La fsica en medicina

Los algoritmos genticos

y los mtodos
de Monte Carlo
Algunas de las nuevas formas de clculo
para la medicina moderna permiten disear programas para la deteccin automtica de lesiones en sistemas de diagnstico
computarizado.

cionado el diagnstico mdico por

imagen.
Los ms de 50 aos que tuvieron que pasar entre el trabajo de
Radon y el desarrollo tecnolgico
de Hounsfield se debieron esencialmente a la falta de un elemento
fundamental y absolutamente inArnulfo Martnez Dvalos
dispensable para llevar a la prctica las complejas operaciones matemticas involucradas en el proceso
n 1917 un matemtico alemn prcde reconstruccin tomogrfica: la computadora. Hoy no deja de
ticamente desconocido, J. Radon,
asombrarnos el avance abrumador del poder de cmputo puespublic en una oscura revista especiato a nuestra disposicin: computadoras de escritorio capaces de
lizada un artculo titulado Sobre la
realizar el trabajo que hace slo dos dcadas estaba reservado a
determinacin de funciones a partir de sus
los grandes centros de investigacin y a las universidades.
integrales a lo largo de ciertas variedades diEste desarrollo ha favorecido la aparicin de nuevos mtoferenciables (Radon, 1917). En l describi
dos de clculo basados en viejas ideas que, de alguna manera,
de manera detallada la teora matemtica de
estn generando una segunda revolucin en la fsica mdica, y
la reconstruccin de imgenes tomogrficuya influencia ser esta vez ms obvia en las tcnicas de tratacas (imgenes de cortes del interior del cuermiento. Este artculo presenta una breve introduccin a los dos
po) a partir de sus proyecciones. En 1972 G.
mtodos de la fsica computacional que a mi juicio tendrn inHounsfield dio a conocer el primer tomgrafo
fluencia considerable en la medicina: los algoritmos genticos
de rayos X para uso clnico, trabajo por el cual
y los mtodos de Monte Carlo.
recibira en 1979 el Premio Nobel de medicina. El trabajo de Hounsfield deton el deALGORITMOS GENTICOS
sarrollo de otras modalidades de obtencin
de imgenes tomogrficas (tomografa por
La idea de aplicar los principios biolgicos de la evolucin naemisin de positrones, imagenologa por retural a sistemas artificiales surgi hace ms de cuarenta aos.
sonancia magntica), las cuales han revoluDurante las dcadas de 1960 y 1970, John Holland estableci

62 ciencia

abril-junio 2002

Algoritmos genticos

los principios bsicos de lo que hoy conocemos como algoritmos genticos y cmputo evolutivo (Goldberg, 1989; Holland,
1992). La parte medular de estos mtodos es la idea de resolver
problemas haciendo evolucionar una poblacin generada
inicialmente al azar de soluciones posibles mediante el uso
de operadores genticos, de manera que gradualmente emerjan mejores soluciones.
Los algoritmos evolutivos se han aplicado con xito en numerosos problemas de bsqueda y optimizacin en diversos campos, incluyendo la
ingeniera, la programacin automtica,
el aprendizaje de mquina y la economa;
aqu examinaremos sus aplicaciones a la
10
fsica mdica.

Los algoritmos evolutivos

se han aplicado con xito
en numerosos problemas
de bsqueda y optimizacin
en diversos campos

