Συστήματα ανίχνευσης χαρακτηριστικών των ασθενειών με τεχνικές μηχανικής μάθησης

Abstract

Systems to detect traits of health diseases using machine learning techniques One of the fastest growing areas of computer science is the development of intelligent systems that support user decisions and provide a wide range of services. Their intelligence is based on monitoring and decoding the user's data and needs and is achieved by applying machine learning techniques. Especially image processing, object detection and the extraction of disease characteristics/properties from all kinds of input data are the most important applications of machine learning techniques in Medicine. Earlier, before the era of Machine Learning, the process of feature extraction was limited. Neural networks constitute the methods to achieve both feature extraction and feature evaluation, thereby reaching decisions by filtering out irrelevant extracted information. The data are processed and represented through mathematical processes and this representation leads to the extraction of innumerable properties–characteristics extracted from the input images. The purpose of this thesis is to explore the benefits of machine learning techniques in medicine, such as image classification, image feature extraction, human organ segmentation, and disease severity and biomarker assessment. The interpretation of the results is done by both fields, medicine, and informatics. The aim is to present models for dynamic assessment of the severity of a disease and extraction of its important characteristics. This work concerns liver cancer, colitis, respiratory problems such as asthma. More specifically, these models could be used as diagnostic tools in real time and as auxiliary systems for making medical decisions in real conditions. The systems approach is applied starting with the input elements. These data are about the patient: mouse or human (characteristics) and the traits of disease: liver cancer, colitis, respiratory problem like asthma. We continue with the intelligent - algorithmic, statistical, etc. - processing of these data (a) to assess the current state and severity of the disease, patient characteristics and conditions and (b) to understand the situation and passively or actively support the doctor or health researcher, with the relevant diagnosis or prognosis. The scanning of human organs and its results in the form of Magnetic Resonance Imaging (MRI) or Computed Tomography (CT) plays an important role in the diagnosis and classification of lesions/diseases such as cancerous tumors, and/or in evaluating the degree of severity some disease. The aim of this thesis is to propose the best options for developing and implementing machine learning training models for information systems, mobile applications, and web apps to detect diseases and their characteristics, the type of experimental sample. Also, research focuses on detecting features of various diseases, suchas asthma or ulcerative colitis, through machine learning algorithms applied to MRI/CT or histological image data. The detection and analysis of disease characteristics is done without requiring prospective data from the respective application or system user. The research includes statistical analysis of all the training algorithms of the proposed systems, based on the calculation of values of a variety of metrics. It offers the possibility of updating ,monitoring, re-evaluating diseases such as cancer, colitis, asthma, etc., through an easy-to use mobile or web application. The goal of the research is the development of intelligent information systems that could significantly help in diagnosis and prognosis, immediately and accurately. The proposed methods could be used in real-world conditions by hospitals and health research laboratories.

