: 
F′(NET(iq, j)) = NET(iq, j)e(−NET(iq,j))(F(NET(iq, j)))2 (3) 
Depois de obtido o F(NET), Equação (2), toma-se o valor de F(NET) como sendo uma 
entrada para uma próxima camada, e deverá ser ponderada da mesma forma que foi a primeira 
entrada. Este procedimento é repetido até chegar à camada de saída: 
NET(iq, k) = ∑ F(NET(iq, j))
M+1
j=1
W2( j, k) (4) 
onde k é o contador de neurônios da camada de saída e M o total de neurônios desta camada. 
Calculado o NET da última camada, pode-se ou não o passar por uma função de ativação, 
dependendo da necessidade da aplicação. Obtendo-se assim, uma saída z(iq,k) da rede neural. 
z(iq, k) = ∑ F(NET(iq, j))
M
j=1
W2( j, k) (5) 
Neste instante, calcula-se o erro, e , cometido para este padrão de entrada, apresentam-se 
os próximos padrões de entrada e somam-se os erros cometidos para cada padrão apresentado 
obtendo-se um erro total, ET, onde, caso o erro total for maior do que um “erro gol” 
previamente cometido, então faz uma nova época (apresentação de todos os padrões) e 
atualizam-se os pesos de cada camada, retropropagando o erro, se não pare, a rede já está 
treinada. 
A Equação que fornece o erro para este padrão de entrada é: 
e(iq, k) = t(iq, k) − z(iq, k) (6) 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
A Equação que fornece o erro total, usando NQ como o número de padrões apresentados 
à rede, é: 
ET =
1
2
∑ ∑ eMk=1
NQ
iq=1
(iq, k)2 (7) 
Enquanto o erro total cometido pela rede neural for maior que uma tolerância prefixada, 
cada peso deverá ser atualizado através de um processo de retropropagação, o qual atualizará 
os pesos de acordo com a sua contribuição para o erro. O funcionamento dessa atualização 
pode ser explicitado da seguinte forma: 
Camada de saída: 
W2( j, k) = W2( j, k) + ∆W2( j, k) (8) 
Fazendo: 
∆W2( j, k) = −η
ET
W2( j,k)
 (9) 
onde η é a taxa de aprendizagem. 
Para atualizar cada peso, deve-se aplicar a regra da cadeia até chegar ao peso que se quer 
atualizar. Para atualizar ),(2 kjW , basta derivar 
ET
W2( j,k)
 e substituir o resultado na Equação 
(8). 
Como em: 
ET
W2( j,k)
= 
ET
e(iq,k)
 
e(iq,k)
W2( j,k)
 (10) 
ET
e(iq,k)
= e(iq, k) (11) 
e(iq,k)
W2( j,k)
= 
e(iq,k)
z(iq,k)
 
z(iq,k)
W2( j,k)
 (12) 
e(iq,k)
z(iq,k)
= −1 (13) 
z(iq,k)
W2( j,k)
= 
z(iq,k)
NET( iq,k)
 
NET( iq,k)
W2( j,k)
 (14) 
z(iq,k)
NET( iq,k)
= F′(NET(iq, k))W2( j, k) (15) 
NET( iq,k)
W2( j,k)
= F(NET(iq, j)) (16) 
A Equação procurada então seria: 
W2( j, k) = W2( j, k) + ηe(iq, k)F′(NET(iq, k))W2( j, k) F(NET(iq, j)) (17) 
Repete-se o mesmo procedimento, mudando apenas o peso em relação ao qual ocorre a 
derivada. 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
ET
W1( i,j)
= 
ET
e(iq,k)
 
e(iq,k)
W1( i,j)
 (18) 
ET
e(iq,k)
= e(iq, k) (19) 
e(iq,k)
W1( i,j)
= 
e(iq,k)
z(iq,k)
 
z(iq,k)
W1( i,j)
 (20) 
e(iq,k)
z(iq,k)
= −1 (21) 
z(iq,k)
W1( i,j)
= 
z(iq,k)
NET(iq,k)
 
NET(iq,k)
W1( i,j)
 (22) 
z(iq,k)
NET(iq,k)
= F′(NET(iq, k))W2( j, k) (23) 
NET(iq,k)
W1( i,j)
= 
NET(iq,k)
F(NET(iq,j))
 
F(NET(iq,j))
W1( i,j)
 (24) 
NET(iq,k)
F(NET(iq,j))
= W2( j, k) (25) 
F(NET(iq,j))
W1( i,j)
= 
F(NET(iq,j))
NET(iq,j)
 
NET(iq,j)
W1( i,j)
 (26) 
F(NET(iq,j))
NET(iq,j)
= F′(NET(iq, j)) (27) 
NET(iq,j)
W1( i,j)
= x(iq, i) (28) 
W1( i, j) = W1( i, j) + ηe(iq, k)F′(NET(iq, k))W2( j, k)
2 F(NET(iq, j))x(iq, i) (29) 
 