8
6
4

ENCONTRANDO LA AGUJA
EN EL PAJAR

2
Z 0
0

Hay muchos problemas en los que es ne5

cesario encontrar un conjunto de valores
2
10
ptimos para una serie de parmetros des50
conocidos. Normalmente la complejidad
40
4
50
30
40
del problema est asociada directamen30
20
te al nmero de variables que en l apa20
6
10
10
0
0
recen cuando es planteado. Los mtoY
X
dos que se han desarrollado para atacar
los problemas requieren el uso de computadoras para manejar una gran cantidad de datos y efectuar
Figura 1. Ejemplo de una superficie de potencial
muchas operaciones en el menor tiempo posible. En genez = f(x,y), con mximos y mnimos locales. El objetivo
ral, estos mtodos se clasifican en tres grandes grupos: algede los algoritmos de optimizacin es encontrar el mximo o el mnimo absolutos, sin quedar atrapados en
braicos, enumerativos y aleatorios (Coley, 1996).
los extremos locales.
Los mtodos algebraicos pretenden identificar los valores
extremos de una funcin matemtica, ya sea mediante la resolucin de un sistema de ecuaciones, o empleando la hiptesis
mos, y reportar errneamente que se ha alcande que la pendiente de la grfica que representa a la ecuacin
zado el objetivo del procedimiento.
es nula en los extremos. En los mtodos enumerativos, la funLos mtodos evolutivos son algoritmos
cin se evala punto por punto hasta encontrar el extremo busaleatorios mejorados, que hacen una bsquecado. Aunque estos mtodos pueden (al menos en principio)
da eficiente en el espacio de soluciones posilocalizar directamente los valores mximos y mnimos de una
bles; entre ellos se encuentran el mtodo llafuncin, stos no necesariamente son extremos globales. Por
mado recocido simulado (simulated annealing) y
ejemplo, la Figura 1 muestra un espacio de bsqueda hipotlos algoritmos genticos. Si comparamos los
tico para una funcin z = f(x,y) que depende de dos paralgoritmos genticos con las tcnicas descritas
metros, x e y, con varios extremos locales. Dependiendo de las
anteriormente, las principales diferencias que
condiciones iniciales, los mtodos tradicionales de bsqueda
hallamos son:
pueden quedar atrapados fcilmente en alguno de estos extre-

abril-junio 2002

ciencia

63

La fsica en medicina

OPERACIONES BSICAS

En los mtodos enumerativos,

la funcin se evala punto
por punto hasta encontrar
el extremo buscado

Padres

Cruza

Hijos
a

Figura 2. En el proceso de reproduccin: en a se selecciona a los elementos ms aptos para pasar a la etapa
de cruza, en b. Algunos de los individuos de la nueva
generacin pueden sufrir mutaciones.

a) Trabajan con una representacin (o codificacin) del conjunto de parmetros, no

con los parmetros mismos.
b) Buscan a partir de un conjunto de soluciones posibles (poblacin), no a partir de un
solo punto.
c) Usan una funcin de costo (tambin
llamada funcin objetivo) como criterio de bsqueda, y no sus derivadas.
d) Usan reglas de transicin aleatorias, no
deterministas.

64 ciencia

abril-junio 2002

En general, los algoritmos genticos funcionan de acuerdo con

dos tipos de procesos: el primero de ellos es gentico, y tiene que
ver con las operaciones de reproduccin, cruza y mutacin; el
segundo es evolutivo, y est relacionado con la operacin de seleccin. El proceso inicia con una poblacin de individuos, en
la que cada uno de ellos representa un conjunto de valores generado al azar para los parmetros en cuestin. Con estos parmetros se evala la funcin objetivo, y el resultado representa
la calidad de la solucin correspondiente a cada individuo.
Esta informacin se usa para seleccionar de manera aleatoria a
parejas de individuos que son aptas para la reproduccin y cruza (Figura 2). El proceso se repite
sobre la nueva generacin, hasta
que el resultado cae dentro del intervalo de precisin deseado.
La reproduccin consiste en copiar sin modificacin alguna cierto nmero de pobladores, usando
el criterio de seleccin, de manera
que los mejores individuos de una
generacin pasen a la siguiente.
As se garantiza que la carga geb
ntica de los individuos ms aptos
(aquellos que representan las mejores soluciones) participe en el proceso de cruza. El proceso de
cruza constituye el operador gentico principal. Como se observa en la Figura 2, la descendencia se forma escogiendo un
punto de cruza aleatorio en la cadena binaria que representa a
los padres, e intercambiando el material gentico para formar
dos nuevos individuos. Algunos de los nuevos individuos pueden sufrir mutaciones espontneas (paso de 0 a 1, o viceversa,
en alguna posicin), lo cual ayuda a remplazar los genes perdidos o a introducir genes que no se encontraban en la poblacin inicial. De esta manera, lo que hacen los algoritmos genticos es realizar un rastreo en paralelo sobre el espacio de
soluciones, diminuyendo as la posibilidad de que el algoritmo se estanque en un mnimo o en un mximo local.

APLICACIONES DE LOS ALGORITMOS GENTICOS

Algunas de las aplicaciones ms recientes de los algoritmos genticos en fsica mdica incluyen tanto el diagnstico como la
radioterapia. Uno de los usos ms interesantes consiste en dise-

Algoritmos genticos

tficos pueden tener informacin muy precisa

respecto a la velocidad del viento, la humedad, la presin atmosfrica, la latitud y la longitud de una regin especfica del planeta, no
es posible predecir con absoluta certeza el desarrollo, por ejemplo, de algn huracn.