Μία από τις πιο γοργά αναπτυσσόμενες περιοχές της επιστήμης των υπολογιστών είναιη ανάπτυξη έξυπνων συστημάτων που υποστηρίζουν τις αποφάσεις των χρηστών και παρέχουν ένα ευρύ πεδίο υπηρεσιών. Η εξυπνάδα τους βασίζεται στην παρακολούθηση και αποκωδικοποίηση των δεδομένων και των αναγκών του χρήστη και επιτυγχάνεται με την εφαρμογή τεχνικών μηχανικής μάθησης. Ειδικά η επεξεργασία εικόνας, η ανίχνευση αντικειμένων και η εξαγωγή χαρακτηριστικών/ιδιοτήτων ασθενειών από κάθε είδους δεδομένα εισόδου αποτελούν τις πιο σημαντικές εφαρμογές τεχνικών μηχανικής μάθησης στην Ιατρική. Παλαιότερα, πριν την εποχή της Μηχανικής Μάθησης, η εξαγωγή χαρακτηριστικών ήταν περιορισμένη. Τα νευρωνικά δίκτυα διαθέτουν μεθόδους για την επίτευξη τόσο της εξαγωγής χαρακτηριστικών όσο και της αξιολόγησης χαρακτηριστικών, φτάνοντας έτσι σε αποφάσεις φιλτράροντας τις άσχετες εξαγόμενες πληροφορίες. Τα δεδομένα επεξεργάζονται και αναπαρίστανται μέσω μαθηματικών διαδικασιών και αυτή η αναπαράσταση οδηγεί στην εξαγωγή αναρίθμητων ιδιοτήτων–χαρακτηριστικών που εξάγονται από τις εικόνες εισόδου. Η μηχανική μάθηση εξειδικεύεται σε μη-γραμμικά προβλήματα, γι’ αυτό και η αξιοποίησή τους στον τομέα των ιατρικών εικόνων είναι υποσχόμενη.Το αντικείμενο της παρούσας διατριβής είναι να διερευνήσει τα οφέλη των τεχνικών μηχανικής μάθησης στην ιατρική, όπως η κατηγοριοποίηση εικόνων, η εξαγωγή χαρακτηριστικών ασθενειών μέσω εικόνων, η τμηματοποίηση εικονιζόμενων ανθρώπινων οργάνων και η αξιολόγηση σοβαρότητας ασθενειών και βιοδεικτών. Η ερμηνεία των αποτελεσμάτων γίνεται και από τους δύο τομείς, της ιατρικής και της πληροφορικής. Στόχος είναι η παρουσίαση μοντέλων δυναμικής αξιολόγησης της σοβαρότητας μιας ασθένειας και εξαγωγής σημαντικών χαρακτηριστικών της. Αυτή η εργασία αφορά στο καρκίνο ήπατος, στην κολίτιδα, σε αναπνευστικά προβλήματα όπως το άσθμα. Πιο συγκεκριμένα, τα μοντέλα αυτά θα μπορούσαν να αξιοποιηθούν ως διαγνωστικά εργαλεία σε πραγματικό χρόνο και ως βοηθητικά συστήματα λήψης ιατρικών αποφάσεων σε πραγματικές συνθήκες. Εφαρμόζεται η συστημική προσέγγιση που αρχίζει με τα στοιχεία εισόδου. Τα στοιχεία αυτά αφορούν τον ασθενή: ποντικός ή άνθρωπος (χαρακτηριστικά) και τα χαρακτηριστικά ασθένειας: ηπατικό καρκίνο, κολίτιδα, αναπνευστικό πρόβλημα όπως άσθμα. Συνεχίζουμε με την ευφυή - αλγοριθμική, στατιστική κ.λπ. - επεξεργασία αυτών των στοιχείων (α) για να εκτιμήσουμε την τρέχουσα κατάσταση και σοβαρότητα της ασθένειας, τα χαρακτηριστικά του ασθενή και τις συνθήκες και (β) για να κατανοήσουμε την κατάσταση και να υποστηρίξουμε παθητικά ή ενεργά το γιατρό ή ερευνητή υγείας, με τη σχετική διάγνωση ή πρόγνωση. Η σάρωση των ανθρώπινων οργάνων και τα αποτελέσματα αυτής σε μορφή Magnetic Resonance Imaging (MRI) ή Computed Tomography (CT) παίζει ένα σημαντικό ρόλο στη διάγνωση και στην κατηγοριοποίηση των βλαβών/ασθενειών όπως είναι οι καρκινικοί όγκοι, ή/και στην αξιολόγηση του ποσοστού σοβαρότητας κάποιας ασθένειας. Στόχος της παρούσας διατριβής είναι να προτείνει τις βέλτιστες επιλογές ανάπτυξης και υλοποίησης μοντέλων εκπαίδευσης με τεχνικές μάθησης (machine learning) για πληροφοριακά συστήματα, που αξιοποιούν τις δυνατότητες των κινητών τηλεφώνων / συσκευών και του παγκόσμιου ιστού (web app) ώστε να ανιχνεύουν ασθένειες και τα χαρακτηριστικά τους, το είδος πειραματικού δείγματος. Επίσης, η έρευνα εστιάζει στην ανίχνευση χαρακτηριστικών διάφορων ασθενειών, όπως άσθμα ή ελκώδης κολίτιδα, μέσω αλγορίθμων τεχνικής μάθησης που εφαρμόζονται σε δεδομένα εικόνων Magnetic Resonance Imaging (MRI) / Computed Tomography (CT) ή ιστολογικών εικόνων. Η ανίχνευση και ανάλυση χαρακτηριστικών ασθενειών γίνεται χωρίς απαίτηση προσωπικών στοιχείων από τον εκάστοτε χρήστη της εφαρμογής ή του συστήματος. Η έρευνα περιλαμβάνει στατιστική ανάλυση όλων των αλγορίθμων εκπαίδευσης των προτεινόμενων συστημάτων, στηριγμένη στον υπολογισμό τιμών μια ποικιλίας μετρικών. Προσφέρεται η δυνατότητα ενημέρωσης, παρακολούθησης, επαναξιολόγησης των ασθενειών όπως καρκίνος, κολίτιδα, άσθμα, κλπ., μέσω μιας απλήςως προς τη χρήση εφαρμογής κινητού τηλεφώνου ή web εφαρμογής. Στόχος της έρευνας είναι η ανάπτυξη έξυπνων πληροφοριακών συστημάτων που μπορούν να βοηθήσουν σημαντικά στη διάγνωση και πρόγνωση, άμεσα και με ακρίβεια. Οι προτεινόμενες μέθοδοι θα μπορούσαν να χρησιμοποιηθούν σε πραγματικές συνθήκες από νοσοκομεία και χώρους έρευνας θεμάτων υγείας.