4. RESULTADOS 
 
O procedimento realizado nesse trabalho é dividido em duas etapas: Treinamento e Teste 
da RNA. Os dados amostrais utilizados neste trabalho são hemogramas obtidos na Secretaria 
de Saúde do município de Santo Antônio de Pádua (RJ) no período de 2018 a 2019. Foram 
analisados 94 exames de sangue devidamente diagnosticados pelo médico Helder Figueira. As 
amostras são distribuídas de forma aleatória, sendo 87% para treino e 13% para teste. 
Foram realizados dois treinamentos, sendo o primeiro para obtenção da classificação da 
anemia devido a morfologia: microcítica, normocítica e macrocítica. E o segundo treinamento 
para a classificação quanto a concentração de hemoglobina nas hemácias: hipocrômica, 
normocrômica e hipercrômica. Em ambos, o processo de geração das entradas e saídas foi o 
mesmo. 
Para criação dos padrões de entrada, foram consideradas as seguintes informações: idade, 
sexo (codificada de forma binária “1” para o sexo masculino e “0” para o sexo feminino), 
número de hemácias, hemoglobina, hematócritos, VGM, HGM e CHGM. A Tabela 1 
representa um exemplo de padrão de entrada. 
 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
 
 
 
Tabela 1 – Padrão de Entrada 
 
Paciente Idade Sexo Hemácias Hemoglobina Hematócrito VGM HGM CHGM 
1 1 1 3,82 10,2 32 83,77 26,7 31,88 
2 24 0 4,02 11 34 84,58 27,36 32,35 
 
Os dados de saída são codificados em coordenadas binárias, sendo “0” quando o paciente 
não possui a característica e “1” caso possua. A saída da rede é o diagnosticodo paciente, 
considerando três padrões de saída: macrocítica, normocítica e microcítica e no segundo 
conjunto em: hipocrômica, normacrômica e hipercrômica. 
Para o treinamento é utilizado uma amostra de 84 × 8 elementos de entrada e 84 × 3 
elementos de saída. Os padrões utilizados no treinamento da RNA são apontados na Tabela 2. 
Foram consideradas 3 camadas neurais escondidas com 100 neurônios, com função de 
ativação tansig e 3 sinais de saída com a função de ativação logsig. 
 
Tabela 2: Padrões de Treinamento 
 
Taxa de aprendizagem 0,1 
Máximo de iterações 107 
Erro estipulado 10−7 
Taxa de momentum 0,4 
 
A rede foi treinada no software MatLab, atingindo em ambos os casos o erro estipulado. 
A Figuras 3 apresenta os dados obtidos nos dois treinamentos das RNA. 
 
 
 
Figura 3- Treinamento da RNA: Resultado de simulação 
 
 Para a primeira classificação, a RNA foi treinada atingindo o erro estipulado em 1 
hora e 16 minutos, tendo realizado 210096 iterações. Para a segunda classificação, a rede 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
também foi treinada atingindo o erro estipulado, com tempo de execução de 1 hora 55 
minutos e um total de 364015 iterações. O treinamento e teste foram realizados em um 
Processor Intel i3 2310M com memória RAM suficiente. 
As tabelas abaixo apresentam os resultados obtidos pela RNA. 
 
Tabela 3: Dados de Saída diagnosticados 
 
 Microcítica Normocítica Macrocítica 
1 0 1 0 
2 0 1 0 
3 0 0 0 
4 1 0 0 
5 0 0 0 
6 1 0 0 
7 0 0 0 
8 0 0 0 
9 0 0 0 
10 0 1 0 
11 0 0 0 
12 0 1 0 
13 0 0 0 
 
Tabela 4: Dados de Saída obtidos pela RNA 
 
 Microcítica Normocítica Macrocítica 
1 0,0000 1,0000 0,0000 
2 0,0000 0,9989 0,0000 
3 0,0000 0,0000 0,0063 
4 0,9997 0,0082 0,0000 
5 0,0336 0,0000 0,0000 
8 0,0022 0,0000 0,0042 
9 0,0000 0,0000 0,0000 
10 0,0000 0,9961 0,0000 
11 0,0000 0,0000 0,0072 
12 0,0184 0,9944 0,0000 
13 0,0000 0,0099 0,0005 
 
 Em todos os casos a metodologia foi capaz de identificar corretamente a incidência ou 
não do tipo de anemia. 
 Apresenta-se os resultados da classificação: hipocrômica, normocrômica e 
hipercrômica. 
 