700
600

Eje transversal Y (mm)

ar programas para la deteccin automtica de microcalcificaciones (pequesimas lesiones asociadas al cncer de mama) en
sistemas de diagnstico computarizado para mastografa digital
(Anastasio y cols., 1998; Sahiner y cols., 2000). El objetivo final es que estos programas se conviertan en una herramienta
equivalente a un segundo observador, que ayude al radilogo
a reducir el nmero de diagnsticos equivocados a
niveles equivalentes a los que obtendran dos obser30
vadores humanos especializados.
Otra aplicacin interesante es en la planificacin
20
de tratamientos tanto de radioterapia conformal
(Wu y cols., 2000), usando haces de radiacin exter10
nos, como en braquiterapia de alta y baja tasa de dosis (Herrera y Martnez, 2000; Yang y cols., 1998), en
0
la que fuentes radiactivas encapsuladas se insertan
directamente en el tejido tumoral. En este tipo de
10
tratamientos se requiere que la distribucin espacial
de dosis sea uniforme, que se adapte lo mejor posible
20
a la forma y volumen del tejido que se desea tratar
(que sea conformal), y que se minimice la dosis a r30
30
ganos y tejidos radiosensibles que se encuentren cerca de la zona de tratamiento. En esta clase de problemas no existe un objetivo nico, y por lo tanto se
debe alcanzar un balance entre los diferentes requerimientos y
restricciones que lo definen. La Figura 3 muestra un mapa de la
distribucin espacial de dosis obtenida despus de aproximadamente 100 ciclos de clculo sobre una poblacin de 50 individuos en la planificacin de un tratamiento para cncer
de prstata usando fuentes radiactivas de iridio-192 (Martnez-Dvalos, 2000). Se puede observar que la uretra (crculo
central) queda protegida, al mismo tiempo que la uniformidad
y la conformidad son razonablemente buenas. Una gran ventaja es que estos mtodos permitirn en un futuro cercano planear tratamientos complejos de manera ms rpida y precisa.

LOS MTODOS DE MONTE CARLO

Los mtodos de Monte Carlo son herramientas matemticas
que han sido utilizadas extensamente en muchas reas de la fsica desde hace 50 aos, y consisten en la simulacin numrica de fenmenos que ocurren en la naturaleza. Es bien sabido
que muchos de los sucesos naturales son aleatorios, es decir, son
eventos en los que no es posible predecir con certeza lo que va
a ocurrir con ellos en algn momento determinado. Un buen
ejemplo de este tipo de fenmenos es el clima: aunque los cien-

500
400
300
200
100

20

10

10

20

30

Eje transversal X (mm)

Figura 3. Distribucin de dosis para un tratamiento de

braquiterapia de prstata, calculada mediante un algoritmo gentico. Los puntos representan las posiciones
de las fuentes radiactivas, y los nmeros corresponden
al valor relativo de la dosis a lo largo de las curvas para cada color.

Los algoritmos genticos

funcionan de acuerdo
con dos tipos de procesos:
el primero es gentico,
y el segundo es evolutivo

abril-junio 2002

ciencia

65

La fsica en medicina

El primer informe cientfico sobre una aplicacin simple

del mtodo Monte Carlo fue hecho en el siglo XVIII por G.-L.
Leclerc de Buffon, quien propuso un mtodo numrico para
encontrar el valor de pi ( = 3.1415926...). El procedimiento es muy ingenioso y consiste en contar cuntas veces
una aguja de longitud L, la cual se deja caer de manera
aleatoria sobre un tablero, cruza un conjunto de lneas
paralelas equidistantes (separadas tambin una distancia L) dibujadas sobre dicho tablero. Se puede demostrar matemticamente que si se repitiera este
procedimiento un nmero infinito de veces, entonces se cumplira la siguiente relacin: el nmero de
veces que se deja caer la aguja dividido por el nmero de veces que cruza alguna de las lneas es igual
a /2. En la prctica, no es posible repetir el experimento un nmero infinito de veces, y lo que sucede
normalmente es que se repite un nmero suficientemente grande de veces de tal manera que el
cociente anterior se aproxima, o tiende, al valor
de /2.
El experimento se podra llevar a cabo fsicamente tirando muchas veces la aguja sobre
el tablero y registrando todos los eventos, o
bien se puede realizar utilizando una computadora, en lo que se denomina simulacin del experimento. En este caso estamos realizando genuinamente una simulacin Monte Carlo tal como la
conocemos hoy.

