Design and implementation of support vector machines and information fusion methods for bio-medical decision support systems

Abstract

Μια από τις κυριότερες μεταβολές που έλαβε χώρα κατά την τελευταία δεκαετία υπήρξε η ευρεία διάδοση ψηφιακού διαγνωστικού εξοπλισμού στον τομέα της υγείας και η επακόλουθη διαθεσιμότητα μεγάλου όγκου πολυδιάστατων δεδομένων. Ο μεγάλος όγκος δεδομένων θεωρητικά περιέχει πληθώρα χαρακτηριστικών, που μπορούν να επιτρέψουν την υλοποίηση πολύ αποτελεσματικών μοντέλων της κατάστασης και των ζωτικών λειτουργιών του ασθενούς. Από την άλλη πλευρά οι διαθέσιμες πληροφορίες πολλαπλών πηγών που αφορούν τον ίδιο ασθενή είναι συχνά αντικρουόμενες και αλληλεπικαλυπτόμενες. Ο κύριος παράγοντας για την αναβάθμιση των διαγνωστικών συστημάτων στο επόμενο επίπεδο είναι η ανάπτυξη ικανότητας να κάνουν εξόρυξη, σύνοψη και συσχέτιση της πληροφορίας και να παρέχουν στο κλινικό προσωπικό εφαρμόσιμη γνώση. Η συνολική προσπάθεια που έχει καταβληθεί στην παρούσα έρευνα εστιάζεται σ’ αυτό το στόχο από πολλαπλές οπτικές γωνίες. Από τη βελτίωση των μεθόδων προεπεξεργασίας και αναπλήρωσης δεδομένων, στην οπτικοποίηση ζωτικών στατιστικών δεικτών, στη δημιουργία νέων τελεστών για διάγνωση δομών Μαγνητικής Φασματοσκοπίας, στην επέκταση των Μηχανών Διανυσμάτων Στήριξης προκειμένου να χειριστούν μη θετικά ορισμένους πίνακες και τέλος στο συνδυασμό διαγνωστικών αποφάσεων έμπειρων συστημάτων, ο κοινός παρονομαστής παραμένει η βελτιστοποίηση μιας διαγνωστικής διαδικασίας πολλαπλών βημάτων. Μια σημαντική συνεισφορά που εισάγεται με την παρούσα έρευνα είναι ένα ενοποιημένο πλαίσιο μοντελοποίησης, εφαρμογής και αξιολόγησης καθιερωμένων και νέων μεθόδων συνδυασμού αποφάσεων έμπειρων συστημάτων. Μια επιπλέον συνεισφορά αποτελεί και η εισαγωγή ειδικά σχεδιασμένων τελεστών Μηχανών Διανυσμάτων Στήριξης για ανάλυση δεδομένων Μαγνητικής Φασματοσκοπίας και μη θετικά ορισμένων τελεστών διευρύνοντας με τον τρόπο αυτό σημαντικά το πεδίο εφαρμογής τους. Οι έννοιες και οι αναλυτικές προσεγγίσεις που αναπτύχτηκαν στα πλαίσια της παρούσας διατριβής θα μπορούσαν να παρέχουν έναν οδηγό για τα διαθέσιμα αναλυτικά εργαλεία και έχουν εφαρμοστεί σε πραγματικό κλινικό περιβάλλον βοηθώντας τις διαγνωστικές προσπάθειες και βελτιώνοντας την ποιότητα ζωής σημαντικού αριθμού ασθενών.

One of the key biomedical changes that took place in the last decade has been the proliferation of computerized medical diagnostic equipment and the consequent abundance of high volume of multimodal biomedical data. Such a raw information volume in principle contains a multitude of features, which can enable the construction of a highly effective representation of the patient’s state and vital trends. On the other hand, the information associated with different types of data for the same subject is often controversial and overlapping. The key factor to elevating the effectiveness of diagnostic systems to the next level is to deliver the ability to summarize, mine and fuse the available information at all abstraction levels available and provide clinicians with actionable knowledge. The overall effort placed in this work focuses on this target addressed from multiple viewpoints. From improving the data preprocessing and imputation methods, to visualizing vital statistics, to creating new kernel mappings for MRS modalities, to extending support vector machine to handle non-positive definite feature kernels, to fusing expert decisions on diagnostic outcomes, the common denominator remains the optimization of a multistep diagnostic process. A key novelty introduced by this research is the unifying way to model, evaluate and apply standard and generic decision fusion methods. An additional contribution lies in enabling Support Vector Machine classifiers to handle domain specific (MRS) and nonpositive definite kernel data, thus significantly extending their application domain. The concepts and approaches developed in this thesis may provide applicable insight for the algorithmic tools available and hopefully help in every day clinical practice to early diagnose and improve the quality of life for several people.