Tabela 5: Dados de Saída Correto 
 
 Hipocrômica Normocrômica Hipercrômica 
1 0 0 0 
2 0 1 0 
3 0 0 0 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
4 0 1 0 
5 0 1 0 
6 0 0 1 
7 0 0 0 
8 0 0 0 
9 0 0 0 
10 0 1 0 
11 0 1 0 
12 0 1 0 
 
Tabela 6: Dados de Saída obtidos pela RNA 
 
 Hipocrômica Normocrômica Hipercrômica 
1 0,0096 0,0590 0,003 
2 0,0825 0,9437 0,0035 
3 0,0504 0,0187 0,0014 
4 0,0019 0,9100 0,0002 
5 0,0042 0,9919 0,0006 
6 0,0619 0,0072 0,9925 
7 0,0028 0,0147 0,0055 
8 0,0173 0,0810 0,0002 
9 0,0031 0,0155 0,0057 
10 0,0026 0,9816 0,0003 
11 0,2028 0,8755 0,0058 
12 0,0010 0,9859 0,0177 
 
Por meio da análise dos resultados obtidos, pode-se afirmar que a RNA foi capaz de 
identificar corretamente os tipos de anemia, as classificações consideradas. 
 
5. CONCLUSÕES 
 
 O presente trabalho, utilizou Redes Neurais Artificias para resolver o problema de 
diagnóstico de anemia, em particular classificar quanto a morfologia: microcítica, 
normocítica, macrocítica e concentração de hemoglobinas nas hemácias: hipocrômica, 
normocrômica e hipercrômica. A metodologia foi capaz de armazenar informações e criar um 
padrão de saída correto, uma vez que teve êxito em identificar o tipo de anemia corretamente 
em todos os casos analisados. Sendo assim, pode-se afirmar que é promissor o estudo sobre a 
utilização de inteligência computacional para auxílio clínico na definição de diagnósticos. 
Ressalta-se que mais testes devem ser realizados, ampliando o número de amostras 
estudadas, utilizando novos diagnósticos e realizando um estudo mais apurado em relação aos 
parâmetros da rede utilizada. 
Observa-se ainda que há a necessidade de um maior número de médicos analisando os 
hemogramas para, posteriormente, treinar a RNA somente com os diagnósticos iguais dados 
pelos médicos, ficando os demais exames deixados para posterior averiguação. 
 
 
 
XXII ENMC e X ECTM 
08 a 11 de Outubro de 2019 
Juiz de Fora - MG 
 
 
Anais do XXII ENMC – Encontro Nacional de Modelagem Computacional e X ECTM – Encontro de Ciências e Tecnologia de Materiais. 
 Juiz de Fora, MG – 08 a 11 Outubro 2019 
 
 
Agradecimentos 
 
 A secretária municipal de saúde e saneamento de Santo Antônio de Pádua, RJ, Evaléria 
Caetano Jobim Prado e Giselle Elias do Couto por disponibilizar os exames hemogramas 
utilizados nesse trabalho. 
 
REFERÊNCIAS 
 
Alegre, S. Carvalho, O.(2009) “Como diagnosticar e tratar Anemias.”. Virtual Books. 
Haykin S. (2007) Redes Neurais: princípios e prática. Bookman, São Paulo. 
Junior, C. (2008) “Utilização de Redes neurais Artificiais no Auxílio à Detecção do Câncer de Pele”. 
Dissertação (Mestrado) - Instituto Politécnico, Universidade do Estado do Rio de Janeiro, Nova Friburgo. 
Khan, J; Wei, S. Ringnei, M et al (2001) Classification and diagnostic prediction of cancer using gene 
expression profiling and artificial neural network. Nature Medicine. Vol7, m.6, p 673-679. 
Matsunga, V. (2012) Curso de Redes Neurais utilizando o Matlab. Virtual Books. 
Rocha, M. (1997) Anemias: Caracterização e implicações em medicina dentária. Dissertação (Mestrado 
integrado) - Faculdade de Medicina Dentária, Universidade de Lisboa, Lisboa. 
Saraiva, B; Soares, M, Santos, L; Pereira, S.; Horta, P. (2014) Iron deficiency and anemia ate associated with 
low retinol levels in children aged 1 to 5 years. v 90. https://doi.org/10.1016/j.jped.2014.03.003 
Silva, I; Spatti,D; Flauxino, R. (2010) Redes Neurais Artificiais: para engenharia e ciências aplicadas. Artliber, 
São Paulo. 
PALMIERE, S. (2016) Arquitetura e topologia de Redes Neurais Artificiais. 
Yan H; Jiang, Y et al (2006) A multilayer perceptron based medical decision support system for heart disease 
diagnoses expert systems with applications. vol 30, n.2, p 272-281. 
 
ARTICLES OF USE OF NEURAL NETWORKS IN ANEMIA IDENTIFICATION 
 
Abstract. The objective of this paper is to propose the diagnosis of anemia by artificial neural 
networks (RNA). The classification of the syndrome takes into account the morphology and 
concentration of hemoglobin in the red blood cells. Data were obtained from laboratory tests, 
preserving the patient's privacy. A multi-layered perceptron network is used with 
backpropagation training algorithm and momentum rate. Through the analysis of the results 
obtained, it is possible to affirm that the model presented an efficient performance, achieving 
maximum accuracy for the set of tested samples, highlighting the efficacy of using the 
methodology to aid the diagnosis of anemia. 
 
Keywords: Diagnosis of Anemia, Blood count, Artificial Neural Networks. 
 
https://doi.org/10.1016/j.jped.2014.03.003