TRANSPORTE DE RADIACIN EN LA MATERIA

El primer informe cientfico

de una aplicacin
del mtodo de Monte Carlo
fue hecho en el siglo XVIII
por Buffon, quien propuso
un procedimiento
para calcular

66 ciencia

abril-junio 2002

Las tcnicas de Monte Carlo han sido particularmente tiles en

la fsica mdica por su facultad de simular el transporte de radiacin ionizante en la materia, pues la mayor parte de las tcnicas
para el diagnstico y tratamiento de enfermedades se basan en
el uso de este tipo de radiacin, es decir, la que cuenta con suficiente energa para sacar electrones atmicos de sus rbitas.
Los elementos bsicos de cualquier simulacin de Monte
Carlo son los siguientes:
1) Un conjunto de funciones matemticas que representen
la probabilidad de que ocurra un fenmeno determinado.
2) Una lista (o conjunto) muy grande de nmeros generados al azar.
3) Tcnicas matemticas que permitan obtener muestras de
las funciones de probabilidad.

Algoritmos genticos

4) Una computadora rpida y eficaz para el procesamiento

y para el acceso de datos.
Para las aplicaciones que nos interesan se requiere conocer
bsicamente las probabilidades de interaccin de dos tipos de
radiaciones: fotones y electrones. stos pueden interactuar con
la materia de dos formas: ser absorbidos o ser dispersados. Adems, la mayora de las interacciones hacen que las partculas incidentes pierdan energa. La absorcin implica la desaparicin
completa de la partcula original y la transferencia de su energa a los electrones del medio, o bien a la creacin de nuevas
partculas (por ejemplo, la produccin de un par formado por
un electrn y un positrn). En la dispersin, una parte de la
energa se transfiere a los electrones del medio, y el resto ocasiona un cambio de direccin de la partcula incidente. Cualquiera de estos procesos hace que algunos electrones del medio
se pongan en movimiento.
Los diferentes tipos de interacciones dependen de la energa
de las partculas y de la composicin qumica del material irradiado. Dentro de las interacciones que pueden sufrir los fotones
se encuentran la absorcin fotoelctrica, la dispersin tipo
Compton y la produccin de pares. Por su parte, los electrones sufren colisiones elctricas que se pueden clasificar como
elsticas (cambian su direccin pero no su energa), inelsticas
(cambian su direccin y su energa) y radiativas (la energa del
movimiento de los electrones se convierte en radiacin electromagntica).
En la Figura 4a se presenta un ejemplo de la interaccin de
un fotn con un tomo, que resulta en la absorcin del fotn y
la ionizacin de tomo. La Figura 4b muestra esquemticamente la dispersin inelstica de un fotn (dispersin tipo Compton), en la que un fotn incidente interacta con un electrn
libre del medio, cambia de direccin y pone en movimiento al
electrn.

Las interacciones
de las partculas ionizantes
dependen de su energa
y de la composicin qumica
del material irradiado

a
h1

h
e
b

CASCADAS ELECTROMAGNTICAS
Tomando en cuenta lo anterior, podemos pensar en la creacin
de un proceso de cascada en el que se puede llevar a cabo alguna de las siguientes posibilidades, o todas ellas:
Los electrones pueden crear fotones y poner en movimiento a los electrones del medio, que a su vez pueden
poner en movimiento a otros electrones.
Los fotones pueden crear electrones y positrones.
Los fotones, los electrones y los positrones se dispersan en
el medio.

Figura 4. Ejemplos de interacciones de fotones con la

materia: a, absorcin fotoelctrica; b, dispersin tipo
Compton. (h = fotn; e = electrn.)

abril-junio 2002

ciencia

67

La fsica en medicina

e+

h1

h2

Figura 5. Diagrama de una cascada electromagntica

iniciada por un fotn.

Figura 6. Cascada electromagntica producida en agua

por un haz de electrones de 10 MeV de energa en agua.
Las trayectorias de los electrones aparecen con lneas
azules, y las de los fotones con lneas amarillas.
(http://www.irs.inms.nrc.ca/inms/irs/BEAM/
egs_windows/sld018.html)

68 ciencia

abril-junio 2002

Los positrones se aniquilan con los electrones,

y crean fotones.
h3
A cada sucesin particular de eventos (o historia) que un electrn o un fotn producen al viajar
en un medio se le llama, junto con todos sus descendientes, cascada electromagntica. La Figura 5
h4
muestra un ejemplo hipottico muy sencillo de una
cascada electromagntica originada por un fotn
viajando en un medio. Las lneas rojas representan
fotones, las lneas azules electrones, y la verde, un
positrn.
Dado que se conocen los procesos fsicos que rigen
a cada una de las interacciones mencionadas, y debido a que no se pueden resolver en forma precisa las
ecuaciones para el transporte de electrones y fotones
en un medio, la tcnica de Monte Carlo es la herramienta ideal para estudiar los problemas del transporte de radiacin en la materia. Por ejemplo, la Figura 6 muestra la simulacin de un haz de electrones de alta energa que inciden sobre
un cubo de agua. Las lneas azules representan electrones, y las
amarillas, fotones. La complejidad de la estructura de la cascada depende mucho de la energa de la radiacin incidente;
mientras mayor sea la energa, ms compleja ser la cascada.
Actualmente, los clculos ms precisos para
determinar las distribuciones de la dosis en los tratamientos de cncer que usan radioterapia se llevan
a cabo mediante tcnicas de Monte Carlo. La Figura 7 muestra una secuencia de tres imgenes en las
que se observa la distribucin de la dosis calculada
(en colores) superpuesta a una imagen de tomografa axial computarizada de la cabeza de un paciente.
El color rojo significa mayores dosis, mientras que
la azul corresponde a menores dosis. En este clculo se pretende irradiar al paciente utilizando tres
haces de fotones, centrados en la regin de los senos paranasales. La diferencia entre las tres imgenes es la cantidad de fotones que se usaron para
el clculo (66 mil, 1 milln 200 mil y 68 millones,
respectivamente). Si bien en la actualidad an no es posible
realizar este tipo de clculos con la suficiente rapidez para
usarlos rutinariamente en aplicaciones clnicas, se espera que
el desarrollo del cmputo en paralelo permitir en un futuro
no muy lejano llevar estas tcnicas a una mayor poblacin.

Algoritmos genticos

BIBLIOGRAFA
Anastasio, M. A., H. Yoshida, R. Nagel y cols. (1998), A genetic algorithm-based method for optimizing the performance of a computer-aided diagnosis scheme for detection
of microcalcifications in mammograms, Med. Phys.
25(9):1613-1620.
Coley, D. A. (1996), Genetic algorithms, Contemporary Physics, 37(2):145-154.
Goldberg, D. E. (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Reading, Addison-Wesley.
Herrera-Rodrguez, M. R., y A. Martnez-Dvalos (2000),
Brachytherapy treatment planning algorithm applied to
prostate cancer, AIP Conf. Proc., 538:249-254.
Holland, J. H. (1992), Adaptation in Natural and Artificial Systems, Cambridge, MIT Press.
Martnez-Dvalos, A. (2000), Monte Carlo dosimetry in
HDR brachytherapy, AIP Conf. Proc., 538:128-133.
Radon, J. (1917), ber die Bestimmung von Functionen
durch ihre Integralwerte lngs gewisser Manningfaltigkeiten, Ber. Verbhandl. Schs. Akad. Wiss. Leipzig, Math.Phys. Kl., 69:262-339.
Sahiner, B., H.-P. Chan, N. Petrick y cols. (2000), Design of
a high-sensitivity classifier based on a genetic-algorithm:
Application to computer-aided dignosis, Phys. Med. Biol.,
43:2853-2871.
Wu, X., Y. Zhu, J. Dai y cols. (2000), Selection and determination of beam weights based on genetic algorithms for
conformal radiotherapy treatment planning, Phys. Med.
Biol., 45:2547-2558.

Figura 7. Simulacin de Monte Carlo para el clculo de

dosis en un tratamiento de radioterapia con un haz de
fotones. Las distribuciones de dosis (a colores) estn
superpuestas a una imagen tomogrfica (tonos de gris)
del paciente.
(http://www.llnl.gov/peregrine/images.html)

Yang, G., S. Reinstein, S. Pai, Z. Xu y D. L.

Carroll (1998), A new genetic algorithm
technique in optimization of permanent
125
I prostate implants, Med. Phys.,
25(12):2308-2315.

Arnulfo Martnez Dvalos es doctor en fsica de radiaciones por el University College de Londres, Inglaterra.
Actualmente, como investigador asociado en el Instituto de Fsica de la UNAM, realiza anlisis sobre detectores de radiacin ionizante y sus aplicaciones en fsica
bsica y mdica, mtodos de Monte Carlo para el transporte de radiacin en materia, y fsica computacional.
Es profesor de la maestra en Fsica Mdica de la misma
universidad.

abril-junio 2002

ciencia

69